基于平稳时间序列分析方法的陀螺漂移预测

采用经典时间序列分析理论,建立了完整的时序预测模型,运用于陀螺漂移平稳时间序列的预测.通过仿真实验结果,证明了该方法的有效性和可行性.     

基于平稳时间序列分析方法的陀螺漂移预测

采用经典时间序列分析理论，建立了完整的时序预测模型，运用于陀螺漂移平稳时间序列的预测。通过仿真实验结果，证明了该方法的有效性和可行性。     

基于小波和时间序列分析的陀螺随机漂移建模研究

文中在综合分析已有的陀螺随机漂移建模方法基础上,针对陀螺随机漂移为弱的非平稳随机序列的特点,提出了先用小波分析对测试数据在频域上进行分层处理,再用时间序列分析对分层后的数据进行分别建模的新方法.仿真分析表明,运用本方法建立陀螺随机漂移模型,具有准确、快速、实用等特点.     

光纤陀螺随机漂移时间序列建模研究

随机漂移是影响光纤陀螺(FOG)导航精度的重要因素,建立数学模型并进行补偿是一种减小其影响的简易而有效的方法。首先通过分析FOG输出序列的自相关函数,得出其时间相关性呈较弱现象,继而分别使用Yule-Walker算法及最小二乘法求出线性AR及非线性AR(NAR)模型参数,最后比较各模型的滤波效果以确定要采用的模型及其阶数,并进行模型适用性检验。验证结果表明,AR(1)与NAR(1)模型均适合FOG随机漂移的建模及实时滤波,且能较好改善其零偏稳定性。     

卡尔曼滤波在陀螺漂移时间序列模型中的应用

针对MEMS陀螺精度不高、随机漂移过大,提出了一种提高精度的方法。利用时间序列分析法建立模型,用Matlab进行参数估计及检验,最后基于该模型设计了卡尔曼滤波器对其进行误差补偿。对某三轴MEMS陀螺的实测动态数据运用上述建立的模型和滤波方法进行仿真。结果表明:该方法有效的减小了随机误差,明显的降低了随机漂移,从而提高了导航精度。     

激光陀螺漂移的非平稳随机信号建模

利用实测的激光陀螺漂移数据,采用时间序列分析和系统辨识方法对陀螺漂移进行深入的分析.研究内容包括陀螺漂移数据的采集、数据的统计分析与预处理、平稳性检验及相关函数分析、模型形式的选取及模型参数的估计、模型的适用性检验等问题.通过以上的分析和研究,最终建立了激光陀螺漂移的数学模型,为激光陀螺漂移的补偿及为惯性组合导航研究奠定了基础.     

基于PC／104总线的陀螺漂移性能预测系统设计

陀螺仪是惯性导航系统的核心器件，陀螺漂移（包括常值漂移和随机漂移）影响着陀螺仪的工作精度。简要介绍了PC／104总线，在此基础上设计了陀螺漂移性能预测系统，分析了各个模块的作用。该系统具有快速准确的预测陀螺漂移性能，对提高整个导航系统的精度有着十分重要的意义。     

基于PC/104总线的陀螺漂移性能预测系统设计

陀螺仪是惯性导航系统的核心器件,陀螺漂移(包括常值漂移和随机漂移)影响着陀螺仪的工作精度.简要介绍了PC/104总线,在此基础上设计了陀螺漂移性能预测系统,分析了各个模块的作用.该系统具有快速准确的预测陀螺漂移性能,对提高整个导航系统的精度有着十分重要的意义.     

激光陀螺漂移的非平稳随机信号建模

利用实测的激光陀螺漂移数据，采用时间序列分析和系统辨识方法对陀螺漂移进行深入的分析。研究内容包括陀螺漂移数据的采集、数据的统计分析与预处理、平稳性检验及相关函数分析、模型形式的选取及模型参数的估计、模型的适用性检验等问题。通过以上的分析和研究，最终建立了激光陀螺漂移的数学模型，为激光陀螺漂移的补偿及为惯性组合导航研究奠定了基础。     

小波分析在微机械陀螺随机漂移建模中的应用

对陀螺随机漂移建模之前需要先对信号进行预处理。传统的预处理方法是逐步回归法,其对陀螺漂移趋势项的提取相当烦琐,且往往会产生模型误差。基于此种情况,研究了基于小波分析的信号趋势项提取方法,实现对微机械陀螺漂移趋势项以小波系形式加以提取。最后对预处理后的数据用时间序列分析法建模。试验结果表明,此方法简单易行且建模精度明显优于传统方法。     

时间序列预测的发展与应用

为了给运载火箭测试数据预测问题的研究打下基础,开辟研究思路,对时间序列预测方法进行研究。介绍了传统时间序列预测方法中的指数平滑法、季节模型和求和回归滑动平均模型的发展,重点阐述了时间序列预测的3类热门研究领域：多变量时间序列模型、模糊时间序列模型和组合预测模型,并通过文献介绍,分析了时间序列预测技术的应用与改进方向。     

模糊时间序列的最优预测方法

以模糊时间序列的 Ｆ Ａ Ｒ（ｐ ）为基础,建立了模糊时间序列的最优预测原则、计算原理及计算方法,探讨了实时预测途径,并通过仿真验证了所建立的最优预测方法的有效性。     

基于吸引子理论的导弹陀螺仪漂移混沌预测研究

针对导弹陀螺仪结构复杂、建立物理模型困难的问题,文中将混沌理论引入陀螺仪漂移预测.依据吸引子理论分析漂移数据,在得到漂移过程为近似混沌过程的基础上,用Wolf模型对未来漂移趋势进行预测,并通过灰色误差检验方法对预测方法和结果进行了评价.在保证预测精度的前提下,该方法具有无需知道陀螺物理模型的特点.通过对某型号导弹陀螺漂移仿真实验,证明了这种方法的有效性和实用性.     

基于混沌理论和BP 神经网络的某基地电力短期负荷预测

为了合理安排并优先保证军事基地中的电力调度问题,提出一种基于混沌时间序列和BP神经网络相结合的电力短期负荷预测方法。根据混沌理论及神经网络方法,先基于延迟坐标相空间重构技术,再应用互信息法和饱和关联维数法,选择延迟时间石和嵌入维数m,然后用BP神经网络来实现预测,并通过对海军某基地的电网的时间负荷序列进行实测仿真。仿真结果表明：相对误差均在5％vX内,且有33．3％的误差在1％以内,证明该预测方法具有较高的预测精度和应用价值。     

基于时间序列分析方法的FOG随机漂移建模与辨识

为了对光纤陀螺（FOG）随机漂移（启动漂移、慢变漂移和快变漂移）的各项参数进行快速有效的辨识，建立了含未知模型参数（慢变漂移的相关系数）的FOG随机漂移状态方程模型，通过对FOG随机漂移进行时间序列分析，辨识了未知的模型参数以及慢变漂移和快变漂移的白噪声方差，以卡尔曼滤波／平滑技术计算了FOG随机漂移的3项分量。对实测的FOG随机漂移数据进行了模型辨识与适用性检验，结果表明，该方法能够准确计算FOG随机漂移的各项参数和分量。通过建立FOG随机漂移的状态方程模型，首次将时间序列分析方法与卡尔曼滤波／平滑技术相结合，快速计算了启动漂移、慢变漂移的相关系数以及慢变漂移和快变漂移的白噪声方差，这对于修正FOG单独工作或与其他设备组合时的导航误差具有重要的参考价值。     

基于时间序列方法的自校正滤波器设计

文中设计了一种新的基于ARMA模型自校正卡尔曼滤波器，从而避免了经典卡尔曼滤波器需要精确知道系统的模型参数和噪声统计特性的缺点。仿真结果表明，在未知部分模型参数和噪声统计特性的情况下，自校正卡尔曼滤波器的滤波性能．非常接近稳态最优卡尔曼滤波器。且计算过程简单．并可以在线建模．适用于部分慢时变系统。     

基于时间序列法的半导体芯片生产需求预测

基于时间序列法的半导体芯片生产需求预测,通过LabVIEW编程,采用逆序及峰度偏度检验法对输入的历史信息进行数据预判,对符合条件数据序列进行模式识别.根据模型类用长自回归残差法进行参数估计,将AIC最小值定阶法、F定阶法和白度检验法结合进行精确定阶.以此建立符合实际生产需求的预测模型.     

基于ARMA时间序列模型的国防费预测

国防费预测是指对未来国防费的客观支出过程及其变动趋势的分析和测算。在判别国防费时间序列平稳 性的基础上,利用ADF 单位根方法检验时间序列的单整阶数,借助Eviews 统计软件构建我国国防费自回归AR 模 型和移动平均MA 模型,对我军未来5 a 的国防费进行预测分析。结果表明：该方法是可行的,能准确预测中短期 我军国防费水平,客观正确反映我国国防费增长规律。