[发明专利]基于优化LS-SVM的光纤陀螺温度漂移误差补偿方法

说明书

技术领域

本发明涉及惯性技术领域，具体涉及一种基于优化LS-SVM的光纤陀螺温度漂移误差补偿方法。

背景技术

光纤陀螺仪(Fiber Optic Gyroscope，FOG)是一种基于Sagnac效应的光学传感器，由于构成器件的组成部分对温度变化较为敏感，致使工作环境温度变化会对光纤陀螺的输出精度产生影响，从而制约了惯性导航的精度的提高。为了抑制这种温度漂移误差，众多研究者做了大量的工作。一方面主要从陀螺的内部构造出发，通过结构设计改进使得线圈、光源和光学器件工作环境温度更为稳定；另一方面则是通过分析光纤陀螺的温度特性，建立温度漂移模型从而达到误差补偿和精度提高的目的。前者在具体实施时会有较多的限定条件，后者则在工程实际中得到了更为广泛的应用。本发明的相关研究正是基于这样的思想。

在已有的光纤陀螺温度漂移误差建模和补偿方法中，在工程上常采用的是简易但精度有限的线性或分段线性模型结构，如ARMA等。近来年，具有良好的逼近复杂非线性函数能力的人工神经网络已运用于温度漂移模型的建立，包括BP神经网络、RBF神经网络以及联合一些优化算法的改进算法。这些模型在光纤陀螺温度漂移数据补偿均取得了一定的效果。

其中RBF神经网络具有全局逼近能力，避免了BP神经网络可能存在的陷入局部最小问题，但神经网络的学习方法采用的是经验风险最小化原则，经验成分的存在可能会使得在训练过程中出现过学习的问题。支持向量机(Support Vector Machine,SVM)是以统计学理论为基础发展起来的新一代机器学习方法，是由Vapnik等人于1995年提出，这是一种以结构风险最小化为原则，以训练误差作为优化的约束条件，优化目标为置信范围值最小化，主要用于解决分类和回归分析等问题。而最小二乘支持向量机(Least Square-Support Vector Machine，LS-SVM)是对标准SVM的一种深化和拓展，降低了算法的计算复杂度。因此在模式识别、数据挖掘、遥感图像分析等领域得到广泛的应用。

根据相关研究成果的分析，LS-SVM模型中的惩罚参数c与核宽度参数σ的选择和确定很大程度上决定了模型的辨识和补偿效果。目前一般采用的有梯度下降算法、遗传算法和粒子群等优化方法，但上述方法在收敛速度或全局寻优等方面会有所欠缺。而人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)是一种基于动物行为的全局寻优算法，是通过模拟和构造人工鱼的几种简单行为来对个体最优值进行搜寻，最终在鱼群中得到全局最优值。是集群智能思想的一个具体应用，主要特点是不需了解待寻优问题的具体信息，具有较快的收敛速度，在诸多领域均得到了成功运用。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于优化LS-SVM的光纤陀螺温度漂移误差补偿方法，能有效的解决光纤陀螺温度敏感的问题，从而提高陀螺精度。

技术方案：本发明的一种基于优化LS-SVM的光纤陀螺温度漂移误差补偿方法，利用人工鱼群算法优化光纤陀螺温度漂移误差的LS-SVM模型参数，具体步骤包括：

(1)将AFSA算法和LS-SVM模型参数的初始化；

(2)根据光纤陀螺输出数据确定模型训练和测试的样本数据，并对模型输入数据进行去噪和去除趋势项等预处理；

(3)利用步骤(2)所得的训练数据训练LS-SVM模型，通过AFSA算法中的迭代寻优步骤以及目标函数来确定最优的参数；

(4)根据训练好的模型预测光纤陀螺的输出并进行温度漂移误差的补偿；

其中，步骤(1)中初始化的模型参数包括群体规模N、最大迭代次数M、人工鱼个体的视野范围Visual、人工鱼个体的移动步长Step和拥挤度因子δ，初始化数据后在变量可行域内随机生成N个人工鱼，根据形成的初始鱼群确定对应的待寻优LS-SVM的变量c和σ，人工鱼个体X＝(X₁X₂…X_n)，其中X_i(i＝1,2…n)为各待寻优变量；人工鱼个体当前所在位置的食物浓度设为Y，且有Y＝(Y₁Y₂…Y_n)＝f(X)，各人工鱼之间距离d_ij为d_ij＝||X_i-X_j||。

其中，人工鱼群方法的具体步骤如下：