文摘
环形激光陀螺惯性测量单元有许多系统误差方面,相互影响。这些错误方面表现出复杂的非线性漂移,不容忽视当温度变化时,严重影响系统的稳定时间和输出精度。本文提出了一种系统级建模和温度补偿方法基于相关向量回归方法。首先,所有跟温度有关的参数建模;与此同时,哈里斯鹰优化算法用于优化每个模型参数。然后,系统稳定系统输出补偿建模所需的温度。与最小二乘法相比,拟合性能比较和系统动态补偿实验证明此方法的优越性。均方根误差、平均绝对误差 - - - - - -平方,残差的方差平均增加了35.27%,39.29%,2.29%,和30.34%,分别。
1。介绍
在环形激光陀螺惯性传感器,(针对)1- - - - - -3)有许多优点,如随机漂移小,宽动态范围,启动速度快,可靠性高。它有一个高价值的惯性导航领域的。捷联惯性导航的代表,环形激光陀螺惯性测量单元(RLG-IMU) [4- - - - - -6提高),它使用陀螺为核心测量组件,广泛应用于惯性导航领域因其突出的优点体积小,精度高,环境适应性强,和低成本。如何提高针对激光和RLG-IMU的性能一直是研究人员关注的焦点。经过多年的研究,研究人员做了很多工作在各种物理领域,影响系统性能,如温度、磁场、振动环境,如何提高性能的RLG-IMU各种物理场的影响下。
温度是一个重要因素影响输出精度和启动RLG-IMU的稳定时间。一方面,RLG-IMU的工作温度范围是广泛的,这就需要系统的适应性强。另一方面,许多RLG-IMU设备有一个温度控制系统由加热部分、温度反馈部分,温度控制部分。同时,RLG-IMU有许多电路元件,也产生热量。IMU内其他组件,如磁线圈,产生热量。RLG-IMU启动后,将生成大量的热系统内部。内部温度变化和IMU的输出不稳定是由于内部加热的部分。这样的系统的内部和外部温度的变化影响针对激光和石英挠性加速度计的性能和RLG-IMU内部结构的特征。结构特性的变化导致惯性设备的热变形,导致大量的输出数据的波动和错误RLG-IMU和限制RLG-IMU的启动时间和性能。因此,有必要研究IMU系统的温度效应来提高它的温度适应性,减少系统稳定时间。
目前,有两种方法来解决温度对IMU系统的影响:温度控制和温度补偿。温度控制的方法使系统迅速加热到温度控制点,尽快使系统稳定。RLG-IMU启动后,内部温度控制系统开始工作。系统温度通常达到一个相对稳定的状态在相对较长的时间(通常几十分钟)。此时,RLG-IMU稳定的输出,输出精度可以满足要求。在此之前,IMU的输出不稳定是由于剧烈的温度变化。然而,这种方法的问题是温度控制需要一个“长时间设置”或称为“长的启动时间。“温度控制系统的准确性也将影响IMU的性能,需要添加额外的硬件,和系统的功耗增加。温度补偿的方法,只需要获取温度下的误差模型,和补偿可以开始启动的乌兹别克斯坦伊斯兰运动。从理论上讲,系统的输出可以稳定尽快启动,但模型建立的准确性会影响补偿的准确性。 How to reduce the startup stable time by using the system temperature compensation method is the purpose of this paper. By modeling the system measurement equation’s parameters under different temperatures, the output of the RLG-IMU at different temperatures can be converted to the output at a stable temperature. In this way, the operation of the RLG-IMU will not be affected by the change of temperature so that IMU can meet the requirements without “long setting time.”
有几种方法针对激光或石英挠性加速度计的零位置温度补偿,如逐步回归(7,8),人工神经网络(9- - - - - -12),支持向量机(13- - - - - -15),而 - - - - - -意思是(16]。乌兹别克斯坦伊斯兰运动系统的各种错误条件非常复杂,包括起始位置和规模的影响因素。系统结构的变化也会影响到零的位置和比例因子传感器。这些因素不仅受到温度的影响,也有相互耦合关系。补偿针对激光或石英挠性加速度计零位,不考虑其他错误条款的影响,掩盖不了系统的错误,这将影响系统的补偿精度。因此,所有的积雪都必须在系统级补偿。目前,最小二乘法(LSM)通常用于系统级补偿工程(17- - - - - -20.]。乌兹别克斯坦伊斯兰运动有十多个参数项与温度有关。当这些参数随温度改变在一个复杂的非线性的方式,这种传统建模方法的拟合精度是有限的。
机器学习具有强大功能的回归和预测复杂的功能。基于贝叶斯框架,引爆提出了相关向量机(21- - - - - -23]。与支持向量机相比,相关向量机使用更少的向量和具有较强的稀疏。虽然培训时间长比支持向量机,预测时间远小于支持向量机。内核函数不需要满足Mercer的条件:在一个有限的输入空间,功能是一个地图。如果内核半正定矩阵,那么函数可以是一个核函数。在支持向量机理论中,核函数必须满足Mercer的条件。在相关向量机理论中,由于相关向量机的区别和支持向量机体系结构、内核函数不必满足Mercer的条件,所以可以选择更多的内核函数。在训练数据样本较少的情况下,它可以确保良好的泛化能力。使用的相关向量机回归的方法叫做相关向量回归(RVR) [24,25]。
为了解决RLG-IMU系统级的高精度补偿温度的问题,本文提出了一个系统级的温度误差模型和基于RVR RLG-IMU补偿方法。根据IMU系统的投入产出模型,影响输出的所有参数在系统级建模和补偿,使系统级温度误差补偿更全面实现。自设定相关向量机核函数的宽度参数已经严重影响回归精度,有必要优化这个参数。哈里斯鹰优化(HHO) [26)是一种新型的metaheuristic (27,28优化算法。与遗传算法相比,(29日)和粒子群优化算法(30.),优化速度快,精度高。摘要HHO算法优化内核宽度参数的相关向量机提高回归模型的精度,所以叫做HHO-RVR方法。
RLG-IMU系统,RLG-IMU系统温度的影响是多方面的。虽然RLG-IMU温度的影响是多方面的,所有的影响都将反映在测量输出脉冲在不同的温度下。根据pulse-apparent pulse-angular速度方程和加速度方程,如果目标角速度和加速度明显被认为是真实的,不随温度改变,脉冲变化引起的温度是由其他方程参数与温度的变化。本文旨在获得的拟合模型方程中的参数与温度不同。系统工作温度时,系统的输出脉冲可以被转换成一个脉冲输出所选温度。因此,系统的输出是温度变化时更稳定。这种补偿方法不需要考虑系统中的每个因素受到温度变化的影响。因此,我们称这种补偿方法是系统级的温度补偿。
本文的结构如下:部分1介绍了背景、当前的问题和本文的工作。部分2分析温度对IMU系统的影响。部分3介绍了相关向量机回归理论和HHO优化过程,建立了系统参数的温度和补偿模型。部分4介绍了实验方法、实验结果和分析来验证方法的有效性和优越性。部分5总结了整个论文。
2。温度效应分析
如图1,一个典型的RLG-IMU系统包括三个正交针对激光和三个正交石英挠性加速度计安装在底座上。乌兹别克斯坦伊斯兰运动测量角速度与三个针对激光(三个方向 , ,和 )在三个方向和明显加速三个石英挠性加速度计( , ,和 )。
温度对IMU的影响主要包括三个方面:(1)针对影响
激光陀螺是基于萨尼亚克效应原理和使用光程差来测量旋转角速度。环形激光陀螺本质上是一个活跃的环形激光器。这是一个充满了氦氖激光器激光来源混合物。温度对陀螺的影响是全面的31日),如激光陀螺仪的材料特征的变化,对谐振腔的长度的影响及其共面,气体流速的变化,镜子的特点的变化,变形的毛细管,锁定的变化特点,朗缪尔流和放电对称。这些变化反映在尺度因子的变化和零偏差(32]。(2)对石英挠性加速度计的影响
石英挠性加速度计是开始时,内部温度场的波动将导致差动电容传感器产生一个更大的电流,进一步增加了线圈的温度。温度的增加影响加速度计的磁性材料和转矩线圈,导致磁通量的变化,导致加速度计比例因子的温度漂移。同时,由于石英挠性加速度计的热不平衡,手臂会产生轻微变形,这将影响加速度计零偏置的稳定性。此外,手臂的长度的变化可以影响加速度计的比例因子。(3)对IMU系统结构的影响
IMU系统,三个针对激光和三个石英挠性加速度计是固定在底座上,不能严格正交的。他们有相对安装错误。由于一般强大的刚度的基础,安装错误是相对稳定的。然而,几何的基础也是一个小小的改变,就会发生温度变化,这变化也将反映在单一传感器的参数漂移。
从上面的分析,可以得出结论,对RLG-IMU系统温度的影响是多方面的和复杂的。温度不仅影响个人的传感器,还包括系统的结构。结构变化也反映在传感器的输出。并不是简单的单独分析和弥补这些因素。因此,本文采用系统级的补偿方法来整合所有的直接影响因素模型和补偿。
3所示。相关向量回归和温度补偿建模
3.1。函数相关向量机回归理论
相关向量机基于贝叶斯理论。在线性回归问题,可以描述为输入和输出 ,在哪里权向量,是输入向量,然后呢是抵消。当关系是非线性的,它可以表示为 或 。给定一组输入目标数据集: , 是数据样本的数量。考虑到目标是数据样本和噪声叠加,表示为 ,在哪里是高斯分布的噪声满足均值为0,方差的 ,也就是说, ;的条件概率的目标是(33- - - - - -35]
是相互独立的;然后,可能所有相应的数据集表示为的函数 在哪里 , ,和是 矩阵 ,在 。 是内核函数。
为了建立输入和输出之间的关系模型,重量在模型中给出了先验概率。
Hyperparameter用于描述每个的方差倒数吗 。
重量的后验概率 协方差和均值在哪里吗 , ,和 。
使用最大似然方法获得最优解 的 。
新输入的 ,预测分布可以计算。
因为两个被积函数是高斯,这可以计算。
在方程(2),内核函数用于特征向量映射到高维空间,可以减少计算复杂度。常用的是线性核函数,多项式核函数,乙状结肠内核函数,径向基核函数。线性核函数主要用于线性可分的情况下。应用效果的多项式核函数对非线性数据并不理想,有许多参数进行调整,增加模型的复杂性。乙状结肠内核函数具有良好的性能在处理非线性数据,和两个参数需要调整。径向基函数是一种内核函数与健壮的定位,可以实现非线性映射。径向基函数是比线性核函数在非线性数据处理。函数是一个钟形曲线的形状,且只有一个参数控制曲线的宽度。与多项式核函数和乙状结肠内核函数,径向基函数参数少,大大降低了模型的复杂性。径向基函数是最广泛使用的核函数。 It has good performance in dealing with large and small samples. This paper uses the radial basis kernel function, whose expression is ,在哪里表示内核函数的宽度参数。不同的影响相关向量机的性能,所以这个参数必须优化,基于metaheuristic优化算法可以显著提高优化效率。
3.2。基于HHO参数优化
HHO是小说metaheuristic群体智能算法。相比遗传算法和粒子群优化算法,它具有更好的探索能力和收敛速度26]。当老鹰抓住猎物,他们在不同的阶段采取不同的策略。HHO算法可以找到的最优值建模鹰派的行为在捕食过程的每个阶段。
HHO算法包括勘探阶段和开发阶段。在捕食的过程中,增加猎物的移动距离,猎物的体力会逐渐减少,叫做逃避能量。算法可以转移从勘探阶段到开发阶段通过值范围的猎物逃跑的能源。逃脱的能量被建模为(26] 在哪里表示转义的能量猎物,表示的最大迭代数,表示当前的迭代次数表示初始能量。随机区间内变化 在每一个迭代。
当 ,进入探索阶段。老鹰栖息在不同位置随机和使用两种策略来侦测猎物。平等的概率用来区分两种策略。它们栖息基于其他鹰派和猎物的位置 和随机栖息在高大的树木 。可以表示为探索阶段 在哪里 表示下一代鹰派的位置向量,表示当前的位置向量老鹰,表示位置的猎物, , , , ,和是随机值之间 每一代更新,和表示变量的边界,从当代鹰派代表一个随机位置的选择,和表示老鹰队的平均位置。
当 ,进入开发阶段。在这个时候,使用四个围攻的策略。之间的一个随机数 和指示猎物逃跑的机会。 表明猎物可以逃脱, 表明猎物无法逃脱成功(26]。使用软、硬围困策略取决于猎物的能量 。当 ,这意味着猎物仍具有较高的能量。这时,老鹰队采用软围困的策略,不断接近和追逐猎物消耗的能量的猎物。当 ,这表明,猎物的能源是虚弱的。这时,老鹰可以很容易地抓住猎物用硬围困的策略。
(1)软围困。当 和 ,这意味着有足够的猎物逃跑能源和随机跳跃。这时,老鹰队包围它轻轻地排气猎物,表示为 在哪里之间的一个随机数 ,表示随机跳跃的能量的猎物,这是用来模拟猎物的活动。
(2)硬围困。当 和 ,这意味着猎物是软弱和逃避能量较低。此时,下列方程用于更新的位置。
(3)软围困进步快速跳水。当 和 ,猎物有足够的能量来逃脱。在这个时候,方程(11)和(12)是用于更新位置,征收使用飞行模拟的突然运动鹰派和猎物。利维飞行表示为方程(13),它可以进一步提高的能力算法跳出局部最优。 在哪里和内部随机值 , 是一个默认常量设置为1.5,是语法功能: 。
比较两个更新方法,并选择最合适的位置更新方法根据适应度函数值。
(4)硬围困进步快速跳水。当 和 ,这意味着猎物没有足够的能量。在这个时候,方程(15)和(16)是用于更新位置和方程(14)用于选择适当的更新方法。
相关向量机是用于数据拟合和回归。HHO用于优化内核相关向量机的宽度参数。
每个HHO-RVR的流程如下:
步骤1。初始化HHO种群的数量和迭代的数量。鹰在HHO算法的地位代表了内核相关向量机的宽度参数。第一代组中的每个鹰的位置是随机分布的。
步骤2。确定适应度函数。样本数据随机分为五个部分,其中4用于相关向量机训练,剩下的1部分是用于验证,和测试精度的相关向量机用作HHO的适应度函数。
步骤3。计算每个鹰的健身价值,使用鹰对应最佳的健身作为猎物。
第5步。执行迭代操作。重复步骤3和步骤4,直到满意的迭代次数和计算停止。在这个时候,猎物的位置是最优内核宽度参数。
3.3。RLG-IMU温度建模
针对激光的物理输入角速度,和测量输出脉冲的数量。计算机计数脉冲采样时间的数量。根据系统的测量方程,针对激光的角速度。pulse-angular速度测量模型,针对激光可以表示为
是向量的数量针对激光脉冲输出的三个正交轴在采样时间内吗 。 是比例因子矩阵。 是偏差矩阵。 是三个轴的角速度分量矢量在乌兹别克斯坦伊斯兰运动测量坐标系统。 是针对激光的安装误差矩阵为每个轴相对惯性坐标系。
在方程(17),输出向量针对激光的温度和变化很少受温度的影响。因为提高温度对陀螺的影响是多方面的,传感器的输出的变化测量角速度引起的温度变化直接反映在比例因子矩阵和偏见矩阵 ,和结构变化也将反映在和 ,因此方程(17)可以表示为
石英挠性加速度计的物理输入是明显加速,和测量输出脉冲的数量。计算机计数脉冲采样时间的数量。根据系统的测量方程,石英挠性加速度计的明显加速。石英挠性加速度计的pulse-apparent加速度测量模型表示为
的向量是由石英挠性加速度计输出的脉冲数在三个正交轴在采样时间内吗 。 的比例因子矩阵石英挠性加速度计。由于石英挠性加速度计是非常敏感的,积极的和消极的规模因素,它分为积极的和消极的:积极的比例因子矩阵表示为 和消极的比例因子矩阵表示为 。 石英挠性加速度计的偏置矩阵。 是明显的三轴加速度分量矢量IMU测量坐标系统。 是石英挠性加速度计的安装误差矩阵为每个轴相对惯性坐标系。同样,方程(20.)表示为
在方程(19)和(22),输入参数受温度影响叫做跟温度有关的参数,总共有15个温度参数。
定义一组 表示15跟温度有关的参数。使 表示每个元素在 和 表示每个元素在 。
提高温度测量的位置以来每个陀螺和石英挠性加速度计是不同的,每个温度的测温曲线参数会有所不同。定义一组温度 。 表示每个温度的温度变化向量参数和一对一的对应 ;然后,设置相应的关系和温度可以表示为 。从这15模型可以建立如下: 在哪里 模型对应于每个IMU的温度参数和是最佳的核函数的宽度参数的模型。
3.4。系统补偿模型
理想情况下,在方程(19)和(22),角速度和明显的加速是独立的温度。首先,输出角速度和加速度明显的模型根据IMU测量方程(19)和(22)和温度有关的模型参数。跟温度有关的参数的值在所需的温度然后选为常量角/明显获得补偿脉冲加速度测量方程。所需的温度是一个假设的稳定的工作状态。当系统工作的目的是在任何温度下,物理量的测量值可以被转换成价值所需的温度,这样系统不会受到温度变化的影响。所需的温度并不是唯一的。它可以根据实际需要设置和要求。无论多少所需的温度设置,不同温度的测量值可以转换为测量值在所需的温度补偿测量方程的参数实现温度补偿。
针对激光,根据方程(19),模型的输出是
对应于每个针对激光 , ,和 。
补偿方程,针对激光输出脉冲在所需的温度是
后三个针对激光的输出脉冲补偿。和分别是,比例因子矩阵和偏见矩阵的三个针对在所需的温度 。
对应于不同的针对,包括 , ,和 。数据集 可以通过温度实验。数据集被用来训练相关向量机。与此同时,优化过程中引入部分3所示。2用于优化内核相关向量机的宽度参数,从而获得优化的模型。同样,模型可以获得。因为温度的模型和已经获得,可以弥补输出在所有温度下,从而补偿来在不同的温度下。
石英挠性加速度计,根据方程(22),模型的输出是
对应于每个石英挠性加速度计 , ,和 。
石英挠性加速度计的输出脉冲的补偿方程在所需的温度是
是三个石英挠性加速度计的输出脉冲后补偿。和分别是,比例因子矩阵和偏见矩阵的三个石英挠性加速度计在所需的温度 。
对应于不同的石英挠性加速度计,包括 , ,和 。同样,模型和可以获得。因为温度的模型和已经获得,可以弥补输出在所有温度下,从而补偿来在不同的温度下。
4所示。实验和分析
4.1。数据采集和建模
实验中使用的IMU使用三个针对激光和三个石英挠性加速度计作为测量传感器。的比例因子选择针对IMU系统大约是2.14脉冲/ "。比例因子的选择对IMU系统加速度计是约 。RLG-IMU双轴旋转平台上固定在室的温度。设置温度室5°C,并保持4小时以确保IMU和腔内的温度温度是一致的。室的温度设置为7000分钟从5°C到65°C。温度上升的过程中温度室,乌兹别克斯坦伊斯兰运动不断进行旋转校正温度室工作。IMU使用系统的校准方法和旋转速度是20度/秒。各种错误将由多个位置的连续旋转兴奋。使用卡尔曼滤波,针对各种误差参数和加速度计可以计算的,也就是说, , , , , ,和在方程(17)和(20.)。每个校准大约需要40分钟。总共有175校准已经完成在设定温度范围内和时间。乌兹别克斯坦伊斯兰运动不仅温度变化引起的温度变化由加热室温度还在乌兹别克斯坦伊斯兰运动的一部分。温度传感器测量表明,每两个校准之间的温度变化是大约0.4°C。温度变化很小。因此,温度被认为是稳定在一个校准过程。通过上述实验过程,175套IMU的校准数据可以获得整个实验温度范围。离线标定数据处理后,175套跟温度有关的参数可以获得175个温度点。
在室的温度,通过实验数据集每个温度有关的参数和相应的温度设置得到了。总共有15个这样的设置。它可以表示为 。每一个作为相关向量机训练数据。使用HHO-RVR过程部分3所示。2每个相关向量机训练。内核相关向量机的宽度参数作为输入变量HHO。总人口的大小设置为30,马克斯迭代的数量设置为500,和值范围设置为 。内核宽度参数预测精度最高的值的范围被发现使用5倍交叉验证方法。每个跟温度有关的参数是根据这个过程建模。模型的集合 在方程(23)可以获得。
相比之下,使用最小二乘法模型15跟温度有关的参数。该模型方程表示为 在哪里 是输出向量的温度参数, 方程的系数矩阵, 是温度的输入向量。
RVR十五跟温度有关的参数建模的方法和最小二乘法,分别。在视程模型中,由于径向基函数作为核函数,只有一个内核宽度参数。根据方程(30.),三次多项式拟合的最小二乘法。每个拟合多项式需要确定四个系数矩阵的行向量在方程(30.)。内核宽度参数,相关向量的个数,关联向量的15 RVR的比例模型,和15最小平方拟合多项式的系数表中列出1。
4.2。回归模型的性能分析
比较拟合和回归性能HHO-RVR和LSM HHO-RVR和LSM模型的温度价值15跟温度有关的参数,共有30模型。三个指标是用来衡量拟合和回归两种建模方法的性能:
(1)均方根误差(36]。它是用来测量误差和回归值和真实值之间的色散。值越小,越小的估计误差和误差分散越小。方程如下:
(2)平均绝对误差(37]。它是用来测量的平均绝对误差。反映实际情况的预测误差值。值越小,越小的估计误差。方程如下:
(3)平方。它是用来测量模型的拟合精度;越接近1,拟合精度越高。方程如下:
在方程(32),(33)和(34), 样本的输入,回归模型,回归的输出,样例输出值,样例输出的均值,是样品的数量。
三项指标的结果如表所示2。与最小二乘法相比,所有的回归测试表演15模型被使用HHO-RVR方法改进。均方根误差值增加最多80.12%,平均35.27%。最多的平均绝对误差值增加了83.51%,平均39.29%。的 - - - - - -最多的平方值增加了9.15%,平均2.29%。结果表明,RVR有更好的性能比最小二乘法的错误,错误分散和拟合精度。
如图2,原始数据绘制的数据回归计算使用HHO-RVR和LSM模型,分别。观察之间的拟合优度回归曲线使用方法和原始数据曲线。水平轴是温度,纵轴是每个温度参数的值。由于一些曲线不显示图形的任何显著差异,9代表曲线进行比较选择。根据数据的顺序,他们(加速度计的偏见 ), (加速度计的偏见 ), (负加速度计的比例因子 ), (陀螺的比例因子 ), (陀螺的偏见 ), (陀螺的偏见 ), (陀螺的偏见 ), (陀螺的比例因子 ),和(加速度计的偏见 )。数据 , 和表明,当原始数据的趋势是相对简单的,波动和分散小,拟合精度之间的性能差异的两个方法不是很明显。数据 , , ,和显示数据的特点是大色散,明显的波动,而复杂的非线性。在这种情况下,RVR的曲线拟合可以准确地适应复杂波动的原始数据。然而,最小二乘法只能适合整个数据的趋势,不能准确地代表原始数据的复杂的波动,从而影响回归和预测的性能。数据和表明,当原始数据分散很小,但数据变化趋势明显,RVR适合比最小二乘法数据更准确。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
4.3。系统动态补偿
为了观察温度补偿后系统的动态性能,IMU动态数据用于验证,可以更好地描述当乌兹别克斯坦伊斯兰运动在运动补偿性能。
以50°C为所需的温度补偿。首先,跟温度有关的参数的温度补偿模型获得的部分4.1和陀螺脉冲数据在相应的温度下被带入方程(26)和(29日)获得补偿脉冲数据温度点。其次,补偿数据用于校准操作获得补偿的温度参数动态数据。最后,每个温度有关参数计算减去补偿后的温度参数在所需的温度。两种方法用于模型和回归跟温度有关的参数,和温度参数补偿所需的温度。补偿值从测量值中减去剩余获得补偿。剩余曲线的波动越小,剩余方差越小,补偿精度越高。
图3显示了RVR 15温度参数的残差补偿和最小二乘法。因为大小的 , , , , ,和小而不明显的趋势,两条曲线重叠。从9参数的曲线 , , , , , , , ,和 ,可以看出,RVR跟温度有关的参数补偿的方法有较小的波动和更稳定的比补偿最小二乘法。图是一个典型的曲线。可以看出,LSM补偿后的剩余曲线有一个很大的波动。的剩余曲线HHO-RVR补偿是非常稳定的。结果表明,原始数据有很强的非线性。LSM的拟合性能不如HHO-RVR,导致一个大的波动补偿后的剩余。其他类似的数据也说明了这一结论。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
(k)
(左)
(m)
(n)
(o)
如表所示3,残差的方差比较表。可以看出,使用HHO-RVR方法补偿后的剩余方差低于使用最小二乘法,表明使用RVR的性能来弥补跟温度有关的参数更优越。
5。结论
为了弥补RLG-IMU系统温度的影响,降低了系统启动稳定时间,提出了RLG-IMU系统级的温度补偿方法。RVR是用来模拟15 RLG-IMU跟温度有关的参数,和HHO算法被用来优化RVR核函数的宽度参数。建立了系统补偿模型。试验结果表明,拟合精度和补偿精度更优秀比最小二乘法。的拟合和回归性能,均方根误差值平均提高了35.27%,平均绝对误差值平均提高了39.29%,和 - - - - - -平方值平均增加了2.29%。系统的补偿性能,补偿后的剩余的方差平均增加了30.34%。系统级补偿方法能有效地降低启动RLG-IMU的稳定时间,具有较高的应用价值和实际工程价值。
数据可用性
使用的数据来支持本研究的发现尚未提供,因为其他研究工作需要相同的数据尚未完成。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由中国国家自然科学基金(61973167)。