一种基于BAS-GSA优化的混合核支持向量机陀螺温漂补偿方法技术

本发明专利技术公开了一种基于BAS

【技术实现步骤摘要】
一种基于BAS
‑
GSA优化的混合核支持向量机陀螺温漂补偿方法


[0001]本专利技术属于惯性导航器件领域，具体涉及一种基于BAS
‑
GSA(天牛须搜寻算法
‑
引力搜寻算法)优化的混合核支持向量机陀螺温漂补偿方法，针对光纤、微机械陀螺温度漂移大、非线性强等特征，实现陀螺高精度温度漂移补偿。

技术介绍

[0002]捷联惯导系统是一种自主、信息量全的导航系统，而陀螺是实现高精度导航定位的关键器件。然而，温度漂移引起的测量误差严重限制了陀螺在导航定位中的实际应用。由于某些组件的特性在很大程度上会受到环境温度的影响，因此产生的陀螺测量误差将随温度而变化，这引起了研究人员对温度漂移精确补偿的大量关注。由于良好的简单性和适应性，以温度因变量为输入，以光纤陀螺温度漂移为输出的基于软件模型的补偿策略在实践中得到了广泛应用。然而，由于温度漂移具有强非线性特征，因此首先必须研究如何准确地建立预测和补偿模型。
[0003]温度漂移是影响光纤陀螺测量精度的一个重要因素。国内外针对温度漂移的补偿技术研究主要分为两类：硬件补偿和软件补偿。硬件补偿主要分为基于器件材料的温度特性改进以及建立可以保持器件环境温度恒定的温度控制系统。硬件补偿技术侧重于从根本上解决温漂问题，但会导致设计成本增加，器件体积增大，设计加工复杂等一系列问题。软件补偿技术是建立以温度相关量为输入，以温度漂移为输出的预测补偿模型，常用建模方法有最小二乘，神经网络，支持向量机等方法。最小二乘法在非线性温漂补偿模型中阶数过高，计算负担较重。神经网络训练学习精度取决于样本数量及初始结构参数的选取，有过拟合和欠拟合风险。支持向量机(SVM)是一种基于结构风险的分类器，其在小样本条件下仍然具有较强的鲁棒性及学习精度。支持向量机自90年代以来被广泛应用于分类及回归运算中，但其运算性能取决于核函数的选取及初始结构参数的选取。目前，没有选择支持向量机核函数的确定方法，支持向量机核函数通常分为两类：局部核和全局核。前者具有很强的局部搜索和学习能力，后者具有很好的外推和泛化能力。为了综合这两种核函数的优点，一些研究中提出了基于混合核函数的支持向量机(HKSVM)，以解决复杂非线性回归和预测问题。然而，混合核使支持向量机的结构更为复杂，需要调整和选择更多的超参数。近年来，随着如粒子群算法(PSO)、遗传算法(GA)、引力算法(GSA)、布谷鸟算法(CSA)及天牛须算法(BAS)等启发式算法的快速兴起，神经网络及支持向量机等智能算法的初始结构参数由人工试错法向自动寻优发展，参数搜寻精度及效率大为提升。但启发式算法均有各自的优缺点，缺乏可以集合多种算法优点的具有最佳搜寻能力的方法。
[0004]提高陀螺温度漂移补偿精度也可以在硬件上进行改进，例如添加辅助的陀螺调温装置，使陀螺温度在使用器件维持恒定，这种方案可在根本上解决陀螺器件的温度漂移问题，却使器件结构变得异常复杂，同时增加了器件体积、提高了成本，不利于在实践中进行推广应用。

技术实现思路

[0005]为解决上述问题，本专利技术公开了一种基于BAS
‑
GSA优化的混合核支持向量机陀螺温漂补偿方法，对具有确定参数的陀螺进行温度漂移实验验证，取得效果能够满足高精度温度漂移补偿要求。
[0006]为达到上述目的，本专利技术的技术方案如下：
[0007]一种基于BAS
‑
GSA优化的混合核支持向量机陀螺温漂补偿方法，包括下列步骤：
[0008]步骤1)，建立陀螺温度漂移数学模型：
[0009]步骤1.1)建立光纤陀螺温度漂移数学模型：
[0010][0011]其中，E为输出温度漂移量，T为测量温度，
△
T为温度变化量，为温度梯度，S
i
,S
v
,S
d
为对应变量相关系数。
[0012]步骤1.2)建立陀螺温度漂移传递函数如下：
[0013][0014]其中，y为输出温度漂移量，f()为待求解温度漂移模型传递函数。
[0015]步骤2)，建立基于均方误差的评价函数如下：
[0016][0017]其中，fit表示目标函数值，y
i
及分别为实测及预测的温度漂移值。n表示样本数量。
[0018]步骤3)，建立基于线性核和径向基函数核的支持向量机混合核模型如下：
[0019]κ
H
(x,x
i
)＝(1
‑
w)κ
P
(x,x
i
)+wκ
R
(x,x
i
)
ꢀꢀꢀ
(4)
[0020]κ
P
(x,x
i
)＝(x
T
x
i
+1)
d
ꢀꢀꢀ
(5)
[0021]κ
R
(x,x
i
)＝exp[
‑
||x
‑
x
i
||2/(2δ2)]ꢀꢀꢀ
(6)
[0022]其中，κ
H
(x,x
i
)，κ
P
(x,x
i
)及κ
R
(x,x
i
)分别为混合核，线性核及径向基函数核。d及δ分别为线性核及径向基函数核的维数及宽度。w为线性核与径向基函数核的关系系数。
[0023]步骤4)，建立混合核支持向量机模型步骤如下：
[0024]步骤4.1)，基于步骤3)，建立基于混合核支持向量机的待寻优参数组成的4维向量如下：
[0025]x(t)＝[C,d,δ,w]T
ꢀꢀꢀ
(7)
[0026]其中，C为支持向量机惩罚因子。
[0027]步骤4.2)，建立支持向量机模型如下：
[0028][0029]其中,ω和b为支持向量机待训练求解的模型参数，ε为不敏感系数，ξ和为松弛
变量。
[0030]步骤4.3)运用拉格朗日方法求解方程(8)，得到混合核支持向量机模型如下：
[0031][0032]其中,和α
i
为拉格朗日乘子，b为截断系数。
[0033]步骤5)，建立BAS寻优步骤如下：
[0034]步骤5.1)初始化N只甲虫在搜索空间中的4维位置并计算各自评价函数值fit(x
i
)：
[0035]x
i
(t)＝[C
i
,d
i
,δ
i
,w
i
]T
,i＝1,2,
…
,N
ꢀꢀꢀ
(10)
[0036]步骤5.2)计算甲虫左、右触须在空间中的位置如下：
[0037][0038]其中,i＝1,2,
…<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BAS
‑
GSA优化的混合核支持向量机陀螺温漂补偿方法，其特征在于：包括下列步骤：步骤1)，建立陀螺温度漂移数学模型：其中，y为输出温度漂移量，T为测量温度，
△
T为温度变化量，为温度梯度，f()为温度漂移模型传递函数，步骤2)，建立基于均方误差的评价函数如下：其中，fit表示目标函数值，y
i
及分别为实测及预测的温度漂移值，n表示样本数量，步骤3)，建立基于线性核和径向基函数核的支持向量机混合核模型如下：κ
H
(x,x
i
)＝(1
‑
w)κ
P
(x,x
i
)+wκ
R
(x,x
i
)
ꢀꢀꢀꢀꢀꢀꢀ
(3)κ
P
(x,x
i
)＝(x
T
x
i
+1)
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)κ
R
(x,x
i
)＝exp[
‑
||x
‑
x
i
||2/(2δ2)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中,κ
H
(x,x
i
)，κ
P
(x,x
i
)及κ
R
(x,x
i
)分别为混合核，线性核及径向基函数核，d及δ分别为线性核及径向基函数核的维数及宽度，w为线性核及径向基函数核的关系系数，步骤4)，基于步骤3)，建立基于混合核支持向量机的待寻优参数组成的4维向量如下：x(t)＝[C,d,δ,w]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中,C为支持向量机惩罚因子，步骤5)，建立BAS寻优步骤如下：步骤5.1)初始化N只甲虫在搜索空间中的4维位置并计算各自评价函数值fit(x
i
)：x
i
(t)＝[C
i
,d
i
,δ
i
,w
i
]
T
,i＝1,2,
…
,N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)步骤5.2)计算甲虫左、右触须在空间中的位置如下：其中,i＝1,2,
…
,N，x
il
(t)及x
ir
(t)分别甲虫左、右触须的位置，n
i
为随机生成的4维单位向量，d(t)为触须长度，步骤5.3)计算甲虫的新位置：其中,i＝1,2,
…
,N，fit(x
il
)及fit(x
ir
)分别是由甲虫左右触须的位置计算的评价函数值，μ(t)表示移动步距，sgn为符号函数，同时计算甲虫新位置对应的评价函数值步骤5.4)更新甲虫下一步的全局位置如下式：其中，i＝1,2,
…
,N，步骤6)，建立GSA寻优步骤如下：
步骤6.1)在搜索空间中随机初始化N个甲虫的4维位置如式(7)所示，步骤6.2)计算N个甲虫在搜索空间中的评价函数值及其质量：m
i
(t)＝[fit
i
(t)
‑
fit
worst
(t)]/[fit
best
(t...

【专利技术属性】
技术研发人员：陈熙源，刘建国，
申请(专利权)人：东南大学，
类型：发明
国别省市：