一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
【专利摘要】本发明公开了一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法，包括以下四个步骤：(1)网络参数初始化，建立改进Elman神经网络模型；(2)训练及测试样本的获取；(3)训练改进Elman神经网络并通过遗传算法优化模型参数；(4)光纤陀螺预测输出及误差补偿。通过引入具有自反馈连接权的改进Elman神经网络来对经去噪算法处理的光纤陀螺输出进行训练，并采用遗传算法不断迭代优化模型参数，根据不同参数下模型的误差大小，从而得到最优的模型。本发明在兼顾算法复杂性的同时提高了光纤陀螺温度漂移模型的准确性，拓展了其在工程中的应用，具有一定的实际意义。
【专利说明】一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
【技术领域】
[0001]本发明属于惯性【技术领域】，涉及一种陀螺仪漂移建模方法，特别涉及一种光纤陀螺在温度变化的工作环境中温度漂移建模方法。
【背景技术】
[0002]光纤陀螺作为新一代的光学传感器，以其独特的优势，越来越广泛的应用于大量的精密仪器系统中。然而由于构成光纤陀螺的核心部件对温度较为敏感，因此当环境温度改变时，光纤陀螺的输出信号中将伴有温度漂移误差。温度漂移作为光纤陀螺最主要的误差源之一，严重制约着光纤陀螺的精度，因此有必要采取温度误差建模补偿的方法来予以消除。根据光纤陀螺的Shupe效应，在一定的温度变化情况下，产生的非互易相位噪声是确定的。对温度漂移误差的补偿方法不同于一般的器件改进，对光纤陀螺温度特性进行实验研究，建立温度漂移模型并实施温度补偿也是可行的，这种方法也是工程上解决光纤陀螺温度漂移问题的有效手段之一。
[0003]在已有的光纤陀螺漂移建模方法中，对于中低精度光纤陀螺，软件补偿方法能够基本满足工作要求，对于中高精度光纤陀螺，也能达到有条件的适用。已有的研究结果表明光纤陀螺的零偏漂移是一个非平稳随机过程，对其进行建模的实质是找出描述其随机时间序列统计相关性的数学表示，即零偏稳定性数学模型，工程上常采用简易可行的线性或分段线性模型结构，如ARMA，但精度有限。
[0004]为了提高模型的拟合精度，考虑到光纤陀螺的温度特性受多种因素影响，具有非常复杂的非线性特性，而人工神经网络是非线性建模问题中最常用的一种建模方法，它具有信息的并行处理、分布式存储和自组织、自学习能力等独特优势，在许多应用领域取得了巨大成功，在光纤陀螺温度漂移误差建模与补偿中也受到了重视。
[0005]神经网络具有良好的逼近复杂非线性函数的能力，使用神经网络建立光纤陀螺温度漂移模型，无需分别对零偏和标度因子进行建模，温度补偿步骤得以简化，补偿精度得到提高，而且神经网络一旦训练达到要求，就能够得出逼近光纤陀螺温度特性的非线性函数的表达式，便于将训练好的神经网络应用在工程上。已有的相关文献中提到遗传算法优化的BP神经网络、RBF神经网络，后者克服了 BP神经网络固有的问题，利用局部逼近的总和达到对训练数据的全局逼近，可实现全局最优。
[0006]此外，近些年一些新的算法也被研究者积极地运用到光纤陀螺温度漂移建模中，如灰色径向基神经网络(GRBFN)、投影寻踪网络(PPLN)、小波网络以及模糊逻辑等。但这些算法具有一定的局限性，表现在对样本数据、处理速度等方面均有较高要求。

【发明内容】

[0007]发明目的:针对上述现有技术，提出了一种遗传优化动态递归神经网络的光纤陀螺温度漂移建模方法，该方法在较好的控制算法复杂度的同时能更好的拟合光纤陀螺温度漂移，有效提高系统的稳定性和预测精度。
[0008]技术方案:一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法，包括下列步骤:
[0009]步骤(1)，建立改进Elman神经网络模型:
[0010]将光纤陀螺的环境温度及前一时刻输出数据作为模型的输入量，当前时刻光纤陀螺输出作为模型的输出量，构建改进Elman神经网络模型；所述改进Elman神经网络模型为两输入、单输出的四层神经网络，数学模型表示为:
[0011 ]
【权利要求】
1.一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法，其特征在于，包括下列步骤: 步骤(1)，建立改进Elman神经网络模型: 将光纤陀螺的环境温度及前一时刻输出数据作为模型的输入量，当前时刻光纤陀螺输出作为模型的输出量，构建改进Elman神经网络模型；所述改进Elman神经网络模型为两输入、单输出的四层神经网络，数学模型表示为:x{k) =/[WJlXXk^WJqUik-1)]
xc (k) = a xc (k-1) +X (k-1) y{k) = g[WiJxm 式中，％表示隐含层与关联层的连接权矩阵，表示隐含层与输入层之间的连接权矩阵表示隐含层与输出层的连接权矩阵，y(k)表示k时刻神经网络的输出，u(k)表示k时刻神经网络的输入，x(k)表示k时刻的隐含层状态，Xc;(k)表示k时刻关联层中神经元的状态，f (.)表示隐含层的激活函数所组成的非线性向量函数，g(.)表示输出层的激活函数所组成的非线性向量函数，其中f (.)取sigmoid函数；0 < α〈I为自连接反馈增益因子；i，j，q，k分别为对应参数变化范围内的变量，取值范围为1，2，3…N; 设第k步网络的实际输出为yd(k)，定义误差函数为:
Eik) = \ (yd (k) - y(k)f (yd (k) — y(k)) 步骤(2)，获取学习样本: 以特征温度下的光纤陀螺输出信号作为学习样本，使学习样本能够反映可工作温度条件下的测量范围； 步骤(3)，训练改进Elman神经网络并通过遗传算法优化模型参数: 根据所述步骤(1)得到的改进Elman神经网络模型和步骤(2)得到的样本数据，对各组学习样本采用标准的BP算法训练，即可得到改进Elman神经网络模型参数；再利用遗传算法迭代得到最优的模型参数包括权值和阈值从而得到最优的神经网络模型； 步骤(4)，将光纤陀螺原始输出信号输入步骤(3)所得的最优的神经网络模型中，即可得到光纤陀螺预测输出，从而对光纤陀螺温度漂移进行补偿。
2.根据权利要求1所述的一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法，其特征在于:所述步骤(1)中，光纤陀螺输出先经过去噪算法处理后，再用作模型的输入和输出量。
3.根据权利要求1所述的一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法，其特征在于:所述步骤(3)中利用遗传算法迭代得到最优的模型参数具体步骤如下:根据所述误差函数，对Elman神经网络模型进行误差计算，将计算得到的误差作为适应度函数，比较一定模型参数下的所述适应度函数值大小，从而得到最优的模型。
【文档编号】G01C19/72GK103593538SQ201310619024
【公开日】2014年2月19日 申请日期:2013年11月28日 优先权日:2013年11月28日
【发明者】陈熙源, 宋锐, 汤传业, 黄浩乾, 吕才平, 何昆鹏, 方琳 申请人:东南大学