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

本發明專利技術提出了一種基于綜合集成賦權法的原子自旋陀螺儀隨機誤差建模方法，屬于陀螺數據處理技術領域。該方法綜合考慮了陀螺實時輸出數據的弱平穩性、弱線性特性，并基于綜合集成賦權法對線性和非線性特征進行擬合，提出了更加全面更加精確的建模方法。本發明專利技術在考慮弱平穩性的同時兼顧弱線性特性，同時摒棄了用一種模型的殘差序列去建立另一種模型的方法。本建模方法解決了單一模型無法體現陀螺隨機誤差的線性和非線性復合特征的缺點，提高了建模的精度。模型建立的準確性直接影響到后續的再處理過程，因此本發明專利技術提出的基于綜合集成賦權法的原子自旋陀螺隨機誤差建模方法對于提高陀螺精度起著至關重要作用。

【技術實現步驟摘要】

本專利技術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

技術介紹
隨著量子調控技術的發展，操控原子自旋處于無交換弛豫(SpinExchangeRelaxationFree,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，本專利技術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。
技術實現思路
專利技術目的：本專利技術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：本專利技術采用的技術方案為：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：首先對陀螺輸出數據進行平穩性檢驗，常用方法是基于單位根的增廣迪基－福勒(ADF)檢驗法，該方法原理是：對于一個自回歸過程，如果其特征方程的所有特征根都在單位圓內，則序列平穩；如果有一個特征根存在且為1，則序列非平穩，且自回歸系數之和恰好等于1。若為平穩序列，則直接建立ARMA模型；反之，則對數據進行一次差分，再進行平穩性檢驗，直至d階差分后，數據是平穩序列。畫出平穩序列的自相關和偏自相關圖，根絕拖尾和截尾情況初步選定ARMA模型的階次p和q。根據AIC或BIC準則優化p和q，得到最佳階次。確定模型階次后，對模型參數進行估算，最終對平穩序列建立ARMA(p,q)模型，即對原序列建立ARIMA(p,d,q)模型。優先地，所述SVM是一個有監督的學習模型，通常用來進行模式識別、分類、以及回歸分析。其核心思想是：通過非線性映射ρ把非線性變量x映射到一個高維空間，進而在高維空間進行線性回歸。這里的非線性映射通過核函數來巧妙地實現，且核函數的選擇對結果的產生影響較大。優先地，所述ARIMA和SVM模型均是直接對原序列建立的線性和非線性模型，而非使用傳統的用一種模型的殘差序列去建立另一種模型的方法。優先地，所述博弈理論是：博弈理論多用于指標賦權評價，由于時間序列y(n)具有線性和非線性復合特征，因此本專利技術采用綜合集成賦權法，通過博弈論的綜合集成賦權法將線性權重和非線性綜合起來，使可能的權重與各個基本權重之間的各自偏差最小，盡可能保留線性、非線性權重值的信息。有益效果：本專利技術的提出解決了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。提供了一種基于綜合集成賦權法的原子自旋陀螺儀隨機誤差建模方法，該方法兼顧了陀螺靜態輸出數據的弱平穩性和弱線性，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。解決了單一模型無法體現陀螺隨機誤差的線性和非線性復合特征的缺點，提高了建模的精度。模型建立的準確性直接影響到后續的再處理過程，因此本專利技術提出的基于綜合集成賦權法的原子自旋陀螺儀隨機誤差建模方法對于提高陀螺精度有著至關重要的作用。附圖說明圖1為原子自旋陀螺隨機誤差的總體建模方法流程圖；圖2為線性建模方法流程圖；圖3為非線性建模方法流程圖。具體實施方式結合附圖和具體實施方式對本專利技術作進一步的說明。圖1所示為原子自旋陀螺隨機誤差的總體建模方法流程圖，具體來說，包括下列步驟：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)；分別對時間序列y(n)建立基于ARIMA的線性模型y1(n)和基于SVM的非線性模型y2(n)；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；最后加權組合兩種模型，即y(n)＝c1y1(n)+c2y2(n)，得到高精度的組合模型。博弈論求權重的方法如下：設m個權重向量WiT={wk1,wk2,...wkm本文檔來自技高網...

【技術保護點】
基于綜合集成賦權法的原子自旋陀螺隨機誤差建模方法，其特征在于：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。

【技術特征摘要】
1.基于綜合集成賦權法的原子自旋陀螺隨機誤差建模方法，其特征在于：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。
2.根據權利要求1所述的建模方法，其特征在于：步驟2包括下列步驟：
(1)采用基于單位根的增廣迪基－福勒檢驗法對陀螺輸出數據進行平穩性檢驗，即對
于一個自回歸過程，如果其特征方程的所有特征根都在單位圓內，則序列平穩；如果有一個
特征根存在且為1，則序列非平穩，且自回歸系數之和恰好等于1；
(2)若為平穩序列，則畫出平穩序列的自相關和偏自相關圖，根絕拖尾和截尾情況初步
選定ARMA模型的階次p和q；反之，則對數據進行一次差分，再進行平穩性檢驗，直至d階差分
后，數據是平穩序列x(n)，則有(1-B)dy(n)＝x(n)，其中B為一步延遲算子，即By(n)＝y(n-
1)；
(3)根據AIC或BIC準則優化p和q，得到最佳階次，若q＝0，x(n)為AR(P)模型，
則原序列若p＝0，x(n)為
MA(q)模型，則原序列若p,q均不
為0，x(n)為ARM...

【專利技術屬性】
技術研發人員：陳熙源，何雙雙，張紅，鄒升，
申請(專利權)人：東南大學，
類型：發明
國別省市：江蘇;32