[发明专利]遗传小波神经网络的陀螺随机误差补偿方法及系统

权利要求书

1.一种遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，包括：

确定小波神经网络的输入量和输出量；

通过梯度修正法训练小波神经网络的权值和小波基函数系数；

通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；

根据基于遗传算法与小波神经网络的陀螺随机误差模型对陀螺随机误差进行补偿。

2.根据权利要求1所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，小波神经网络包含三层，分别是输入层、隐含层、输出层，隐含层与输入层、输出层之间分别有连接权值，传递函数为小波基函数，该小波神经网络的小波基函数为以下公式：

其中，ψ(j)为隐含层第j个节点输出值，ω_ij为输入层和隐含层的连接权值，k为输入层节点数，I为隐含层节点数，b_j为小波基函数的平移因子，a_j为小波基函数的伸缩因子，ψ(x)取Morlet小波，

小波神经网络的输出层公式如下：

其中，y(k)为输出层第k个节点输出值，ω_jk为隐含层到输出层权值，I为隐含层节点数，m为输出层节点数，ψ(j)为隐含层第j个节点输出值。

3.根据权利要求2所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，小波神经网络的输入量为陀螺随机误差的预测时刻对应的前一时刻的陀螺随机误差值；小波神经网络的输出量为陀螺随机误差的预测时刻的陀螺随机误差预测值。

4.根据权利要求3所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，通过梯度修正法训练小波神经网络的权值和小波基函数系数，具体实现如下：

第一步，计算小波神经网络的预测误差

其中，为期望输出值，y(k)为预测输出值，m为输出层的节点数；

第二步，根据预测误差e更新小波神经网络的权值和小波基函数系数

其中，n为隐含层节点数，和分别为更新前和更新后的小波神经网络的权值，和分别为更新前和更新后的小波神经网络的小波基函数系数，和分别为更新前和更新后的小波神经网络的小波基函数系数，η为学习速率。

5.根据权利要求4所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型，具体实现如下：

获取梯度修正法训练后的小波神经网络的权值和小波基函数系数，并对小波神经网络的权值和小波基函数系数进行预处理；

计算各遗传算法种群个体的适应度值；

若该适应度值满足终止条件，则得到小波神经网络的最佳权值和小波基函数系数；

若不满足，则根据各遗传算法种群个体的适应度值，在种群内部进行选择、交叉、变异操作，直到满足终止条件，以获取小波神经网络的最佳权值和小波基函数系数；

对小波神经网络的最佳权值和小波基函数系数进行反向处理，赋予小波神经网络。

6.根据权利要求5所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，预处理为实数编码。

7.根据权利要求6所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，通过以下公式计算各遗传算法种群个体的适应度值：

其中，f为适应度值，E为目标误差函数值，目标误差函数如下：

其中，E为目标误差函数值，p为输入染色体数，为目标输出值，为实际输出值。

8.根据权利要求7所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，通过以下公式计算每个个体的选择概率：

其中，P_i为选择概率，f为适应度值，p为输入染色体数。