专利名称：基于局部可变集成神经网络的光纤陀螺随机漂移建模方法
技术领域：
本发明属于惯性技术领域，涉及一种光纤陀螺，特别涉及一种干涉式光纤陀螺的 随机漂移误差建模方法，适用于各种光纤陀螺仪。
背景技术：
光纤陀螺具有极高的民用和军用价值，在开发研制上备受国家重视，从80年代开 始国家逐步加大在该研究上的资金投入。光纤陀螺是一种基于Sagnac效应的测量仪表，它 利用固态的全光纤结构实现载体自转角速度的测量。与传统的机械陀螺相比有很多优点， 如精度高、耐冲击、抗震性好、动态范围大、对重力加速度不敏感等。但是光纤陀螺还有一些 缺点，在目前的实际应用中，光纤陀螺更多的只能用于中低精度的导航系统中，还没有达到 高精度的要求。光纤陀螺在工程应用上遇到的一个严重问题就是陀螺易受周围环境的影响，如温 度等。由于构成光纤陀螺的核心部件对温度较为敏感，所以当工作环境温度发生变化时，在 陀螺的输出信号中将产生非互易相位误差。这种误差是导致光纤陀螺零位漂移和标度因数 不稳定的主要原因，严重制约着光纤陀螺的输出精度，从而制约了光纤陀螺在高精度惯性 导航系统中的进一步应用。随着光纤陀螺的普及和推广，摸清其漂移特性、抑制光纤陀螺的漂移已经成为科 研工作者迫切需要解决的问题。目前工程上对于抑制光纤陀螺的漂移主要有两种思路光 纤陀螺内部控制和外部对漂移的建模补偿。第一种方案从陀螺内部的角度考虑，最大程度 上削弱光纤陀螺的线圈、光源和光学元件对周围环境的敏感性，提高光纤陀螺输出的稳定 性。这种方案可以很大程度提高陀螺精度，但却增加了硬件的附加性，提高了成本，且在小 型化、响应速度与可靠性等方面受到了极大限制，因此工程中一般不采用这种方法；后者从 光纤陀螺的输出信号出发，在对光纤陀螺的漂移特性进行分析建模的基础上，通过软件技 术来实现光纤陀螺的漂移补偿，直接提高其输出精度。这是一种纯数学方法，仅仅通过建立 陀螺漂移的模型，通过在线或离线补偿技术直接保证了光纤陀螺的使用精度，不需要额外 增加任何设备和设施，因此不会产生额外的硬件成本，补偿的方法适用范围很广，对于各种 精度的陀螺都可以适用。然而，传统的软件方法只是在某一静态温度下实现对光纤陀螺的建模，建模精度 只能在某一较小适用温度范围内保持较高水准，建模系统的适用性较低，泛化能力较差。为 了能从工程应用的角度针对陀螺漂移进行全面、系统的研究和分析，就必须实现光纤陀螺 温度随机漂移的动态建模。
发明内容
本发明的技术解决问题克服现有技术的不足，提出了一种基于局部可变集成神 经网络的光纤陀螺随机漂移建模方法，该方法利用信息融合技术，实现了光纤陀螺随机漂 移的动态建模，对不同温度下的光纤陀螺信号均可得到较高的建模精度，极大的提高了网络的泛化能力、拓展了建模网络的应用范围，且易于实现。本发明为实现上述目的，采用如下技术方案本发明基于局部可变集成神经网络的光纤陀螺随机漂移建模方法，包括如下步 骤(1)建立神经网络模型选取光纤陀螺的原始输出信号为神经网络的输入和输出构建神经网络模型，选择 带有不同数据预处理器的RBF神经网络作为子神经网络；(2)获取学习样本以特征温度下的光纤陀螺输出信号作为学习样本，使学习样本覆盖所有可工作温 度条件下的测量范围；(3)训练集成神经网络在步骤(1)得到的神经网络模型和步骤(2)得到的学习样本的基础上，对各组学 习样本分别采用RBF算法训练神经网络得到各子网络的最优模型参数；设置基于温度的集 成权矩阵，依据温度的变化来调整设定的权值矩阵，并集成个体神经网络；由个体神经网络 构成训练集成神经网络；(4)对光纤陀螺的随机漂移进行建模将光纤陀螺原始输出信号输入步骤(3)所述的训练集成神经网络中，即可实现对 光纤陀螺仪的误差建模。优选地，步骤(1)中所述神经网络模型通过集成多个子神经网络对训练样本进行融合。优选地，步骤(1)中所述的各子神经网络均带有不同的信号预处理器，即数据滤 波器，其中一个子神经网络带有FLP滤波器，另一个子神经网络带有小波滤波器。优选地，步骤(1)中所述各子神经网络是以光纤陀螺信号的前十个数据点作为输 入，下一个数据点作为输出来构建的十输入、单输出的三层RBF神经网络，选择输入层节点 为10，隐含层节点为20，输出层节点为1。优选地，步骤(2)中所述特征温度为-101，01，101，301，501，在特征温度下 采集光纤陀螺输出信号，使得训练样本覆盖所有可工作温度条件下的测量范围。优选地，所述步骤(3)中设置基于温度的可变集成权值矩阵，当温度T满足 0℃≤T≤40℃时，选取一组设定的权值矩阵；当T<0°或T>40°时，选取另一组设定 的权值矩阵。本发明的原理是光纤陀螺已经越来越广泛的被应用到惯导系统中，但温度等原 因会导致光纤陀螺产生较大的随机漂移，直接影响惯导系统的精度，因此摸清其温度漂移 特性、抑制光纤陀螺的漂移已经成为工程上迫切需要解决的问题。温度对光纤陀螺性能的影响主要有两个方面一是噪声，二是零位漂移。噪声决 定光纤陀螺的零偏稳定性，可以通过滤波的方法处理，本实例通过大量仿真验证，同一滤 波方法对不同温度范围内的陀螺输出信号的滤波效果是不同的，如FLP滤波方法对常温 (10-30°C )下的陀螺输出信号滤波效果很好，而小波滤波方法则在非常温下的陀螺输出信 号滤波过程中有明显优势，因此只有充分利用两种滤波方法的优势，才能使系统在所有陀 螺可工作温度条件下均保持较好的去噪效果；零位漂移决定陀螺输出信号的偏移量，可以通过建立神经网络模型来进行补偿。神经网络可以实现复杂的输入与输出间的非线性映射 关系，本发明采用的RBF神经网络是一种前馈式神经网络，它具有最佳逼近和全局最优的 性能，经训练后的网络能够正确给出验证样本的输入输出关系，实现光纤陀螺输出信号的 高精度建模。集成神经网络充分利用了各自网络的差异性，极大的提高了网络的泛化能力。设 置了基于温度的可变集成权矩阵，当陀螺输出信号随温度变化时，集成权矩阵也随之改变， 使得系统总是能够得到该温度下的最高建模精度。本发明与现有技术相比的优点在于(1)集成神经网络能够用较小的计算代价获得较好的泛化能力，通过集成各子神 经网络，充分利用不同网络之间样本的差异性，有效地提高集成神经网络的整体泛化能力 和预测精度。(2)对两个子神经网络设置了不同的数据预处理器，充分利用了不同温度下的陀 螺输出数据经过不同降噪方法处理后在建模过程中所表现出来的不同特性，提高了系统的 泛化能力。(3)设置了基于温度的可变集成权矩阵，充分考虑到温度变化对陀螺输出数据特 性的影响，通过在不同温度时对集成权矩阵的变换，保证了系统在整个可工作温度变化范 围内总保持较高的建模精度。
图1为光纤陀螺随机漂移建模方法实现过程的示意图；图2为本发明的集成神经网络结构图；图3为本发明采用的RBF神经网络结构图。
具体实施例方式本发明光纤陀螺随机漂移建模方法的实现过程如图1所示，主要包括以下四个步 骤(1)建立集成神经网络模型如图2所示，D为全部训练样本，Di (i = 1,2)为经过不同滤波器滤波后得到的训 练样本，Φ (χ) (i = 1,2)为学习样本Di经训练后得到的子神经网络，R为可变集成权矩阵， Φ (χ)为集成各子网络后得到的集成神经网络模型。在集成神经网络策略中，每个子网络都 是由不同的样本集训练而获得，然后再通过数据融合模块集成最终的预测模型。在本发明 中，集成神经网络充分利用了经不同滤波器滤波后光纤陀螺数据的差异性，极大的提高了 泛化能力和系统的适用范围。本实例取光纤陀螺的输出信号作为神经网络的输入量和预测输出量来构建十输 入单输出的三层前馈神经网络，即以光纤陀螺信号的前十个数据点作为输入，下一个数据 点作为输出。选择输入层节点为10，隐含层节点为20，输出层节点为1。各子神经网络的结 构图如图3所示，其中，Xi(i = 1,2,…，10)为神经网络的输入，yj(j = 1,2)为神经网络 的输出。如图2所示，R为集成神经网络的数据融合模块。在本实例中，融合矩阵R是基于温度的可变模块，随着温度的变化矩阵也随之改变，以确保在任何可工作温度下都能得到最优结果。(2)获取学习样本根据设置的网络规模，在此选取两个自助样本集，即D1和D2。本实例获取学习样 本数据是通过带温控的单轴速率转台和数据采集系统来实现的首先把陀螺通过夹具固 定在转台上，然后在光纤陀螺工作温度范围内采集多组特征温度(-io°c，(rc，i(rc，3(rc， 500C )下输出信号。(3)训练RBF神经网络在两个自主样本集上训练出两个不同的子神经网络，并将两个子神经网络进行加 权集成。采用RBF算法训练由步骤(1)得到的两个子神经网络，得到其模型参数和权值。神 经网络的训练过程是通过不断调整权系数，使神经网络的输出与期望值的误差逐渐变小直 到满足应用的要求为止。然后按下式集成两个子神经网络φ{χ) = ∑w (x)，其中，Wi为网络的数据融合矩阵。
(4)对光纤陀螺仪的随机漂移进行建模在本实例中，对50°C (非常温)时应用FLP滤波算法进行去噪后的数据进行建模， 精度只有0. 000166863，而对应用小波滤波算法进行去噪后的数据进行建模精度则会高出 很多，通过集成神经网络的优选融合，充分利用小波滤波算法在此温度下的优势，可将建模 精度提升到1. 70177e-7 ；对10°C (常温)时应用小波滤波算法进行去噪后的数据进行建 模，精度可达到9. 032555e-8，而对应用FLP滤波算法进行去噪后的数据进行建模精度则会 高出很多，通过集成神经网络的优选融合，充分利用FLP滤波算法在此温度下的优势，可将 建模精度提升到3. 76414e-ll。总之，本发明克服了单个神经网络表现出的稳定性差，适用范围窄等缺点，通过集 成神经网络的优选融合，极大的提高了网络的泛化能力。训练后的集成神经网络能够对所 有光纤陀螺可工作温度条件下的输出信号进行高精度的建模。本发明用较小的计算代价， 实现了对光纤陀螺随机漂移的动态建模。
权利要求
一种基于局部可变集成神经网络的光纤陀螺随机漂移建模方法，其特征在于包括如下步骤(1)建立神经网络模型选取光纤陀螺的原始输出信号为神经网络的输入和输出构建神经网络模型，选择带有不同数据预处理器的RBF神经网络作为子神经网络；(2)获取学习样本以特征温度下的光纤陀螺输出信号作为学习样本，使学习样本覆盖所有可工作温度条件下的测量范围；(3)训练集成神经网络在步骤(1)得到的神经网络模型和步骤(2)得到的学习样本的基础上，对各组学习样本分别采用RBF算法训练神经网络得到各子网络的最优模型参数；设置基于温度的集成权矩阵，依据温度的变化来调整设定的权值矩阵，并集成个体神经网络；由个体神经网络构成训练集成神经网络；(4)对光纤陀螺的随机漂移进行建模将光纤陀螺原始输出信号输入步骤(3)所述的训练集成神经网络中，即可实现对光纤陀螺仪的误差建模。
2.根据权利要求1所述的基于局部可变集成神经网络的光纤陀螺随机漂移建模方法， 其特征在于，步骤(1)中所述神经网络模型通过集成多个子神经网络对训练样本进行融合。
3.根据权利要求1所述的基于局部可变集成神经网络的光纤陀螺随机漂移建模方法， 其特征在于，步骤(1)中所述的各子神经网络均带有不同的信号预处理器，即数据滤波器， 其中一个子神经网络带有FLP滤波器，另一个子神经网络带有小波滤波器。
4.根据权利要求1所述的基于局部可变集成神经网络的光纤陀螺随机漂移建模方法， 其特征在于，步骤(1)中所述各子神经网络是以光纤陀螺信号的前十个数据点作为输入， 下一个数据点作为输出来构建的十输入、单输出的三层RBF神经网络，选择输入层节点为 10，隐含层节点为20，输出层节点为1。
5.根据权利要求1所述的基于局部可变集成神经网络的光纤陀螺随机漂移建模方法， 其特征在于，步骤(2)中所述特征温度为-101，01，101，301，501，在特征温度下采集 光纤陀螺输出信号，使得训练样本覆盖所有可工作温度条件下的测量范围。
6.根据权利要求1所述的基于局部可变权值集成神经网络的光纤陀螺随机漂移建 模方法，其特征在于，所述步骤(3)中设置基于温度的可变集成权值矩阵，当温度T满足 0°C<T<40°C时，选取一组设定的权值矩阵；当T<0°或T >40°时，选取另一组设定 的权值矩阵。
全文摘要
本发明基于局部可变集成神经网络的光纤陀螺随机漂移建模方法，包括以下步骤(1)建立集成神经网络模型；(2)获取学习样本；(3)训练集成神经网络；(4)对光纤陀螺仪的随机漂移进行建模。该方法首先使用FLP/小波滤波方法对光纤陀螺的原始输出信号进行降噪处理，构成一个去噪效果好，应用范围广的数据预处理系统；其次将局部可变集成神经网络应用到建模中，集成神经网络对训练样本进行过分拟合，克服了子神经网络预测精度低、稳定性差的缺点，基于温度的局部可变权值方法的引入使网络依据温度的改变来对集成权值矩阵进行调整，保证在不同温度下都能获得最佳网络建模精度，提高了网络的泛化能力，实现了光纤陀螺零位漂移的动态建模。
文档编号G01C19/72GK101840529SQ20101013409
公开日2010年9月22日 申请日期2010年3月26日 优先权日2010年3月26日
发明者申冲, 陈熙源 申请人:东南大学