基于相关向量机的MEMS陀螺仪随机漂移补偿

提出了一种基于相关向量机的MEMS陀螺仪随机漂移预测方法。针对MEMS陀螺仪随机漂移误差的非线性、不确定性等特点,建立了相关向量机预测模型,并采用EM算法获得模型的参数。针对随机漂移的混沌特性,利用相空间重构技术,将重构后的漂移序列作为输入变量进行模型的训练和预测。训练和测试结果均表明,该方法具有很好的预测效果,优于常用的时间序列分析法和支持向量机法。利用预测结果对随机漂移进行补偿,有效地提高了陀螺的使用精度。     

基于时间序列分析的Kalman滤波方法在MEMS陀螺仪随机漂移误差补偿中的应用研究

从工程实用的角度出发,探讨了MEMS陀螺仪随机漂移误差的有效补偿方法.首先采用时间序列分析的方法建立了MEMS陀螺仪的随机漂移误差模型,然后阐述了用基于时间序列模型的Kalman滤波方法减小该漂移误差的具体方法.对某MEMS陀螺仪实测数据的误差补偿结果表明,所介绍的滤波方法能够有效地抑制其漂移误差,提高MEMS陀螺仪在实际系统中使用精度.     

基于相空间重构和支持向量机的和弦识别

利用相空间重构方法提取和弦音频中非线性特征参量,将部分参量作为训练集来构造支持向量机（SVM）分类器,另一部分作为测试集进行识别效果的检验,仿真实验表明,基于相空间重构和支持向量机的方法能够有效地进行和弦的识别,可以进一步应用到连续的音乐识别当中。     

基于改进PSO优化LSSVM的MEMS陀螺随机漂移预测

提出一种基于改进粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）的MEMS陀螺随机漂移的预测模型建立方法。该方法首先应用最小二乘支持向量机对MEMS陀螺随机漂移建立预测模型,然后应用改进粒子群算法对该模型进行优化,最后应用参数优化后的LSSVM预测模型对随机漂移进行预测。该方法不仅解决了支持向量机训练速度慢和所需计算资源多的问题,而且文中提出的改进的惯性权值递减策略使PSO算法在全局或局部搜索能力上的侧重具有更好的适应度。实验结果表明,该预测模型可以有效地进行陀螺随机漂移的预测,且预测效果优于基本PSO优化的最小二乘支持向量机。     

多项式拟合在MEMS陀螺仪零点随机漂移抑制中的应用研究

MEMS(Micro-Electro-Mechanical Systems)传感器精度相对较低限制了其应用范围,从实际工程应用出发,针对MEMS陀螺仪零点随机漂移误差探讨了有效的补偿方法.推导了不同阶数拟合曲线的回归方程,根据实测MEMS陀螺零点数据对不同阶数拟合曲线的补偿效果进行对比,选取最优方案并通过跑车试验进行验证,证明该方法能够有效抑制陀螺仪零点漂移误差,提高微惯性导航系统的导航精度.     

基于卡尔曼滤波算法的MEMS陀螺仪误差补偿研究

为了补偿MEMS陀螺仪的漂移误差,本文采用了一种新的卡尔曼滤波算法。文中对MPU3050陀螺仪进行分析,提出其漂移模型。通过分析陀螺仪的误差,建立陀螺仪的误差模型。卡尔曼滤波的效果通过阿伦方差进行评估,与其他滤波算法比较,在MEMS陀螺仪中采用卡尔曼滤波算法可以有效的减少SCM（单片机）计算,并在转台上对陀螺仪进行测试。实验结果表明,结合误差模型和卡尔曼滤波算法可有有效的减少陀螺仪的漂移误差。     

基于支持向量机的测厚仪CS值电压漂移故障判定及处理

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的模式识别方法,SVM的基本思想是通过非线性变换将输入空间变换到一个高维空间,然后在这个新的空间中求取最优分类超平面。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。本文着重介绍选取SVM及其如何成功诊断处理钢厂轧机X射线测厚仪CS值电压自动漂移等故障的实例,实践理论与应用并重。     

基于支持向量机的混沌时间序列预测分析

混沌的特性决定了混沌系统很难长期预测,支持向量机有强大的学习能力,根据相空间重构理论用支持向量机建立预测模型对混沌时间序列进行短期预测。预测输出构建混沌吸引子来定性评价预测模型性能,同时与BP神经网络RBF神经网络构建的预测模型比较,计算预测模型的均方根误差定量地评价模型的性能。仿真结果表明,该方法具有较高的预测精度和泛化能力。     

MEMS陀螺仪静态漂移模型与滤波方法研究

针对移动机器人上安装的MEMS陀螺仪进行研究,根据MEMS陀螺仪的实测数据,分析了其噪声特性,采用时间序列分析方法建立MEMS陀螺仪漂移的AR模型,进而通过Kalman滤波降低随机噪声对MEMS陀螺仪精度的影响。仿真结果表明:静态漂移的建模和滤波方法对提高MEMS陀螺仪精度是有效的。     

基于支持向量机的网络舆情混沌预测

精确预测网络舆情发展趋势,对防止负面网络舆情对公共安全威胁具有重要意义,针对网络舆情变化的时变性、混沌性,提出一种基于支持向量机的网络舆情混沌预测模型（PHR-SVR）。证明了网络舆情具有混沌特性,根据Takens定理分别采用互信息法和G-P法确定延迟时间和嵌入维数重构网络舆情时间序列相空间;在相空间中,利用支持向量回归机（SVR）建立网络舆情预测模型,与其他预测模型进行对比实验。结果表明,相对于对比模型,PHR-SVR提高了网络舆情的预测精度和可靠性,预测结果具有一定实用价值。     

微机电陀螺随机漂移建模与卡尔曼滤波

微机电系统(MEMS)陀螺精度较低,严重影响制导火箭弹惯导系统的精度.为了减小MEMS陀螺的随机漂移,提高其精度使其满足简易制导火箭弹的精度要求,需要对陀螺信号进行滤波,MEMS陀螺随机漂移建模与补偿是其中的难点.针对上述问题,提出采用自回归移动平均(ARMA)分析的方法建立MEMS陀螺随机漂移模型,然后基于此模型对随机漂移信号进行卡尔曼(Kalman)滤波.对某MEMS陀螺在静止条件下的观测信号的滤波效果表明,ARMA模型拟合度高,能准确描述MEMS陀螺随机漂移特性;Kalman滤波方法能有效减小随机漂移误差,提高MEMS陀螺的精度,对提高简易制导火箭弹的精度具有一定的参考价值.     

基于支持度和自适应加权的MEMS陀螺信息融合算法

针对MEMS陀螺阵列进行信息融合可以大幅提高其测量精度和可靠性,而传统信息融合算法大部分依赖于观测信息的先验知识而受到应用上的限制。在不依赖于先验知识的基于支持度的融合算法的基础上,提出一种新的加权系数构造方法,利用自适应加权法的思想改变各个传感器观测值方差对权系数的影响程度,既保证了阵列输出结果的可靠性,又能使融合后得到目标参数的总方差最小;而且自适应加权算法中,对各个传感器方差的计算考虑到环境因素等带来的噪声,与各传感器方差的真实值更加接近。实验结果表明,本文提出的融合算法优于传统的平均值估计融合算法和支持度融合算法。     

基于AR模型的MEMS陀螺误差补偿方法研究

针对MEMS(Microelectro Mechanical Systems）陀螺具有成本低、体积小但误差较大的问题,探讨MEMS陀螺的误差补偿方法。基于AR模型方法,采集MEMS陀螺原始信号,对原始信号进行预处理,利用预处理后的数据建立陀螺的AR(Auto Regressive)模型,辨识出模型参数。利用该模型对陀螺信号进行误差补偿,计算出陀螺的较精确值。通过对某MEMS陀螺误差补偿的静态和动态试验表明,提出的方法能够有效地减小误差,提高陀螺的测量精度。     

基于向量投影的支撑向量预选取

支撑向量机是近年来新兴的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出了突出的优点．但在支撑向量机中,支撑向量的选取相当困难,这也成为限制其应用的瓶颈问题．该文对支撑向量机的机理经过认真分析,研究其支撑向量的分布特性,在不影响分类性能的前提下,提出了基于向量投影的支撑向量预选取法,从训练样本中预先选择具有一定特征的边界向量来代替训练样本进行训练,这样就减少了训练样本,大大加快了支撑向量机的训练速度。     

基于Kalman滤波和神经网络的MEMS陀螺温度漂移补偿

MEMS陀螺温度漂移严重影响系统的测量精度。传统的BP神经网络建模补偿容易使权值和阈值陷入局部极小值,导致网络训练失败。陀螺输出信号中的高频噪声也会影响模型精度。针对上述问题,该文提出一种Kalman滤波结合粒子群算法(PSO)优化BP神经网络的MEMS陀螺温度漂移补偿方法。首先对陀螺进行了温度漂移测试实验,然后采用Kalman滤波对实验数据进行降噪,最后建立陀螺温度漂移模型,从而实现温度漂移的补偿。实验结果表明,采用该方法补偿后MEMS陀螺在不同温度下的输出方差降低了65.09%,与传统的BP神经网络相比补偿精度明显提高。     

消除随机一致性的支持向量机分类方法

在人类自身的学习过程中,对学习结果进行科学客观的评价与反馈是关键环节.通常,由于学习者的知识缺陷或证据不足使得学习过程存在随机性,进一步可能导致学习结果与实际情况产生随机一致性.对此结果的直接反馈将严重影响学习性能的提升.同样,机器学习是以数据为驱动、以目标为导向的学习系统.由于经验历史数据有限、不平衡、含噪音等特质导致学习结果具有随机一致性.然而,以准确度为反馈准则的机器学习系统无法辨识随机一致性,这会影响学习系统的泛化能力.首先给出随机准确度和纯准确度的定义,并且进一步分析消除随机准确度的意义及必要性.然后,基于纯准确度指标,提出消除随机一致性的支持向量机分类方法PASVM,并在KEEL数据集的10种不同领域的基准测试集上验证其有效性.实验结果表明：相比于SVM、SVMperf以及其他可用于优化纯准确度指标的学习方法,PASVM泛化性能有明显提高.     

基于MEMS陀螺仪的随机误差分析

为了提高MEMS陀螺仪测量精度,减少随机误差的影响,对产生随机误差的噪声源及其随机误差模型进行了分析;通过分析MEMS陀螺仪自身结构的缺陷并且对其输出数据进行了相应的滤波处理与平稳性检验,确立了合适的误差模型并利用Kalman滤波进行误差补偿,验证了模型的有效性;同时运用Allan方差法对MEMS陀螺仪噪声项进行了分析,确定了影响MEMS陀螺仪测量性能的主要因素以及比较了滤波前后的各项噪声源系数,检验了滤波效果且实验结果证明误差模型显著提高了MEMS陀螺仪的测量精度。 