共查询到18条相似文献,搜索用时 78 毫秒
1.
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. 相似文献
2.
3.
4.
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。 相似文献
5.
6.
7.
8.
石英挠性加速度计的温场分析 总被引:1,自引:0,他引:1
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. 相似文献
9.
石英挠性加速度计的误差补偿模型的研究 总被引:5,自引:1,他引:5
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. 相似文献
10.
11.
针对通信社会网络的时间序列链接预测算法 总被引:1,自引:0,他引:1
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。 相似文献
12.
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。 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.
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。 相似文献
16.
17.