石英加速度计零偏非线性集成预测

基于小波变换(WT)的多尺度分析能力和径向基函数(RBF)神经网络良好的非线性预测与集成能力,研究了一种非线性集成预测方法.针对贮存期石英挠性加速度计零偏漂移抑制的问题,提出了基于WT和RBF神经网络的一种石英挠性加速度计零偏非线性集成预测方法.为验证所提方法的有效性,设计了一种加速度计参数的重力场标定实验,并针对某型号石英挠性加速度计进行了为期2年的标定实验.分别利用所提WT-RBF集成模型和RBF模型对零偏标定序列进行了预测分析,仿真结果显示:WT-RBF集成模型具有更好的预测性能.     

石英加速度计温度漂移的小波网络建模

无陀螺捷联惯导系统中所使用的石英加速度计的输出在不同温度条件下漂移比较显著,通过理论分析和试验研究了其静态温度特性,提出了利用小波神经网络进行补偿的方案.与传统的BP神经网络相比,其拟合精度得到大幅度提高.实验结果表明,该方法能有效补偿加速度计的温度漂移误差.     

石英挠性加速度计中高精度低零偏伺服电路的设计

介绍了一种用于石英挠性加速度计的伺服电路.通过对内部的差动电容检测器进行激光修调,使该伺服电路的零偏电流小于1.33uA.低零偏电流的特点大大地提高了本伺服电路响应加速度时输出电流的精度,即提高了所检测加速度值的精度.     

石英挠性加速度计正交双表测试方法研究

给出了在转台上标定石英挠性加速度计的正交双表测试方法。分析了转台误差源对加速度计误差模型辨识的影响,建立了g^2观测法的辨识模型,并在转台上进行了20位置试验。试验结果表明：正交双表法可以降低设备转角误差对加速度计模型参数估计结果的影响,从而显著提高加速度计测试精度。     

基于小波降噪与最小二乘估计的石英挠性加速度计模型辨识

石英挠性加速度计在惯性导航系统中具有重要作用,其使用精度影响着整个系统的精度。为提高加速度计的使用精度,对其进行了重力场静态翻滚测试,采用融合小波降噪与最小二乘估计的方法实现加速度计模型参数辨识。利用拟合残差标准差和系数估计的不确定度来评价辨识的效果,对重力场静态测试时加速度计两种安装方式下的测量信号进行了实验测试,并通过仿真实验来验证所采用方法的有效性。实验结果表明,所采用的方法获得的加速度计模型系数具有较高精确度。     

摆式加速度计零偏测量中安装误差的分析

在利用精密分度头测量摆式加速度计的零偏过程中,安装误差是一项主要误差。计算结果表明:若分度头盘面与重力方向之间存在夹角,且摆式加速度计的摆轴与分度头转轴之间存在夹角ψ,则由这2个安装角度误差所引起的零偏测量误差为ψg(其中,g为重力加速度)。这一结果对零偏测量实验中的安装操作具有重要的指导意义。     

挠性加速度计石英摆片的微运动仿真分析

加速度计石英摆片的微运动仿真分析可以获取帮助提高石英挠性加速度计生产质量的技术手段和途径。从加速度计石英摆片的物理模型入手,用有限元方法对摆式加速度计的关键部件石英摆片进行静力计算与模态分析,直观地显示了石英摆片结构的应力场与形变场,获得了各阶自然频率和阵型。结果表明：采用有限元分析的方法能够辅助提高加速计的性能。     

石英挠性加速度计的温场分析

利用有限元法对大量程二元脉冲调宽石英挠性加速度计因力矩线圈发热而造成的内部温场变化进行了分析，从理论上计算出温场的分布情况和变化情况，并通过对温度误差的分析，阐述了提高温度特性的有效途径，为加速度计的热设计和温度补偿提供理论依据．     

石英挠性加速度计的误差补偿模型的研究

为了确保捷联惯导系统中加速度计的性能,研究了CHJN-2A石英挠性加速度计的静态输出特性.通过大量的重复性静态实验测试,分析了石英挠性加速度计的误差来源,并建立了影响导航系统定位精度的主要误差补偿的数学模型.结果表明,CHJN-2A石英挠性加速度计的输出特性具有较好的重复性,可以通过软件进行补偿提高它的精度.     

环形激光陀螺的零偏热效应补偿模型

热效应对激光陀螺零偏的影响非常明显且难以精确建模。根据对环形激光陀螺的大量温度试验的数据,分析了温度变化、温度梯度与温变速率对陀螺零偏漂移影响的规律,进而提出了一种适用于工程应用的环形激光陀螺的零偏热效应补偿方法。经试验验证,此模型能在一定程度上改善热效应对环形激光陀螺零偏稳定性的影响,为建立最后的误差补偿模型,进一步提高环形激光陀螺的精度打下基础。     

针对通信社会网络的时间序列链接预测算法

已有静态链接预测主要采用覆盖图表示社会网络,利用链接之间的结构信息来预测链接的发生。然而,这些方法仅能预测新链接的发生,而对旧链接的重复发生没有做预测,因此不适合预测重复发生的链接是主要兴趣的应用领域。针对静态链接预测算法的不足,引入时间序列链接预测算法,并且组合静态和时间序列链接预测算法为混合时间序列链接预测算法。在Enron电子邮件数据集上的实验结果表明,时间序列链接预测算法性能优于静态链接预测,混合时间序列链接预测算法的预测性能比单独使用静态或时间序列链接预测算法都要优越。     

基于小波变换和ARMA-LSSVM的忙时话务量预测

为提高受多种因素影响的话务量数据的预测精度和稳定性,提出一种考虑多因素影响的基于小波变换和自回归滑动平均(ARMA)-最小二乘支持向量机(LSSVM)的话务量组合预测模型。对忙时话务量数据进行相关性分析,得出影响话务量的重要因子;利用小波变换对数据进行分解和重构,得到低频分量和高频分量;将低频分量输入ARMA模型进行预测,将高频分量和话务量重要影响因子输入粒子群算法优化的LSSVM模型进行预测,将两组预测结果合成。实验结果表明,该模型进一步提高了预测精度和稳定性。     

多方向振动测试的石英挠性加速度计高阶误差系数辨识

高精度的误差系数可准确评价加速度计的精度与性能,从石英挠性加速度计误差模型入手,对其进行多方向振动测试试验,利用总体最小二乘（TLS）算法辨识加速度计模型方程中的高阶误差系数,建立较高精度的加速度计数学误差模型。为验证算法的有效性及所实施试验的可靠性,和传统重力场多点测试辨识加速度计参数方法作对比,同时,提出误差系数和决定系数两个指标来评价振动测试的辨识效果。结果表明：采用多方向振动测试结合总体最小二乘算法方案所辨识出加速度计高阶误系数精度较高,在实践中具有较好的借鉴意义。     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

一种基于SARIMA-LSTM模型的电网主机负载预测方法

随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果。该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题。实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度。     

采样算子调整的径向基网络增量映射学习算法

为了提高增量映射学习(IPL)算法的效率,调整了径向基神经网络基函数的中心及方差,以达到调整采样算子的目的,同时,通过神经元函数相关性的计算,确定添加新神经元时,相关函数的阈值,为系统结构调整提供相应依据.新方法步骤相对简单,所以算法速度较快;仿真结果表明,由于系统参数得到调整,对于同一问题,改进IPL算法得到的径向基神经网络结构较一般算法得到的网络结构简单,输出结果也较为精确.     

基于QPSO-RBF NN的混沌时间序列预测

提出一种基于量子粒子群优化算法训练径向基函数神经网络进行混沌时间序列预测的新方法.在确定径向基函数网络的隐层节点数后,将相应网络的参数,包括隐层基函数中心、扩展常数,以及输出权值和偏移编码成学习算法中的粒子个体,在全局空间中搜索具有最优适应值的参数向量.实例仿真证实了该方法的有效性.     

基于径向基函数网络的浮游植物活体三维荧光光谱分类

将小波变换与神经网络相结合,对浮游植物活体的三维荧光光谱进行分类．首先利用小波变换对数据进行压缩,然后利用径向基函数（Radial Basis Function,RBF）神经网络对光谱曲线进行逼近,从而进行物种的识别,平均识别率高达95．8％．结果表明,该方法较传统的统计方法更方便、准确率更高．