一種遺傳算法優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法
【專利摘要】本發明公開了一種遺傳算法優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法，包括以下四個步驟：(1)網絡參數初始化，建立改進Elman神經網絡模型；(2)訓練及測試樣本的獲取；(3)訓練改進Elman神經網絡并通過遺傳算法優化模型參數；(4)光纖陀螺預測輸出及誤差補償。通過引入具有自反饋連接權的改進Elman神經網絡來對經去噪算法處理的光纖陀螺輸出進行訓練，并采用遺傳算法不斷迭代優化模型參數，根據不同參數下模型的誤差大小，從而得到最優的模型。本發明在兼顧算法復雜性的同時提高了光纖陀螺溫度漂移模型的準確性，拓展了其在工程中的應用，具有一定的實際意義。
【專利說明】一種遺傳算法優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法
【技術領域】
[0001]本發明屬于慣性【技術領域】，涉及一種陀螺儀漂移建模方法，特別涉及一種光纖陀螺在溫度變化的工作環境中溫度漂移建模方法。
【背景技術】
[0002]光纖陀螺作為新一代的光學傳感器，以其獨特的優勢，越來越廣泛的應用于大量的精密儀器系統中。然而由于構成光纖陀螺的核心部件對溫度較為敏感，因此當環境溫度改變時，光纖陀螺的輸出信號中將伴有溫度漂移誤差。溫度漂移作為光纖陀螺最主要的誤差源之一，嚴重制約著光纖陀螺的精度，因此有必要采取溫度誤差建模補償的方法來予以消除。根據光纖陀螺的Shupe效應，在一定的溫度變化情況下，產生的非互易相位噪聲是確定的。對溫度漂移誤差的補償方法不同于一般的器件改進，對光纖陀螺溫度特性進行實驗研究，建立溫度漂移模型并實施溫度補償也是可行的，這種方法也是工程上解決光纖陀螺溫度漂移問題的有效手段之一。
[0003]在已有的光纖陀螺漂移建模方法中，對于中低精度光纖陀螺，軟件補償方法能夠基本滿足工作要求，對于中高精度光纖陀螺，也能達到有條件的適用。已有的研究結果表明光纖陀螺的零偏漂移是一個非平穩隨機過程，對其進行建模的實質是找出描述其隨機時間序列統計相關性的數學表示，即零偏穩定性數學模型，工程上常采用簡易可行的線性或分段線性模型結構，如ARMA，但精度有限。
[0004]為了提高模型的擬合精度，考慮到光纖陀螺的溫度特性受多種因素影響，具有非常復雜的非線性特性，而人工神經網絡是非線性建模問題中最常用的一種建模方法，它具有信息的并行處理、分布式存儲和自組織、自學習能力等獨特優勢，在許多應用領域取得了巨大成功，在光纖陀螺溫度漂移誤差建模與補償中也受到了重視。
[0005]神經網絡具有良好的逼近復雜非線性函數的能力，使用神經網絡建立光纖陀螺溫度漂移模型，無需分別對零偏和標度因子進行建模，溫度補償步驟得以簡化，補償精度得到提高，而且神經網絡一旦訓練達到要求，就能夠得出逼近光纖陀螺溫度特性的非線性函數的表達式，便于將訓練好的神經網絡應用在工程上。已有的相關文獻中提到遺傳算法優化的BP神經網絡、RBF神經網絡，后者克服了 BP神經網絡固有的問題，利用局部逼近的總和達到對訓練數據的全局逼近，可實現全局最優。
[0006]此外，近些年一些新的算法也被研究者積極地運用到光纖陀螺溫度漂移建模中，如灰色徑向基神經網絡(GRBFN)、投影尋蹤網絡(PPLN)、小波網絡以及模糊邏輯等。但這些算法具有一定的局限性，表現在對樣本數據、處理速度等方面均有較高要求。
【發明內容】
[0007]發明目的:針對上述現有技術，提出了一種遺傳優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法，該方法在較好的控制算法復雜度的同時能更好的擬合光纖陀螺溫度漂移，有效提高系統的穩定性和預測精度。
[0008]技術方案:一種遺傳算法優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法，包括下列步驟:
[0009]步驟(1)，建立改進Elman神經網絡模型:
[0010]將光纖陀螺的環境溫度及前一時刻輸出數據作為模型的輸入量，當前時刻光纖陀螺輸出作為模型的輸出量，構建改進Elman神經網絡模型；所述改進Elman神經網絡模型為兩輸入、單輸出的四層神經網絡，數學模型表示為:
[0011 ]
【權利要求】
1.一種遺傳算法優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法，其特征在于，包括下列步驟: 步驟(1)，建立改進Elman神經網絡模型: 將光纖陀螺的環境溫度及前一時刻輸出數據作為模型的輸入量，當前時刻光纖陀螺輸出作為模型的輸出量，構建改進Elman神經網絡模型；所述改進Elman神經網絡模型為兩輸入、單輸出的四層神經網絡，數學模型表示為:x{k) =/[WJlXXk^WJqUik-1)]
xc (k) = a xc (k-1) +X (k-1) y{k) = g[WiJxm 式中，％表示隱含層與關聯層的連接權矩陣，表示隱含層與輸入層之間的連接權矩陣表示隱含層與輸出層的連接權矩陣，y(k)表示k時刻神經網絡的輸出，u(k)表示k時刻神經網絡的輸入，x(k)表示k時刻的隱含層狀態，Xc;(k)表示k時刻關聯層中神經元的狀態，f (.)表示隱含層的激活函數所組成的非線性向量函數，g(.)表示輸出層的激活函數所組成的非線性向量函數，其中f (.)取sigmoid函數；0 < α〈I為自連接反饋增益因子；i，j，q，k分別為對應參數變化范圍內的變量，取值范圍為1，2，3…N; 設第k步網絡的實際輸出為yd(k)，定義誤差函數為:
Eik) = \ (yd (k) - y(k)f (yd (k) — y(k)) 步驟(2)，獲取學習樣本: 以特征溫度下的光纖陀螺輸出信號作為學習樣本，使學習樣本能夠反映可工作溫度條件下的測量范圍； 步驟(3)，訓練改進Elman神經網絡并通過遺傳算法優化模型參數: 根據所述步驟(1)得到的改進Elman神經網絡模型和步驟(2)得到的樣本數據，對各組學習樣本采用標準的BP算法訓練，即可得到改進Elman神經網絡模型參數；再利用遺傳算法迭代得到最優的模型參數包括權值和閾值從而得到最優的神經網絡模型； 步驟(4)，將光纖陀螺原始輸出信號輸入步驟(3)所得的最優的神經網絡模型中，即可得到光纖陀螺預測輸出，從而對光纖陀螺溫度漂移進行補償。
2.根據權利要求1所述的一種遺傳算法優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法，其特征在于:所述步驟(1)中，光纖陀螺輸出先經過去噪算法處理后，再用作模型的輸入和輸出量。
3.根據權利要求1所述的一種遺傳算法優化動態遞歸神經網絡的光纖陀螺溫度漂移建模方法，其特征在于:所述步驟(3)中利用遺傳算法迭代得到最優的模型參數具體步驟如下:根據所述誤差函數，對Elman神經網絡模型進行誤差計算，將計算得到的誤差作為適應度函數，比較一定模型參數下的所述適應度函數值大小，從而得到最優的模型。
【文檔編號】G01C19/72GK103593538SQ201310619024
【公開日】2014年2月19日 申請日期:2013年11月28日 優先權日:2013年11月28日
【發明者】陳熙源, 宋銳, 湯傳業, 黃浩乾, 呂才平, 何昆鵬, 方琳 申請人:東南大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
