基于模糊神经网络的MEMS陀螺温度漂移建模

微机电系统(MEMS)陀螺的温度漂移呈现复杂的非线性特性,常规的方法无法对其建模.本文提出了一种基于模糊神经网络(ANFIS)的陀螺温度漂移建模的方法,ANFIS具有良好的逼近非线性函数的能力,适合于非线性系统的建模.通过ANFIS对MEMS陀螺的温度漂移进行建模,经实测数据验证,该方法具有较好的效果.通过该模型的温度补偿算法,使MEMS陀螺的定位精度提高了20倍.     

函数型神经网络在捷联陀螺非线性估计中的应用

针对神经网络的强自学习性、自适应能力及非线性变换特性,结合陀螺静态漂移误差模型,采用函数型神经网络对捷联陀螺静态漂移误差系数进行了非线性估计,解决了捷联陀螺重复启动时的静态漂移误差系数的在线动态标定问题。     

近似非线性滤波在陀螺漂移误差模型辨识中的应用

提出了应用近似非线性滤波技术，辨识陀螺漂移误差模型的方法。这一方法可以由伺服法测试数据中分离出陀螺漂移误差曲线，并通过粗精两种估计，能精确地辨识出陀螺误差模型。对静电陀螺仪实验数据分析结果表明，文中提出的方法完全能满足高精度陀螺仪漂移误差模型的建模要求。     

基于模型预测的无人机组合陀螺在线标定

为解决无人机长时间航行时,由于环境等因素的变化,导致陀螺漂移、标度因数误差和陀螺安装轴不正交误差的问题,借助天文导航系统(CNS:Celestial Navigation System)提供的高精度姿态信息,基于四元数误差建立陀螺在线标定误差模型,提出一种基于模型预测的捷联惯性导航系统(SINS:Strap Down Inertial Navigation System)/CNS组合陀螺在线标定混合滤波方法.仿真结果表明,该方法能够很好地适用于在线标定,不仅满足标定精度要求,而且降低了滤波的计算量,提高了滤波的数值稳定性.     

陀螺稳定平台建模分析

建模分析是研究和设计陀螺稳定平台的关键步骤.合理的平台模型有助于分析误差来源并设计相应的控制策略,为研究制造高精度陀螺稳定平台提供基础.本文在阐述陀螺稳定平台的硬件组成和单轴控制结构的基础上.分析了误差源以及轴间耦合问题.针对非线性摩擦力、陀螺漂移和机械谐振3个平台误差重要来源,进行平台模型建立与分析方法的研究,并讨论平台其他环节的模型.基于以上分析,面向解耦后的单轴控制系统,建立一种综合性的模型.该模型为包括电流环、速度环、稳定环和位置环在内的四环控制系统,其中非线性摩擦力部分使用了LuGre摩擦模型,并分析整体模型的特点.为研究陀螺稳定平台模型及误差补偿策略提供了一种模块化建模分析的方法.     

基于模型预测的无人机组合陀螺在线标定

为解决无人机长时间航行时, 由于环境等因素的变化, 导致陀螺漂移、 标度因数误差和陀螺安装轴不正交误差的问题, 借助天文导航系统(CNS: Celestial Navigation System)提供的高精度姿态信息, 基于四元数误差建立陀螺在线标定误差模型, 提出一种基于模型预测的捷联惯性导航系统(SINS: Strap Down Inertial Navigation System)/CNS组合陀螺在线标定混合滤波方法。仿真结果表明, 该方法能够很好地适用于在线标定, 不仅满足标定精度要求, 而且降低了滤波的计算量, 提高了滤波的数值稳定性。     

光纤陀螺组件快速高精度标定方法

针对光纤陀螺组件标定周期长、程序复杂、参数重复性不好等问题,提出一种基于姿态误差的光纤陀螺组件快速、高精度标定方法.以最近一次的光纤陀螺标定参数作为初始值,在初始对准中估计陀螺漂移并对陀螺输出脉冲进行修正,推导标度因数误差和安装误差的标定误差与系统姿态误差之间的关系,以导航解算的姿态与转台提供的姿态之差作为观测量,设计光纤陀螺闭环标定路径,不断对标度因数和安装误差进行修正,并根据光纤陀螺器件精度和标定参数分辨率设计快速标定结束临界值ε.标定及导航实验结果表明:光纤陀螺组件快速、高精度标定方法可以完成3个标度因数和6个安装误差的计算,并大幅度提高系统定位精度.     

光纤陀螺标定误差对舰船捷联惯导系统的影响

为降低船用光纤陀螺标定误差对捷联惯导系统的影响,有针对性地提高光纤陀螺各标定参数的精度,采用将光纤陀螺标度因数误差、安装误差和零位误差进行分离的方法,推导出光纤陀螺三种标定误差与舰船角速率误差之间的函数关系,将其分别代入舰船捷联惯导系统姿态误差方程进行误差分析.并将舰船摇摆运动下的导航误差与静止下的导航误差进行比较.研究结果表明:光纤陀螺零位误差等效于光纤陀螺漂移,舰船摇摆运动会激励光纤陀螺标度因数误差和安装误差的标定误差对系统的影响.     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.