[發明專利]基于優化LS-SVM的光纖陀螺溫度漂移誤差補償方法

在審

• 申請號: 201410183148.3
• 申請日: 2014-04-30
• 公開（公告）號: CN103954300A
• 公開（公告）日: 2014-07-30
• 發明（設計）人: 陳熙源;宋銳;湯傳業;方琳
• 申請（專利權）人: 東南大學
• 主分類號: G01C25/00
• 分類號: G01C25/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

技術領域

本發明涉及慣性技術領域，具體涉及一種基于優化LS-SVM的光纖陀螺溫度漂移誤差補償方法。

背景技術

光纖陀螺儀(Fiber?Optic?Gyroscope，FOG)是一種基于Sagnac效應的光學傳感器，由于構成器件的組成部分對溫度變化較為敏感，致使工作環境溫度變化會對光纖陀螺的輸出精度產生影響，從而制約了慣性導航的精度的提高。為了抑制這種溫度漂移誤差，眾多研究者做了大量的工作。一方面主要從陀螺的內部構造出發，通過結構設計改進使得線圈、光源和光學器件工作環境溫度更為穩定；另一方面則是通過分析光纖陀螺的溫度特性，建立溫度漂移模型從而達到誤差補償和精度提高的目的。前者在具體實施時會有較多的限定條件，后者則在工程實際中得到了更為廣泛的應用。本發明的相關研究正是基于這樣的思想。

在已有的光纖陀螺溫度漂移誤差建模和補償方法中，在工程上常采用的是簡易但精度有限的線性或分段線性模型結構，如ARMA等。近來年，具有良好的逼近復雜非線性函數能力的人工神經網絡已運用于溫度漂移模型的建立，包括BP神經網絡、RBF神經網絡以及聯合一些優化算法的改進算法。這些模型在光纖陀螺溫度漂移數據補償均取得了一定的效果。

其中RBF神經網絡具有全局逼近能力，避免了BP神經網絡可能存在的陷入局部最小問題，但神經網絡的學習方法采用的是經驗風險最小化原則，經驗成分的存在可能會使得在訓練過程中出現過學習的問題。支持向量機(Support?Vector?Machine,SVM)是以統計學理論為基礎發展起來的新一代機器學習方法，是由Vapnik等人于1995年提出，這是一種以結構風險最小化為原則，以訓練誤差作為優化的約束條件，優化目標為置信范圍值最小化，主要用于解決分類和回歸分析等問題。而最小二乘支持向量機(Least?Square-Support?Vector?Machine，LS-SVM)是對標準SVM的一種深化和拓展，降低了算法的計算復雜度。因此在模式識別、數據挖掘、遙感圖像分析等領域得到廣泛的應用。

根據相關研究成果的分析，LS-SVM模型中的懲罰參數c與核寬度參數σ的選擇和確定很大程度上決定了模型的辨識和補償效果。目前一般采用的有梯度下降算法、遺傳算法和粒子群等優化方法，但上述方法在收斂速度或全局尋優等方面會有所欠缺。而人工魚群算法(Artificial?Fish?Swarm?Algorithm,AFSA)是一種基于動物行為的全局尋優算法，是通過模擬和構造人工魚的幾種簡單行為來對個體最優值進行搜尋，最終在魚群中得到全局最優值。是集群智能思想的一個具體應用，主要特點是不需了解待尋優問題的具體信息，具有較快的收斂速度，在諸多領域均得到了成功運用。

發明內容

發明目的：本發明的目的在于解決現有技術中存在的不足，提供一種基于優化LS-SVM的光纖陀螺溫度漂移誤差補償方法，能有效的解決光纖陀螺溫度敏感的問題，從而提高陀螺精度。

技術方案：本發明的一種基于優化LS-SVM的光纖陀螺溫度漂移誤差補償方法，利用人工魚群算法優化光纖陀螺溫度漂移誤差的LS-SVM模型參數，具體步驟包括：

(1)將AFSA算法和LS-SVM模型參數的初始化；

(2)根據光纖陀螺輸出數據確定模型訓練和測試的樣本數據，并對模型輸入數據進行去噪和去除趨勢項等預處理；

(3)利用步驟(2)所得的訓練數據訓練LS-SVM模型，通過AFSA算法中的迭代尋優步驟以及目標函數來確定最優的參數；

(4)根據訓練好的模型預測光纖陀螺的輸出并進行溫度漂移誤差的補償；

其中，步驟(1)中初始化的模型參數包括群體規模N、最大迭代次數M、人工魚個體的視野范圍Visual、人工魚個體的移動步長Step和擁擠度因子δ，初始化數據后在變量可行域內隨機生成N個人工魚，根據形成的初始魚群確定對應的待尋優LS-SVM的變量c和σ，人工魚個體X＝(X₁X₂…X_n)，其中X_i(i＝1,2…n)為各待尋優變量；人工魚個體當前所在位置的食物濃度設為Y，且有Y＝(Y₁Y₂…Y_n)＝f(X)，各人工魚之間距離d_ij為d_ij＝||X_i-X_j||。

其中，人工魚群方法的具體步驟如下：