随机漂移

摘要： MEMS陀螺仪测量输出中的随机噪声是影响惯性导航精度的关键因素,为了探寻软件降噪的可行性,文章将时间序列分析理论应用于陀螺仪随机漂移误差的建模.以某MEMS惯性测量单元的实测数据为基础,对MEMS陀螺仪随机漂移建模过程进行了研究,试验结果表明所述方法能够有效降低陀螺仪测量噪声,提高测量准确度.

摘要： 针对Lennard-Jones(LJ)原子簇的结构优化问题,提出一种基于种子的多种群多策略并行PSO(SS-MG-MS-PPSO).该算法使用种子策略(SS)初始化种群,再将初始化的种群划分为具有不同搜索策略(RDPSO和FC-RDPSO)的子种群独立并行进化,通过发挥不同搜索策略的优势从而找到原子簇的最优结构或近似最优结构.实验结果表明,SS-MG-MS-PPSO对于原子数在2到35之间的原子簇搜索到其最优或近似最优结构,且相比其他算法更为稳定、高效,为原子簇的结构优化提供了一种新的解决思路.

摘要： 为了提高MEMS陀螺仪随机漂移序列的预测精度,提出了一种基于经验模态分解(EMD)和支撑向量回归(SVR)的多尺度预测模型.首先,通过EMD分解,将原始漂移序列分解为有限个频率逐级递减的本征模函数(IMF).然后,根据每个IMF的时频特性,分别进行相空间重构并建立SVR预测模型.最后,将各IMF的预测结果等权相加得到最终预测结果.实验结果表明,提出的模型能够有效预测MEMS陀螺仪的随机漂移,且相比于单一的SVR模型具有更高的预测精度,可为MEMS陀螺仪漂移误差补偿提供依据.

摘要： 针对MEMS陀螺误差大的问题,提出了机载灵巧弹药MEMS陀螺漂移的快速估计算法.首先建立简化MEMS陀螺误差模型,提出HMM/RLS算法的零时延随机漂移处理算法,以解决FIR、HMM/KF等处理方法在滤波时延和效果上的矛盾.然后由弹载MEMS陀螺测量误差和安装角误差耦合得到参数区别,由此推导出快速MEMS陀螺零偏快速两点估计算法.该算法能在2.5 s内完成对MEMS陀螺零偏的估计补偿,其估计准确度达到90％以上.数学仿真和靶试数据处理的结果表明:HMM/RLS可以达到随机漂移处理的零时延,并兼顾了滤波时延和带宽.

摘要： 针对MEMS陀螺仪的输出随机漂移误差影响测量精度的问题,提出一种改进的卡尔曼滤波方法进行MEMS陀螺仪误差补偿.传统的卡尔曼滤波方法是针对时域内的随机序列采用统计特性进行递推估计,从而得到测量所需要的信号.本文在传统卡尔曼滤波算法的基础上引入衰减因子和差分控制项,以此自适应地估计卡尔曼滤波量测噪声方差,并结合硬件系统将该算法进行静态性能试验和动态性能试验,使用Allan方差分析法对原始陀螺仪信号以及误差补偿后的陀螺仪信号进行对比分析.对比数据结果表明,陀螺仪静态随机误差得到了有效的抑制,从而验证了该算法在陀螺仪静态数据处理方面具有一定的应用价值.

摘要： 针对微机电系统陀螺易受环境影响和稳定性能较差,导致建立的随机漂移模型参数和随机噪声统计特性变化的问题,提出了一种改进的指数渐消记忆自适应Kalman实时滤波方法.通过分析实测数据确定随机漂移自回归滑动平均模型阶数,在此基础上利用递推最小二乘法对模型参数进行实时更新.根据陀螺噪声参数特点,提出了基于渐消记忆因子的Allan方差分析法和Sage-Husa自适应滤波算法同时对Q和R进行参数估计的实时滤波方法,避免了系统状态估计和量测噪声参数估计的相互耦合和制约.实验结果表明:相比标准Kalman滤波补偿方法及传统的固定Q阵只对R阵做自适应估计的滤波方法,本文方法能够更加有效地对MEMS陀螺随机漂移误差进行实时补偿,具有较好的适应性和稳定性.

摘要： MEMS gyro random drift is the main cause of MEMS inertial navigation accuracy. In order to improve the accuracy of MEMS gyroscope,the ARMA model of gyroscope is established by time series analysis method. Then the linear KF(Kalman Filter)is used to process the gyro random signal. The MEMS gyro component is built,and the three axis turntable experiment is carried out,and the gyro signal is processed by KF. Allan variance analysis shows that the zero bias instability is improved by 18.7％ after linear KF filtering.%MEMS陀螺随机漂移是影响MEMS惯性导航精度的主要原因.为提高MEMS陀螺使用精度,通过时间序列分析方法,建立MEMS陀螺角速率信号ARMA模型,进而利用线性KF(Kalman Filter)滤波方法处理陀螺角速率信号.通过搭建MEMS陀螺组件,进行三轴精密转台实验,将得采存陀螺信号进行KF滤波处理.利用Allan方差分析滤波前后MEMS陀螺角速率信号,结果表明陀螺仪零偏不稳定性经KF滤波后提升18.7％.

摘要： 光纤陀螺随机漂移具有一定的非线性和复杂性,传统的自回归模型(AR)和自回归滑动平均模型(ARMA)要求时间序列必须是平稳的、正态分布的零均值序列;混沌模型时间序列具有非线性非平稳的特征与光纤陀螺随机漂移时间序列相吻合,在混沌模型的基础上进行数据处理,提高模型的预测精度.基于混沌理论的相空间重构将一维的随机漂移时间序列嵌入一个高维的辅助空间中,恢复出其隐藏的规律,重构参数借助C-C法确定.依据最大Lyapunov指数进行定量分析,依据相空间图进行定性分析,分析结果表明,光纤陀螺随机漂移具有混沌特性.

摘要： MEMS陀螺随机漂移误差是制约惯性导航精度的关键因素,该文所设计的方法主要为了能够提升陀螺漂移精度.首先针对标准Kalman滤波器陀螺漂移处理方法中,随机动态系统的结构参数和噪声统计特性参数不准确的问题,采用自适应SHAKF(Sage-Husa Adaptive Kalman Filter)滤波器进行参数实时估计,然后通过建立了ARMA随机误差模型,搭建了MEMS陀螺组件实验系统,通过高精度三轴转台静态测试采集陀螺数据.Aallan方差分析表明,零偏不稳定性经线性KF滤波后提升17.4％,经自适应SHAKF滤波后提升26.2％.SHAKF滤波较标准Kalman滤波方式有明显优势.

摘要： 本文从工程实用的角度出发,探讨了MEMS陀螺随机漂移的补偿方法.首先,基于时间序列分析的基本原理,对采集的原始数据进行分析预处理得到随机漂移信号.然后,建立MEMS陀螺的随机漂移的ARMA模型并根据所建立的时间序列模型进行卡尔曼滤波.卡尔曼滤波对MEMS实测数据的误差补偿结果表明,提出的滤波方法在静态条件和恒定速率下都是有效的.

摘要： 挠性陀螺仪固定位置随机漂移的测试通常遵循GJB1183－91惯性导航系统用动力调谐陀螺仪通用规范,在工程设计中发现一种用于测定载体速率姿态的挠性陀螺仪无法按GJB1183测定陀螺力矩器标度因数,致使固定位置随机漂移不能测试。本文将GJB1183与GJB669所规定的内容结合在一起,准确测定了该类陀螺的固定位置随机漂移,解决了实际工程问题,值得推广。

摘要： 对陀螺随机漂移AR(P)时变模型的辨识方法和自校正控制进行了探讨,用渐消因子的最小二乘法和广义最小方差控制算法对陀螺随机漂移进行了自校正控制.数据仿真结果表明了该方法的可行性,对陀螺随机漂移能起到较好的控制补偿作用.

摘要： 该文对陀螺随机漂移AR模型的辨识方法进行了探讨，对一次采样数据用Levinson-Durbin递推算法确定了模型阶数，用渐消因子的最小二乘法对陀螺随机漂移进行了实时在线参数辩识。仿真结果表明方法可，能较好辩识模型的阶数和参数。

摘要： 针对光纤陀螺系统动态、慢时变的特点，建立AR模型，并运用递推最小二乘法和kalman滤波法实时估计模型参数；对实测光纤陀螺随机漂移建模研究表明，模型预测能力较强，对后期滤波有较大意义。

摘要： 各种随机噪声是导致激光陀螺产生误差的主要因素，且其性质特殊，很难用传统的滤波方法去除。为了抑制激光陀螺的随机漂移，提高使用精度，提出了一种新型经验模态分解方法对陀螺随机漂移测试信号进行滤波处理。该方法将经验模态分解的内模函数中两个相邻过零点之间的信号定义为模态单元，并以之作为基本分析对象，通过对模态单元振幅的阈值处理来判断模态单元的类型，进而建立模态单元滤波模型。分析了经验模态分解法在分解不同Hurst指数分形高斯噪声时模态振幅的演化规律，并建立了一种用于高斯消噪的阈值选取规则。运用该方法对激光陀螺测试数据进行了滤波降噪实验，并用Allan方差法对不同降噪算法的降噪效果进行了比较分析，实验结果验证了该方法的有效性和优越性。

摘要： 在惯导系统中,陀螺仪精度是系统精度的重要指标之一,而陀螺仪随机漂移是影响陀螺精度的重要误差源,因而研究陀螺仪随机漂移对提高陀螺仪精度有着重要的意义.本文提出一种BP自适应模糊辨识法及其辨识过程,它充分利用了语言信息与数据信息,在线反向传播学习,实现对陀螺仪的随机误差的高精度辨识,使数据辨识的均方误差达到最小.通过仿真实验,证明了利用BP自适应模糊方法对陀螺仪随机漂移进行辨识具有较高的精度和良好的应用价值。

摘要： 作为新一代的光学陀螺仪,光纤陀螺的性能决定着陀螺惯性系统的精度,为了提高光纤陀螺的精度,本文详细分析了陀螺随机漂移的统计特性,对实际采集的陀螺漂移信号进行了分析、建模,同时采用kalman滤波,对陀螺随机漂移进行了补偿仿真,结果表明用AR模型描述陀螺随机漂移是合适的.

摘要： 本文在对光纤陀螺的特性介绍的基础上,采用时间序列方法建立陀螺在恒定温度下漂移的数学模型,采用卡尔曼滤波的方法对光纤陀螺的随机漂移数据进行了处理,并采用Allan方差分析和频谱分析的方法,对滤波的结果进行了分析.分析结果表明针对每次陀螺启动随机漂移,基于时间序列模型的卡尔曼滤波可以有效的提高光纤陀螺的精度,但是模型不具有普遍性,并提出了相应的改进办法.

摘要： 本文提出了一种基于阵列数据融合的虚拟陀螺技术来提高微机械陀螺的精度.其将多个同类型的陀螺组合形成阵列.采用Allan方差方法提取微机械陀螺的速率随机游走、角度随机游走等噪声,并利用阵列陀螺间同类噪声的相关性建立卡尔曼滤波器的系统噪声方差阵及量测噪声方差阵,设计实现了静态和动态两种最优滤波器对陀螺的输出进行最优估计.实验结果显示:三个偏置稳定性为35 deg/hr的微陀螺经静态、动态滤波后,所形成的虚拟陀螺偏置稳定性分别降至0.15 deg/hr和20deg/hr,表明该虚拟陀螺技术可有效提高微机械陀螺的精度.

摘要： 本发明公布了一种基于随机矩形模拟的绿潮漂移扩散方法，涉及遥感、生物学、海洋动力学领域，其基本步骤为：利用遥感影像提取的绿潮分布作为数值模拟的初始状态，采用温度函数建立绿潮的生物学特征模块，借助拉格朗日漂移方法实现数值模型的驱动。相比于传统的数值模拟方法，该模型的精度有了大幅的提升。

摘要： 本发明公布了一种基于随机矩形模拟的绿潮漂移扩散方法，涉及遥感、生物学、海洋动力学领域，其基本步骤为：利用遥感影像提取的绿潮分布作为数值模拟的初始状态，采用温度函数建立绿潮的生物学特征模块，借助拉格朗日漂移方法实现数值模型的驱动。相比于传统的数值模拟方法，该模型的精度有了大幅的提升。

摘要： 训练神经随机微分方程的神经漂移网络和神经扩散网络的设备和方法。根据各种实施方式提供一种用于训练神经随机微分方程的神经漂移网络和神经扩散网络的方法。该方法具有：从训练传感器数据中绘制训练轨迹，基于所述训练数据点，所述训练轨迹针对初始时间点包含所述训练数据点，借助于神经网络为所述预测时间点序列的每个预测时间点确定在该预测时间点的数据点均值和数据点协方差。该方法还具有确定由所确定的数据点均值和所确定的数据点协方差给出的预测时间点的数据点分布提供在预测时间点的训练数据点这一概率对所述神经漂移网络和所述神经扩散网络的权重的依赖性，以及适配所述神经漂移网络和所述神经扩散网络以提高所述概率。

摘要： 本发明是一种基于ARMA和BPNN组合模型的MIMU陀螺随机误差预测方法，主要包括：步骤一：在静止的状态下采集单轴微陀螺仪的随机漂移数据，通过观察自相关参数ACF和偏相关参数PACF的图形特性判断陀螺原始数据序列的平稳性，进行ADF单位根的检验，经过差分剔除序列的趋势项后得到平稳的数据。步骤二：采用AIC最小准则法对陀螺平稳序列进行模型定阶，构建陀螺漂移平稳序列的ARMA模型。步骤三：使用组合模型对陀螺的随机漂移序列进行建模，从步骤二的ARMA模型的误差数据中选取训练集和测试集，建立BP神经网络预测模型，设置BP神经网络的结构。步骤四：对所建BP神经网络模型的样本数据进行训练，并保存陀螺随机漂移的预测结果。

摘要： 本发明公开了一种基于GWO‑Elman算法的半球谐振陀螺随机漂移误差预测方法，首先利用固有时间尺度分解方法对半球谐振陀螺的输出信号进行分解，分解为高频噪声信号和低频漂移信号，然后利用低频漂移信号训练GWO‑Elman模型，从而去有效的预测半球谐振陀螺的随机漂移信号，本方法使用灰狼优化(GWO)算法对Elman神经网络参数寻优，建立最佳的半球谐振陀螺随机漂移误差预测模型，实现对陀螺低频漂移信号的实时预测并进行了补偿，避免了由于盲目随机性而导致得模型训练过程中收敛不稳定的问题，使模型的收敛速率变快，提高了预测精度。

摘要： 本发明公开了一种基于图优化的MEMS陀螺仪随机漂移误差补偿方法，该方法步骤如下：使用单轴速率转台采集MEMS陀螺仪1800±10s静态数据，对得到的原始数据进行预处理操作，包括去除奇异值、常值项、趋势项，以及数据平稳性和正态性检验；对预处理后的数据进行自相关特性和偏相关特性的分析，利用AIC、BIC准则对时间序列的ARMA模型进行定阶后，使用矩估计方法对ARMA模型进行参数识别并建模；建立线性离散的图优化状态模型和量测模型，并使用Levenberg‑Marquart的图优化计算方法对MEMS陀螺仪随机漂移误差进行计算并进行补偿。本发明具有高效准确、计算量小的优点。

摘要： 本发明公开了一种车载MEMS陀螺仪随机漂移误差的抑制方法。该算法对车载MEMS陀螺仪传感器输出数据进行建模与滤波，以此来提高车载MEMS陀螺仪传感器输出数据的准确性和稳定性。针对对车载MEMS陀螺仪传感器输出数据存在较大误差的问题，本发明首先采用单位根检验法对选取的MEMS陀螺仪输出数据的平稳性进行检验，通过MEMS陀螺仪输出数据的自相关系数图和偏相关系数图的变化特点，并且结合最小信息准则，构建出时间序列ARMA模型；随后对ARMA模型应用于离散卡尔曼滤波方程，得到滤波处理后的数据；最后，通过实验验证本文开发的算法的有效性。该方法有效的抑制陀螺仪的随机误差，提高其输出信号的信噪比。

摘要： 本发明公开了一种利用改进动态递归网络对MEMS陀螺的随机漂移进行建模的方法，该方法引入去噪算法将MEMS陀螺输出中的高频白噪声和低频随机漂移进行分离，采用改进动态递归网络对去噪处理后的随机漂移进行训练，建立非平稳漂移序列过去与当前时刻之间的模型关系，增加输出层节点反馈以改进网络结构，实现对陀螺随机漂移变化趋势的实时预测，有效提升了MEMS惯导系统的精度。

摘要： 本发明是一种基于ARMA和BPNN组合模型的MIMU陀螺随机误差预测方法，主要包括：步骤一：在静止的状态下采集单轴微陀螺仪的随机漂移数据，通过观察自相关参数ACF和偏相关参数PACF的图形特性判断陀螺原始数据序列的平稳性，进行ADF单位根的检验，经过差分剔除序列的趋势项后得到平稳的数据。步骤二：采用AIC最小准则法对陀螺平稳序列进行模型定阶，构建陀螺漂移平稳序列的ARMA模型。步骤三：使用组合模型对陀螺的随机漂移序列进行建模，从步骤二的ARMA模型的误差数据中选取训练集和测试集，建立BP神经网络预测模型，设置BP神经网络的结构。步骤四：对所建BP神经网络模型的样本数据进行训练，并保存陀螺随机漂移的预测结果。

摘要： 本发明公开了一种具有冯·诺依曼拓扑结构的随机漂移粒子群优化方法。针对生物网络如合成基因回路建模，需要建立生物系统的微分方程模型并根据观测值推理模型参数。参数计算过程首先需要定义合适的目标函数和约束条件，同时需要得到优化算法的支持。本发明将微分方程的参数估计等价为带有微分‑代数约束的非线性规划问题，通过寻找合适参数集来拟合量测数据。针对参数估计过程的寻优计算易陷入局部最优的局限性，该发明在随机漂移粒子群优化算法中引入冯·诺依曼结构，以增强全局搜索能力。该改进算法针对全连接的全局拓扑结构的局限性进行改进，采用局部拓扑结构作为粒子间的信息共享方式，增强算法全局搜索能力，能够给出可信度高的模型参数。