文摘

基于光纤陀螺的温度漂移特性(雾),一种新的建模和补偿方法集成人工鱼群算法(AFSA)和反向传播(BP)神经网络,提出了提高输出精度的雾和惯性导航系统的精度。摘要AFSA用于优化BP神经网络的权值和阈值直接决定了模型的精度。为了验证该算法的有效性,英国石油(BP)的预测结果优化的遗传算法(GA)和AFSA补偿结果的比较和定量评价是由阿伦方差分析。比较结果说明了主要误差源和正弦噪声在雾中输出信号减少了约50%。因此,提出的建模方法可以用来改善雾精度。

1。介绍

雾是一种惯性传感器,基于萨尼亚克效应,已广泛应用于惯性系统和目前工程应用。雾的周围环境往往是伴随着宽温度范围或温度变化速率快。此外,雾的光学组件对环境温度的变化敏感,这将带来错误的输出雾(1]。考虑雾的复杂性和难度的内部温度控制和结构改进,如设置线圈,光源和其他光学设备在稳定工作状态下,温度漂移建模和误差补偿措施提出了提高雾的准确性基于陀螺的输出的温度特性(2]。

从雾的复杂机制的研究,我们可以看到,温度变化将导致不同的折射率光纤在光纤线圈的每一个部门和热nonreciprocity效应将引起;热效应已经被Shupe和被称为Shupe效应(3]。热nonreciprocity温度漂移的重要来源,分析雾的温度特性有助于调节和控制的零点漂移4]。

至于建模的非线性问题描述温度梯度之间的雾输出,提出了许多方法,如时序自回归移动平均模型(5),自适应补偿模式6)和神经网络(7,8]。由于神经网络逼近非线性函数的优势在任何预期精度理论,并得到了越来越多的关注,反向传播(BP)神经网络的误差反向传播算法,不仅可以近似的所有功能,还一步衍生品在任何给定的精度。然而,由于其容易收敛到局部最小值,收敛速度缓慢,及其工程应用的学习进步有限,许多研究人员已经引入了其他方法和优化算法来解决的局限性主要包括网络结构改造和创新学习算法,如遗传算法(GA) [9)、遗传模拟退火算法和粒子群优化(PSO) (10)和处理结果证明优化模型是有效的,可以提高系统的性能。所以一些全球其他优化算法被认为优化人工神经网络。

由于人工鱼蜂群算法(AFSA)首先提出的李et al。11)已成功应用于许多方面5,12,13),AFSA与BP神经网络首先综合描述和模型雾温度漂移。该算法可以充分利用这两种算法的优点,所以理论上它会有一个更好的性能。特别是AFSA可以找出全球外部限制的捕获到地方BP神经网络解决方案。调优过程,优化BP神经网络的权值和阈值可以根据雾的输出,以及更大范围的参数可以提高算法的收敛速度和精度。在报纸上,雾的输出是在一系列温度变化实验获得的。为了提高神经网络的建模性能和减少雾输出的随机漂移,小波包算法用于再加工基准面(14)然后AFSA-BP神经网络应用于模型雾温度特性;最后温度漂移的补偿结果可以用来验证该算法的有效性。

本文组织如下。理论分析雾的温度效应和温度实验中所描述的部分2。接下来,AFSA-BP算法解决的原因和如何优化BP神经网络由AFSA解释道。节4雾的温度漂移建模和补偿结果与BP和GA-BP AFSA-BP法和比较。另外,阿伦方差是用来分析雾的输出。最后,给出了一些结论5。

2。理论和实验

2.1。雾温度效应

从分析雾的输出,雾漂移可以分为两个方面:声音和偏见的雪堆。声音确定最低可检测的相移,由温度噪声,光源噪声、电子噪声等。飘确定偏差在输出和显示陀螺仪的长期变化特征。

在1980年代,Shupe [3]证明了不同温度时雾将产生不同的光纤折射率光纤线圈的每一个部门;两个轻微的光束产生一个稍微不同的有效光路;然后一个单向的效应称为Shupe效果会,这将带来一个微不足道的错误输出和雾的应用受到限制。萨尼亚克干涉仪,当两个干扰的光束,分别在两个相反的方向,跟踪相同的拉伸纤维的长度,温度效应引起的相移误差是由(15]: 在哪里在真空中光的传播常数,是光纤的折射率,是光在波导中的传播速度,温度变化量的吗纤维的线圈。

2.2。温度漂移的建模和补偿

大部分的建模和补偿方法处理的准确性提高雾是通过使用模型以适应温度漂移数据的输出特性。大多数建模思想是基于IEEE标准(IEEE Std 952 - 1997) (16),包括模型方程(2雾)单轴之间的关系描述输入转速和雾输出: 在哪里名义尺度因子(′′/ p), ()输出脉冲率(p / s),是惯性输入条件(°/ h),是环境敏感的条款(°/ h),漂移项(°/ h),是比例因子误差(ppm)。

的代表了漂移误差引起的环境温度,可以表示为 在哪里是偏见漂移率温度灵敏度系数,的系数是temperature-ramp漂移率敏感性,的系数向量是时变温度梯度漂移率的敏感度。

当雾发生了一定的温度变化,可以计算单向的相位噪声,所以我们应该多注意偏差的雪堆17]。然而,温度漂移误差补偿不同于器件结构的改进。许多现有的研究证明了纯粹的数学方法的有效性。在本文中,我们主要关注温度和变化率的影响。

2.3。温度实验

在实验中,一个干涉雾是安装在一个固定的基地有温度箱;下雾的静态输出获得不同的改变率。采样频率是100 Hz,采样时间是40分钟。两组范围内温度变化率−5°C /分钟5°C /分钟和−8°C /分钟8°C /分钟;雾的输出的采样间隔和温度传感器的输出设定为1秒。

此外,为了提高神经网络的建模性能,减少随机性部分在雾中输出,我们引用了小波变换方法和其他预处理步骤消除不断漂移和趋势提取雾输出(14];在温度和去噪结果5°C /分钟图所示1。

3所示。AFSA-BP算法

3.1。鱼人工蜂群算法

AFSA是一种新型全局优化算法,灵感来源于鱼的自然社会行为群在搜索、群集,之后。每个鱼可以搜索自己的局部最优和在鱼群体传递信息,最后蜂群将达到全局最优。它的主要功能是并行处理、独立的初始值,避免收敛到局部最小值,和快速培训和收敛速度。相关概念和数学描述如下。

假设搜索空间维有鱼类的殖民地。一个人工鱼的当前状态,在那里变量值的鱼类。的粮食一致性是,在那里是目标函数。人工鱼之间的距离和是。人工鱼的感知距离定义为视觉和移动步长人工鱼的步骤,拥挤度因子(11]。

猎物的行为。当前人工鱼和随机选择的新状态在视觉领域。如果,在这个方向上迈出的一步;否则,选择一个随机再判断是否满足条件。经过几个随机搜索,没有满足条件的随机移动一步。

群体行为。假设是当前状态的人工鱼寻求同伴的号码吗和他们的中心位置在当前社区();如果和这意味着,鱼殖民地的中心,有足够的食物和不拥挤的地方。然后人工鱼前进的伙伴中心;否则做猎物的行为。

遵循行为。当前人工鱼状态寻找伴侣在附近(),;如果和这代表了有更高的食品一致性,不拥挤。人工鱼将向前迈出了一步的同伴;否则,继续猎物的行为。

随机的行为。后评估当前环境下的人工鱼和选择在附近,前进的方向;这是一个默认行为的猎物。当重复数字小,人工鱼将提出一个随机的一步。

公告栏。公告作为董事会记录人工鱼的最佳状态和最终的优化状态。每一代人工鱼比较和更新自己的状态与公告,决定接下来的行为状态。如果当前状态是更好的,董事会将被替换的值。

评价标准是基于我们要解决的问题;通常的方法是判断MSE反复的价值小于其容许误差和不能超过视觉和数字的极端。实际值的均方误差和预测价值表示为(4),样本数量:

3.2。AFSA-BP算法

AFSA的优点的基础上,我们使用AFSA作为BP神经网络的学习算法来确定参数。在训练步骤,构造人工鱼个体和神经网络的输出的均方误差作为食品产品当前状态的一致性。

三层BP神经网络的结构如图2。它由输入、输出和隐层;输入和输出节点的数量和;隐藏的节点设置为输入节点的两个数字。以s型函数作为激活函数和计算神经网络输出的每个输入样本;输出的均方误差的优化准则。结果满足最小均方误差时,权重和阈值是最好的。

为了构建人工鱼模型,我们设置了人工鱼的大小规模;抓住每一个人工鱼作为一个神经网络和两个人工鱼的总和或减也作为神经网络;优化的参数和;之间的权重th隐藏节点和th输入节点;之间的权重输出节点,th隐藏节点;阈值变量和,在那里是隐藏节点阈值和是th输出节点阈值;所有以上参数每次迭代后更新。几个优化步骤后,公告栏将记录最终的全局优化和最好的BP神经网络权值和阈值参数决定。

AFSA-BP算法优化步骤可以描述如下。(1)初始化BP神经网络:三层,节点的输入层,隐层节点,输出层的节点。(2)优化权重和阈值构成的矩阵维度的人工鱼群: (3)参数的人工鱼群体初始化包括pop-size、视觉、步骤,和最大迭代时间Max-Gen、目标价值等等。(4)设置迭代的初始数量创为0,并生成随机pop-size人工鱼,这也构成了初始化群体;由权重和阈值的所有争论的范围之间。(5)计算每个个体的食物浓度人工鱼;比较所有的值和存储公告栏中最大的一个。(6)上面提到的四种行为应用于鱼群;每个鱼模拟下,群体行为和选择更大的行为继续,默认行为是猎物的行为。(7)每次迭代后,更新公告板的值,当满足条件。(8)判断条件。当创到达Max-Gen或MSE满足目标值,出口产值;或创正号一跳。

AFSA-BP算法的流程图如图3。

4所示。雾的温度漂移建模

4.1。建模和补偿结果

为了比较不同建模方法的性能,并引用本文提到的,不同于正常的方法比较迭代增加时的准确性,我们把雾不同温度下输出数据作为模型的输入数据。不同的应用BP神经网络方法和遗传算法优化的BP神经网络包含交叉和变异操作和AFSA-BP算法。培训后通过比较预测误差曲线,从曲线的图我们可以很容易的识别算法具有更好的优越性和预测精度。

雾温度漂移模型是基于上述AFSA-BP算法;输入模型的去噪处理后温度和雾的温度漂移。此外,建模和补偿的比较结果与BP神经网络和遗传算法优化的BP神经网络表示。AFSA-BP神经网络的训练数据是雾下温度漂移数据5°C /分钟;测试下雾温度漂移数据和预测数据8°C /分钟;三种算法的预测和误差比较结果如图4。在图中,AFSA代表AFSA-BP神经网络。

为了定量评价的补偿由于雾的温度漂移,阿伦方差方法应用于分析漂移补偿的结果。阿伦方差方法是一次重要的分析技术,并在评估的优势和确定随机噪声系数(18),如量化噪声(),角随机游走()、偏见不稳定(),速率随机游走()和角速率斜坡()。它是标准的雾性能分析方法由IEEE公认,并已广泛应用于陀螺仪的性能分析。

分析结果如表所示1。比较结果说明了主要误差源和正弦噪声在雾中输出信号减少了约50%。

图5是雾的艾伦标准差曲线输出与该算法补偿后和其他正常的方法。从图我们可以看到,该建模方法是有效提高雾精度。

5。结论

在本文中,一种新的混合算法优化BP神经网络给出了AFSA和用来描述雾的温度漂移特性。首先,介绍了关于Shupe雾效果的理论;然后AFSA用于确定BP神经网络的连接权重和阈值,为了验证该方法的有效性,一组温度实验下的雾5°C /分钟实现8°C /分钟。最后,雾的输出之间的相关性和温度漂移模型的参数是用来确定最佳模型。预测误差和曲线拟合的结果提出了不同的算法,可以用来给实际应用参考。

为了验证算法的有效性,预测精度的三个算法,BP神经网络和BP优化AFSA和GA所观察到的错误预测曲线。另外,阿伦方差方法应用于雾得到补偿的定量评价结果的输出之前和之后的一组过程。结果验证的主要误差来源和正弦噪声可以通过AFSA-BP补偿神经网络和光纤陀螺仪精度得到改善。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这部分工作是支持由中国国家自然科学基金(51375087和51375087号),专门研究高等教育的博士项目基金(没有。20110092110039)、海洋科学研究专项资金在公共原因(没有。201205035 - 09年)和科学创新研究计划赞助江苏大学毕业,中国(没有。CXLX13_083)。

补充材料