改进支持向量机的光纤陀螺温度漂移补偿方法

温度漂移是影响光纤陀螺精度的主要因素之一,温度漂移建模和补偿是消除和减小温度漂移的有效方法。首先分析了影响光纤陀螺温度漂移的关键因素,同时进行了光纤陀螺温度漂移测试实验。然后采用泛化能力较神经网络更好的支持向量机对光纤陀螺温度漂移进行回归、建模,其中支持向量机的核函数采用了具有更好数据集适应性的径向基核函数。为了提高支持向量机的建模精度,引入人工鱼群算法对支持向量机的核心参数C（惩罚系数）和核函数的参数进行寻优。最后,使用实际的光纤陀螺温度漂移数据对提出的补偿方法进行实验验证,结果表明采用该方法补偿后的剩余光纤陀螺误差较采用线性回归方法减小了四五个数量级。     

PSO优化SVM的MEMS陀螺温度零偏补偿

针对微机械陀螺零偏受温度影响较大的问题,提出一种粒子群优化(PSO)算法和支持向量机(SVM)相结合的陀螺零偏温度补偿方法。首先,将平滑处理后的陀螺数据作为样本点,采用基于径向基核函数的支持向量机方法构建漂移模型,把数据从低维空间映射到高维空间,并进行线性拟合,保证泛化能力。然后,利用粒子群算法对支持向量机的惩罚参数、核函数参数以及不敏感系数进行优化,避免了人为选择参数的盲目性且提高了建立模型的精度。实验结果表明:经PSO调节支持向量机算法补偿后,陀螺输出精度更高;与最小二乘法、BP神经网络法相比,陀螺输出数据方差分别减小了81.3%和57%,最大误差分别减小54.7%和48.5%。     

支持向量机的装备关重件需求预测

关重件是影响装备战备完好性的重要因素,准确的需求预测可以极大地提高装备的保障能力。基于支持向量机预测方法,构建了关重件需求时间序列预测模型,建立了预测需求是否发生和需求量准确度的二维预测结果误差评价机制,预测结果表明支持向量机的需求预测方法精度较高。     

基于LSSVM的激光陀螺随机误差系数预测

激光陀螺是一种具有广阔应用前景的新型惯性器件.为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了最小二乘支持向量机预测激光陀螺随机误差系数的新方法.采用遗传算法进行支持向量机参数的自动选取,提出了基于遗传优化的最小二乘支持向量机回归预测算法,并对激光陀螺随机误差系数进行了预测实验.实验结果表明,基于遗传算法的最小二乘支持向量机的预测精度更高.另外,研究了回归步长对预测效果的影响.预测结果表明,不同的回归步长对预测结果有较大的影响.     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

用支持向量机网络实现VBR视频通信量的预测

VBR(Variable Bit Rate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测是提高信息传输速度和提高网络带宽资源利用效率的重要手段.针对以上问题,本文提出了一种用于VBR视频通信量预测的差分输入支持向量机(SVM:Support Vector Machine)网络模型.该网络模型采用结构风险最小化准则,在最小化经验风险的同时,尽量缩小模型预测误差的上界,从而使网络模型具有更好的推广能力.实验结果表明:支持向量机网络模型的预测误差为0.0018,而梯度径向基函数(Gradient Radial Basis Function:GRBF)神经网络模型的预测误差为0.0029.可以看出,支持向量机网络模型的预测精度要比GRBF网络模型的预测精度高出大约40%.     

基于OpenCV的电力负荷预测

针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型。通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度。     

基于主成分分析的支持向量机回归预测模型

首先利用主成分分析法降低样本数据的维数,建立主成分的多元回归预测模型,其次利用支持向量机方法确定回归模型的系数,最后实例说明了该模型具有较高预测精度.     

粒子群算法支持向量机的半监督回归

将基于粒子群算法的支持向量机与半监督学习理论相结合,提出了粒子群算法支持向量机的半监督回归模型。针对典型的实验数据集进行实验,并将实验结果与常规的遗传算法支持向量机和粒子群支持向量机模型进行对比。实验结果表明,粒子群算法支持半监督回归模型明显提高了回归估计的精度。     

捷联陀螺漂移误差系数预测方法研究

针对目前通用的均值估计法和AR（P）模型直接预测法对捷联陀螺漂移误差系数预测精度不高的情况,对AR（P）模型直接预测法进行了改进,建立了基于误差系数漂移量的AR（P）模型,首先预测漂移量,进而预测出漂移误差系数值。通过仿真实例对3种方法的预测效果进行比较分析,结果证明本文提出的预测方法优于目前通用的两种预测方法。     

基于离散曲波变换和支持向量机的掌纹识别方法

提出了一种基于离散曲波变换和支持向量机的掌纹识别方法.首先将所有掌纹样本图像和测试图像通过基于Wrapping的快速离散曲波变换进行分解,从而获得不同尺度、不同角度的曲波变换系数;掌纹重要特征信息包含在曲波变换分解系数中的低频系数中,因此将分解系数变换形成特征向量后作为特征参数送入支持向量机中进行学习训练;最后将训练好的支持向量机用于掌纹分类.基于香港理工大学Palmprint掌纹数据库进行了大量实验,实验结果证实所提方法的识别正确率相对优于小波变换方法和其它几种经典方法.     

基于主惯导的小型陀螺组合仪研究

为了解决基于微机械陀螺的导航系统精度不高的问题,该文研究了基于机载主惯导的小型陀螺组合仪,其体积较小,成本较低。通过机载主惯导传递的导航信息进行传递对准。使用欧拉角法,利用主惯导传递的信息来估计陀螺的误差,提高了陀螺的精度。用于某型无人机雷达系统上,实现了雷达天线的稳定控制。     

SVM技术与ANN方法对旋转机械故障诊断性能的比较

论述了基于支持向量机故障诊断技术的基本原理;介绍了传统的基于人工神经网络的故障诊断方法;以旋转机械故障诊断为例对两种诊断方法进行了比较,实验结果表明,与神经网络相比,基于支持向量机的故障诊断方法在训练速度、诊断精度、可靠性等方面都表现出了优越的诊断性能。     

Si MEMS陀螺仪的正交耦合补偿技术

为了减小正交耦合误差对硅微电子机械系统(MEMS)陀螺仪性能的影响,提高陀螺仪零偏精度,对MEMS陀螺仪正交耦合补偿技术进行研究.建立MEMS陀螺仪动力学模型,分析正交耦合产生的原因,介绍了各类正交耦合补偿机理.设计了一款可实现静电刚度补偿的MEMS陀螺仪,并利用绝缘体上硅(SOI)工艺进行制备.利用现场可编程门阵列(...     

连续旋转型光纤捷联惯导系统角速度误差补偿

旋转调制技术在有效抑制惯性器件漂移的同时,也使测量误差更加复杂,只有对这些误差进行补偿,才能发挥旋转调制的效果。为此分析了光纤陀螺敏感轴与旋转轴间不正交角、旋转轴涡动、时间不同步量、敏感轴间不正交角等误差造成的影响,建立了各自的误差补偿模型,并设计了一种基于单轴转台和单元体自身旋转的误差标定方法。结果显示,温补后的敏感轴与旋转轴之间不正交角标定精度优于0.2″,敏感轴之间不正交角标定精度优于1.4″,时间不同步量的标定精度优于0.06ms,经旋转调制和误差补偿后的等效光纤陀螺漂移由0.050°/h改善至0.015°/h。为低成本高精度惯导系统的实现建立了基础。     

基于小波变换与支持向量机回归的冬小麦叶面积指数估算

叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT),然后利用小波系数与LAI 建立支持向量机回归(SVR)模型,实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明:利用连续小波变换确定的LAI 的敏感波段为680、739、802、895 nm,对应尺度分别为8、4、9 和8,对应小波系数的LAI 回归确定系数(R2)明显高于冠层反射率的回归确定系数;利用小波系数与LAI 建立的SVR 模型的反演精度最高,模型实测值与预测值的检验精度(R2)为0.86,均方根误差(RMSE)为0.43;而常用植被指数(归一化植被指数,NDVI;比值植被指数,RVI)建立的估测模型对冬小麦多个生育时期LAI 反演精度最低(R2 0.76,RMSE0.56)。因此利用连续小波变换进行数据预处理,能更好地筛选出对叶面积指数敏感的信息,LAI 回归方法比较结果表明,SVR 比PLS 更适合于LAI 的估测,通过将CWT 与SVR 结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。     

一种基于双轴位置转台的现场标定方法

针对激光陀螺捷联惯性测量单元(LSIMU)的系数会随时间变化的问题,基于双轴位置转台提出一种激光陀螺的现场标定新方法。该方法在3个位置对激光陀螺进行标定,根据其标定模型建立9个方程,通过正反旋转消除地球自转角速度在非转动轴上的影响,以及常值漂移在各个输出轴上的影响,最后求解出激光陀螺的标度因数和安装误差。实验结果表明,该方法可在缺乏高精度速率转台的条件下完成激光陀螺的标定,其精度与传统实验方法精度相当,缩短了标定时间。     

基于改进型鲸鱼优化算法和最小二乘支持向量机的炼钢终点预测模型研究

终点碳含量是决定钢质量的关键因素,是转炉炼钢过程中需要控制的核心变量之一.本文建立了一种基于莱维飞行的鲸鱼优化算法（Levy Whale Optimization Algorithm,LWOA）和最小二乘向量机（Least Squares Support Vector Machine,LSSVM）的钢水终点碳含量综合预测模型.通过莱维飞行代替了传统鲸鱼优化算法（Whale Optimization Algorithm,WOA）参数的随机选择,优化了鲸鱼算法中跳出局部最优的能力;借助改变鲸鱼算法的系数向量收敛方式明显提高了鲸鱼优化算法的泛化能力、预测精度和收敛速度.数据仿真结果表明,所提出的LWOA-LSSVM预测模型,不仅能够克服局部寻优获取全局最优解,而且具有快速的收敛速度和更高的预测精度,得出预测结果的均方根误差、平均绝对误差和平均绝对百分比误差与遗传算法BP神经网络、遗传算法最小二乘支持向量机和传统鲸鱼算法最小二乘支持向量机相比均有着明显提高.同时,通过调整目标命中率和训练输入样本量验证了预测模型具有更好的鲁棒性.