[發明專利]基于綜合集成賦權法的原子自旋陀螺隨機誤差建模方法

在審

• 申請號: 201610099576.7
• 申請日: 2016-02-23
• 公開（公告）號: CN105787265A
• 公開（公告）日: 2016-07-20
• 發明（設計）人: 陳熙源;何雙雙;張紅;鄒升
• 申請（專利權）人: 東南大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 李曉

技術領域

本發明提出一種基于綜合集成賦權法的原子自旋陀螺隨機誤差建模方法，屬于陀 螺數據處理技術領域。

背景技術

隨著量子調控技術的發展，操控原子自旋處于無交換弛豫(SpinExchange RelaxationFree,SERF)態，惰性氣體原子的核自旋與堿金屬原子的電自旋強耦合，進行角 運動的測量,稱為基于SERF的原子自旋陀螺儀。通過理論分析，這一新型原子自旋陀螺儀具 有超高精度、小體積的特點。因此，原子自旋陀螺儀被認為是下一代超高精度陀螺儀的發展 方向，具有重要的科學研究和工程實踐價值。

陀螺誤差包括靜態誤差、動態誤差和隨機誤差。前兩種誤差與載體的運動參數有 關，可由試驗標定補償，真正影響陀螺性能的是陀螺的隨機漂移。陀螺隨機漂移是弱平穩 性、弱線性的，不易準確地提取陀螺的真實信號。因此準確的建立陀螺隨機漂移誤差模型以 便在濾波中加以濾除就顯得非常重要。

目前較為常用的陀螺儀隨機漂移建模方法有時間序列建模、神經網絡建模和小波 級數非線性建模等。時間序列建模在模型預測中應用比較廣泛，其中自回歸(AR)建模方法 是常用的時間序列建模方法，但是其應用的前提是數據必須是平穩、線性的，即其不能應用 在非平穩、非線性時間序列的精確建模中。近年來神經網絡、支持向量機等非線性建模方法 不斷得到應用，并取得了很好的效果。但是神經網絡不能給出需要建模系統的輸入輸出之 間的具體數學表達式，而且必須依靠大量的實驗數據才能完成，神經網絡的“過學習”、易陷 入“局部最小值”等問題也限制了該方法的實用。支持向量機(SVM)智能算法,是專門針對有 限樣本情況的機器學習方法，在函數擬合和回歸方面的特有優勢,采用結構風險最小化原 則，將實際問題通過非線性變換轉換到高維的特征空間,在高維空間中構造線性決策來實 現原空間中的非線性決策函數,巧妙地解決了維數問題，具有小樣本學習、全局尋優、泛化 能力強的特點。同時，遺傳規劃(GP)在非線性建模中也得到了不斷應用。遺傳規劃是一種非 常有效的自適應搜索建模方法，該方法不需要任何先驗知識，有很好的客觀性和極大的通 用性，和其他方法相比優勢比較突出，因此得到很多人的青睞。

基于傳統的建模方法只是單一考慮了弱線性或弱平穩性，本發明在考慮弱平穩性 的同時兼顧弱線性特性。首先對陀螺輸出數據分別建立基于ARIMA的線性模型和基于支持 向量機(SVM)的非線性模型，然后再通過博弈論的綜合集成賦權法確定線性和非線性模型 的權重，進而擬合出更高精度的組合模型，對于提高陀螺精度起著至關重要作用。

發明內容

發明目的：本發明的目的是為了解決傳統陀螺隨機誤差建模方法考慮的單一性： 弱平穩性或弱線性。提供一種基于綜合集成賦權法的原子自旋陀螺隨機誤差建模方法。

技術方案：本發明采用的技術方案為：基于綜合集成賦權法的原子自旋陀螺隨機 誤差建模方法，包括下列步驟：

(1)獲取陀螺原始輸出數據，選定樣本長度n，得到時間序列y(n)；

(2)對時間序列y(n)建立基于ARIMA的線性模型y₁(n)；

(3)對時間序列y(n)建立基于SVM的非線性模型y₂(n)；

(4)通過博弈論的綜合集成賦權方法確定線性和非線性模型的權重c₁、c₂，使序列 的線性和非線性特征有機結合起來；

(5)加權組合兩種模型，即y(n)＝c₁y₁(n)+c₂y₂(n)，得到高精度的組合模型。

優先地，所述建立ARIMA線性模型包括下列內容：