CN103411628A - 一种mems陀螺仪随机漂移误差的处理方法 - Google Patents
一种mems陀螺仪随机漂移误差的处理方法 Download PDFInfo
- Publication number
- CN103411628A CN103411628A CN2013103547896A CN201310354789A CN103411628A CN 103411628 A CN103411628 A CN 103411628A CN 2013103547896 A CN2013103547896 A CN 2013103547896A CN 201310354789 A CN201310354789 A CN 201310354789A CN 103411628 A CN103411628 A CN 103411628A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- neural network
- rbf neural
- chromosome
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Gyroscopes (AREA)
Abstract
本发明提供了一种MEMS陀螺仪随机漂移误差的处理方法,首先确定RBF神经网络结构,然后获取学习样本,利用学习样本采用遗传算法(GA)优化,训练RBF神经网络,最后得到随机漂移误差抑制后的角速度数据。本发明针对MEMS陀螺仪的随机漂移误差,采用实时均值法来抑制随机漂移误差,利用基于遗传算法优化的RBF神经网络控制实时均值法的计算步长。本发明不需要对随机漂移误差建模,计算量小,可便捷实现MEMS陀螺仪实时的随机漂移误差抑制。
Description
技术领域
本发明属于惯性技术领域,特别涉及一种陀螺仪随机漂移误差的处理方法。
背景技术
近年来,微电子机械***(MEMS)陀螺作为惯性领域一个十分重要的分支,获得了长足的发展。由于它的成本低、尺寸小、重量轻和可靠性高的特性,在低成本惯性***中得到了越来越广泛的应用。但是,目前MEMS陀螺仪性能还比较低,如何降低MEMS陀螺仪的漂移误差,尤其是其中的随机漂移误差,成为了提高MEMS陀螺仪精度的关键。为了提高MEMS陀螺仪的精度,一方面是不断提高MEMS陀螺仪的器件精度,但是由于受到制造工艺的限制,短期内快速提高器件精度是很难实现的;另一方面就是建立合理的随机漂移误差处理模型,实时抑制MEMS陀螺仪的随机漂移误差。现有MEMS陀螺仪的随机漂移误差处理基本思路是:首先建立误差模型,然后采用一定的滤波技术对其进行估计和补偿。但该思路存在以下几个问题:1.因为MEMS陀螺仪的随机漂移误差的随机特性,很难建立合理的误差模型;2.采用滤波技术,计算量比较大,使用MEMS陀螺仪时的实时性会受到限制。
发明内容
为了克服现有技术的不足,本发明提供一种MEMS陀螺仪随机漂移误差的处理方法,采用实时均值法来抑制MEMS陀螺仪的随机漂移误差,利用基于遗传算法优化的RBF神经网络控制实时均值法的计算的步长,计算量小,可便捷实现MEMS陀螺仪实时的随机漂移误差抑制。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:设置RBF神经网络为单输入单输出,输入量为x=[Δw],Δw为MEMS陀螺仪角速度变化量,输出量为y=[Ystep],Ystep为实时均值法的计算步长,径向基向量h=[h1 h2…hj…hn]T,其中hj为高斯基函数,n为隐含层单元数,
式中,x是RBF神经网络的输入量,mj和σj 2分别是RBF神经网络的第j个隐含层单元高斯基函数的中心和方差;
RBF神经网络的权向量W=[w1,w2,…,wn]T,
则RBF神经网络的输出y=[Ystep]=WTh;得到1-n-1的RBF神经网络初始模型,其中高斯基函数的中心mj、方差σj 2和权向量W的初始值由步骤3中对初始种群解码后数据确定;
步骤2:将MEMS陀螺仪固定在单轴速率转台上,然后在范围内,等间隔分别给单轴速率转台输入k个角加速度,在给单轴速率转台输入每一个角加速度的同时采集MEMS陀螺仪输出的角速度和转台输出的角速度,得到k组训练样本;其中是MEMS陀螺仪可以量测的最大角加速度,所述的等间隔k为采集数据的组数,20≤k≤50;
步骤3:用步骤2得到的训练样本对步骤1得到的RBF神经网络初始模型进行训练,并采用遗传算法对RBF神经网络的高斯基函数的中心、方差和隐含层到输出层的连接权值进行优化,最后得到最优的RBF神经网络,具体包括以下步骤:
3.1:染色体采用二进制编码,每个染色体的二进制编码均包括n个高斯基函数的中心mj、n个高斯基函数的方差σj 2和n个隐含层到输出层的连接权值Wj,j=1,2…n;中心mj、方差σj 2、连接权值Wj都采用p位二进制数表示,一个染色体的总长度为3*p*n,4≤p≤8;
3.2:种群的初始化,生成初始的N个染色体,30≤N≤80;
3.3:染色体解码,将二进制编码的各个染色体的三个部分分别转换为十进制数;
3.4:计算各个染色体的适应度,具体步骤如下:
1)将解码获得的各组染色体对应的高斯基函数的中心mj和方差σj 2,以及隐含层到输出层的连接权值Wj代入RBF神经网络,得到N个RBF神经网络;
3.5:判断是否达到两个终止条件当中的任意一个,若满足,则将最优染色体对应的数据构成最优RBF神经网络;若不满足,则执行种群演化操作并返回步骤3.3;
所述的终止条件包括:
(1).种群演化的次数达到预先设定的循环次数NumCycle,50≤NumCycle≤100;
所述的演化操作包括以下步骤:
1)保留父代种群中适应度前3的个体,直接复制作为子代;然后再利用轮盘赌法对剩余个体进行选择,直到产生N个个体;
2)根据设定的交叉概率Pc确定染色体是否要交叉,0.4≤Pc≤0.8,交叉算子采用两点交叉法;
随机产生两个小于等于90的正整数r1、r2,r1<r2,将大于等于r1且小于等于r2的染色体段作为互换对象,得到两个新的子代:
3)根据设定的变异概率Pm确定染色体是否要变异,0.001≤Pm≤0.2,变异算子采用基本变异算子,在染色体上随机挑选一个或多个基因座进行基因值取反;
步骤4:实时采集MEMS陀螺仪的输出角速度变化量,输入到步骤3的最优的RBF神经网络,实时获得不同情况下的实时均值的计算步长;然后根据计算步长,采用实时均值法处理MEMS陀螺的原始输出数据,就可以得到随机漂移误差抑制后的角速度数据。
本发明的有益效果是:本发明针对MEMS陀螺仪的随机漂移误差,采用实时均值法来抑制随机漂移误差,利用基于遗传算法优化的RBF神经网络控制实时均值法的计算步长。本发明不需要对随机漂移误差建模,计算量小,可便捷实现MEMS陀螺仪实时的随机漂移误差抑制。
附图说明
图1是本发明实现方法的流程图;
图2是RBF神经网络结构示意图
图3是MEMS陀螺仪的输出在实时均值法处理前后数据对比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明包括以下步骤:
步骤1:确定RBF神经网络结构
设置RBF神经网络为单输入单输出(即输入层,输出层单元个数都为1),输入量为x=[Δw],Δw为MEMS陀螺仪角速度变化量,输出量为y=[Ystep],Ystep为实时均值法的计算步长,径向基向量h=[h1 h2…hj…hn]T,其中hj为高斯基函数,即:
式中,x是RBF神经网络的输入量,mj和σj 2分别是RBF神经网络的第j个隐含层单元高斯基函数的中心和方差。
RBF神经网络的权向量为:
W=[w1,w2,…,wn]T (2)
则RBF神经网络的输出为:
y=[Ystep]=WTh (3)
得到1-n-1的RBF神经网络初始模型,其中高斯基函数的中心mj、方差σj 2和权向量W的初始值由步骤3中对初始种群解码后数据确定。
步骤2:获取学习样本
首先将MEMS陀螺仪通过夹具固定在单轴速率转台上,然后在(是MEMS陀螺仪可以量测的最大角加速度)范围内,按等间隔(k为采集数据的组数,一般20≤k≤50),分别给转台输入k个角加速度,在给转台输入每一个角加速度的同时采集MEMS陀螺仪输出的角速度和转台输出的角速度。在完成所有的不同角加速度下的MEMS陀螺仪输出和转台输出的数据采集后,可以得到k组训练样本。
步骤3:采用遗传算法(GA)优化,训练RBF神经网络
用步骤2得到的学习样本对步骤1得到的初始RBF神经网络进行训练,并采用遗传算法对RBF神经网络的高斯基函数的中心、方差和隐含层到输出层的连接权值进行优化,最后得到最优的RBF神经网络。
3.1:染色体采用二进制编码,每个染色体编码包括三个部分,具体定义为:
单元1:n高斯基函数的中心mj,j=1,2…n;
单元2:n个高斯基函数的方差σj 2,j=1,2…n;
单元3:n个隐含层到输出层的连接权值Wj,j=1,2…n;
中心mj、方差σj 2、连接权值Wj都采用p位(一般取4≤p≤8)二进制数表示,所以一个染色体的总长度为3*p*n。
3.2:种群的初始化,生成初始的N(一般取30≤N≤80)个染色体。
3.3:染色体解码,将二进制编码的各个染色体的三个部分分别转换为十进制数。
3.4:计算各个染色体的适应度,具体步骤如下:
1)将3.3中解码获得的各组染色体对应的高斯基函数的中心mj和方差σj 2,以及隐含层到输出层的连接权值Wj代入RBF神经网络,可以得到N个RBF神经网络。
2)使用步骤2中获得的学习样本,根据1)中得到的N个RBF神经网络,可以得到不同的实时均值法的计算步长Ystep,分别采用实时均值法对样本数据进行处理,可以得到N组抑制随机漂移误差后的角速度数据J=1,2,...,N。
3)计算适应度
第J个染色体适应度函数:
3.5:判断是否达到终止条件。若满足,则将最优染色体对应的数据构成最优RBF神经网络;若不满足,则执行种群演化(选择、重组、变异)操作,返回步骤3.3。3.5中,终止条件(由两个条件构成,到达以下任一条件即结束循环):
(1).种群演化的次数达到预先设定的循环次数NumCycle(一般50≤NumCy≤cl1e);
(2).适应度满足:
3.5中,演化操作包括以下步骤:
1)选择
采用最优个体保留原则和轮盘赌选择法进行个体选择。首先保留父代种群中适应度前3的个体,直接复制作为子代;然后再利用轮盘赌法对剩余个体进行选择,直到产生N个个体;
2)交叉
根据设定的交叉概率Pc(Pc由专家经验确定,一般取值范围0.4≤Pc≤0.8)确定染色体是否要交叉,交叉算子采用两点交叉法。
设两条交叉的染色体分别为:
随机产生两个正整数r1,r2(0<r1,r2≤90),将处于r1~r2之间(包括r1,r2,下面以r1<r2为例)的染色体段作为互换对象,这样可以得到两个新的子代:
3)变异
根据设定的变异概率Pm(Pm由专家经验确定,一般取值范围0.001≤Pm≤0.2)确定染色体是否要变异,变异算子采用基本变异算子。即在染色体上随机挑选一个或多个基因座进行变动(本发明采用二进制编码,变动就是基因值取反,即0→1或1→0)。
步骤4:MEMS陀螺仪随机漂移误差的抑制
实时采集MEMS陀螺仪的输出角速度变化量,输入到步骤3训练好的RBF神经网络,就可以实时获得不同情况下的实时均值的计算步长。然后根据计算步长,采用实时均值法处理MEMS陀螺的原始输出数据,就可以得到随机漂移误差抑制后的角速度数据。
实施例:
步骤1:建立RBF神经网络初始模型
设置RBF神经网络为单输入单输出,输入量为x=[Δw](Δw为前后两个采样时刻的MEMS陀螺仪角速度变化量),输出量为y=[Ystep](Ystep为实时均值法的计算步长),径向基向量h=[h1 h2…hj…h5]T,其中hj为高斯基函数(设n=5,即5个隐含层单元),即:
式中,x是RBF神经网络的输入量,mj和σj 2分别是RBF神经网络的第j个隐含层单元高斯基函数的中心和方差。
RBF神经网络的权向量为:
W=[w1,w2,…,w5]T (2)
则RBF神经网络的输出为:
y=[Ystep]=WTh (3)
得到1-5-1的RBF神经网络初始模型,其中高斯基函数的中心mj、方差σj 2和权向量W的初始值由步骤3.3中对初始种群解码后数据确定。
步骤2:获取学习样本
本实施例采用ADIS16375惯性***(内置一个三轴陀螺仪和一个三轴加速度计),将MEMS陀螺仪通过夹具固定在单轴速率转台上,采集单轴的角速度,然后在(是MEMS陀螺仪可以量测的最大角加速度,本实施例取)范围内按等间隔分别给转台输入50个角加速度,在给转台输入每一个角加速度的同时采集MEMS陀螺仪输出的角速度和转台输出的角速度。在完成所有的不同角加速度下的MEMS陀螺仪输出和转台输出的数据采集后,可以得到50组训练样本。
步骤3:采用遗传算法(GA)优化,训练RBF神经网络
3.1:染色体采用二进制编码,每个染色体编码包括三个部分,具体定义为:
单元1:5个高斯基函数的中心mj,j=1,2…,5;
单元2:5个高斯基函数的方差σj 2,j=1,2…,5;
单元3:5个隐含层到输出层的连接权值Wj,j=1,2…,5;
中心mj、方差σj 2、连接权值Wj都采用6位二进制数表示,所以一个染色体的总长度为90。
3.2:种群的初始化,生成初始的30个染色体。
3.3:染色体解码,将二进制编码的各个染色体的三个部分分别转换为十进制数。
3.4:计算各个染色体的适应度,具体步骤如下:
1)将3.3中解码获得的各组染色体对应的高斯基函数的中心mj和方差σj 2,以及隐含层到输出层的连接权值Wj代入RBF神经网络,可以得到30个RBF神经网络。
2)使用步骤2中获得的学习样本,根据1)中得到的30个RBF神经网络,可以得到不同的实时均值法的计算步长Ystep,分别采用实时均值法对样本数据进行处理,可以得到n组抑制随机漂移误差后的角速度数据j=1,2,...,30。
3)计算适应度
第j个染色体适应度函数:
3.5:判断是否达到终止条件。若满足,则将最优染色体对应的数据构成最优RBF神经网络;若不满足,则执行种群演化(选择、重组、变异)操作,返回步骤3.3。3.5中,终止条件(由两个条件构成,到达以下任一条件即结束循环):
(1).种群演化的次数达到预先设定的循环次数NumCycle(本该实施例选择NumCycle=50);
(2).适应度满足:
3.5中,演化操作包括以下步骤:
1)选择
采用最优个体保留原则和轮盘赌选择法进行个体选择。首先保留父代种群中适应度前3的个体,直接复制作为子代;然后再利用轮盘赌法对剩余个体进行选择,直到产生30个个体;
2)交叉
根据设定的交叉概率Pc(本实施例选取Pc=0.5)确定染色体是否要交叉,交叉算子采用两点交叉法。
设两条交叉的染色体分别为:
随机产生两个正整数r1,r2(0<r1,r2≤90),将处于r1~r2之间(包括r1,r2,下面以r1<r2为例)的染色体段作为互换对象,这样可以得到两个新的子代:
3)变异
根据设定的变异概率Pm(本实施例选取Pm=0.05)确定染色体是否要变异,变异算子采用基本变异算子。即在染色体上随机挑选一个或多个基因座进行变动(本发明采用二进制编码,变动就是基因值取反,即0→1或1→0)。
步骤4:MEMS陀螺仪随机漂移误差的抑制
4.1实时采集MEMS陀螺仪输出的角速度。
4.2将MEMS陀螺仪角速度的变化量作为输入,代入到步骤3训练得到的最优RBF神经网络,可以实时得到实时均值法的计算步长L。
4.3根据4.2确定的计算步长L,采用实时均值法处理MEMS陀螺仪的输出的角速度数据,可以得到抑制随机漂移误差后的角速度数据。
如图3所示,是MEMS陀螺仪原始输出数据和采用本发明的方法抑制随机漂移后的数据对比图,可以明显看到采用本发明的方法很好的抑制了随机漂移误差,可以达到预期的效果。
本发明根据MEMS陀螺仪的不同工作状态,利用RBF神经网络合理调整实时均值法的计算步长,可以有效抑制MEMS陀螺仪的随机漂移误差。该发明计算量小,可以在便捷的在工程上。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (1)
1.一种MEMS陀螺仪随机漂移误差的处理方法,其特征在于包括下述步骤:
步骤1:设置RBF神经网络为单输入单输出,输入量为x=[Δw],Δw为MEMS陀螺仪角速度变化量,输出量为y=[Ystep],Ystep为实时均值法的计算步长,径向基向量h=[h1h2…hj…hn]T,其中hj为高斯基函数,n为隐含层单元数,
式中,x是RBF神经网络的输入量,mj和σj 2分别是RBF神经网络的第j个隐含层单元高斯基函数的中心和方差;
RBF神经网络的权向量W=[w1,w2,…,wn]T,
则RBF神经网络的输出y=[Ystep]=WTh;得到1-n-1的RBF神经网络初始模型,其中高斯基函数的中心mj、方差σj 2和权向量W的初始值由步骤3中对初始种群解码后数据确定;
步骤2:将MEMS陀螺仪固定在单轴速率转台上,然后在范围内,等间隔分别给单轴速率转台输入k个角加速度,在给单轴速率转台输入每一个角加速度的同时采集MEMS陀螺仪输出的角速度和转台输出的角速度,得到k组训练样本;其中是MEMS陀螺仪可以量测的最大角加速度,所述的等间隔k为采集数据的组数,20≤k≤50;
步骤3:用步骤2得到的训练样本对步骤1得到的RBF神经网络初始模型进行训练,并采用遗传算法对RBF神经网络的高斯基函数的中心、方差和隐含层到输出层的连接权值进行优化,最后得到最优的RBF神经网络,具体包括以下步骤:
3.1:染色体采用二进制编码,每个染色体的二进制编码均包括n个高斯基函数的中心mj、n个高斯基函数的方差σj 2和n个隐含层到输出层的连接权值Wj,j=1,2…n;中心mj、方差σj 2、连接权值Wj都采用p位二进制数表示,一个染色体的总长度为3*p*n,4≤p≤8;
3.2:种群的初始化,生成初始的N个染色体,30≤N≤80;
3.3:染色体解码,将二进制编码的各个染色体的三个部分分别转换为十进制数;
3.4:计算各个染色体的适应度,具体步骤如下:
1)将解码获得的各组染色体对应的高斯基函数的中心mj和方差σj 2,以及隐含层到输出层的连接权值Wj代入RBF神经网络,得到N个RBF神经网络;
3)计算第j个染色体适应度函数 式中,为转台输出的角速度;
3.5:判断是否达到两个终止条件当中的任意一个,若满足,则将最优染色体对应的数据构成最优RBF神经网络;若不满足,则执行种群演化操作并返回步骤3.3;所述的终止条件包括:
(1).种群演化的次数达到预先设定的循环次数NumCycle,50≤NumCycle≤100;
所述的演化操作包括以下步骤:
1)保留父代种群中适应度前3的个体,直接复制作为子代;然后再利用轮盘赌法对剩余个体进行选择,直到产生N个个体;
2)根据设定的交叉概率Pc确定染色体是否要交叉,0.4≤Pc≤0.8,交叉算子采用两点交叉法;
随机产生两个小于等于90的正整数r1、r2,r1<r2,将大于等于r1且小于等于r2的染色体段作为互换对象,得到两个新的子代:
3)根据设定的变异概率Pm确定染色体是否要变异,0.001≤Pm≤0.2,变异算子采用基本变异算子,在染色体上随机挑选一个或多个基因座进行基因值取反;
步骤4:实时采集MEMS陀螺仪的输出角速度变化量,输入到步骤3的最优的RBF神经网络,实时获得不同情况下的实时均值的计算步长;然后根据计算步长,采用实时均值法处理MEMS陀螺的原始输出数据,就可以得到随机漂移误差抑制后的角速度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310354789.6A CN103411628B (zh) | 2013-08-14 | 2013-08-14 | 一种mems陀螺仪随机漂移误差的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310354789.6A CN103411628B (zh) | 2013-08-14 | 2013-08-14 | 一种mems陀螺仪随机漂移误差的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103411628A true CN103411628A (zh) | 2013-11-27 |
CN103411628B CN103411628B (zh) | 2016-01-13 |
Family
ID=49604656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310354789.6A Expired - Fee Related CN103411628B (zh) | 2013-08-14 | 2013-08-14 | 一种mems陀螺仪随机漂移误差的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103411628B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820757A (zh) * | 2015-05-18 | 2015-08-05 | 中国电子科技集团公司第二十研究所 | 基于物理模型的mems陀螺温漂特性神经网络建模方法 |
CN107330149A (zh) * | 2017-05-27 | 2017-11-07 | 哈尔滨工业大学 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
CN109883416A (zh) * | 2019-01-23 | 2019-06-14 | 中国科学院遥感与数字地球研究所 | 一种结合可见光通信定位和惯导定位的定位方法及装置 |
CN110231052A (zh) * | 2019-04-25 | 2019-09-13 | 深圳大漠大智控技术有限公司 | 一种陀螺仪异常温漂的检测方法 |
CN112577478A (zh) * | 2020-11-11 | 2021-03-30 | 北京信息科技大学 | 微机电***陀螺随机噪声的处理方法及处理装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0848231A1 (de) * | 1994-06-08 | 1998-06-17 | BODENSEEWERK GERÄTETECHNIK GmbH | Inertialsensor-Einheit |
CN101158588A (zh) * | 2007-11-16 | 2008-04-09 | 北京航空航天大学 | 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法 |
-
2013
- 2013-08-14 CN CN201310354789.6A patent/CN103411628B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0848231A1 (de) * | 1994-06-08 | 1998-06-17 | BODENSEEWERK GERÄTETECHNIK GmbH | Inertialsensor-Einheit |
CN101158588A (zh) * | 2007-11-16 | 2008-04-09 | 北京航空航天大学 | 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法 |
Non-Patent Citations (3)
Title |
---|
V. VAIDEHI ETC: "Neural network aided Kalman filtering for multitarget tracking applications", 《COMPUTERS AND ELECTRICAL ENGINEERING》, vol. 27, no. 2, 31 May 2001 (2001-05-31), pages 217 - 228 * |
郭文强等: "基于RBF神经网络辅助的自适应UKF算法", 《计算机应用》, vol. 29, no. 3, 31 March 2009 (2009-03-31) * |
陈建勇等: "基于RBF神经网络的组合导航融合算法", 《数据采集与处理》, vol. 21, no. 2, 30 June 2006 (2006-06-30) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820757A (zh) * | 2015-05-18 | 2015-08-05 | 中国电子科技集团公司第二十研究所 | 基于物理模型的mems陀螺温漂特性神经网络建模方法 |
CN104820757B (zh) * | 2015-05-18 | 2018-02-06 | 中国电子科技集团公司第二十研究所 | 基于物理模型的mems陀螺温漂特性神经网络建模方法 |
CN107330149A (zh) * | 2017-05-27 | 2017-11-07 | 哈尔滨工业大学 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
CN109883416A (zh) * | 2019-01-23 | 2019-06-14 | 中国科学院遥感与数字地球研究所 | 一种结合可见光通信定位和惯导定位的定位方法及装置 |
CN110231052A (zh) * | 2019-04-25 | 2019-09-13 | 深圳大漠大智控技术有限公司 | 一种陀螺仪异常温漂的检测方法 |
CN112577478A (zh) * | 2020-11-11 | 2021-03-30 | 北京信息科技大学 | 微机电***陀螺随机噪声的处理方法及处理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103411628B (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103411628A (zh) | 一种mems陀螺仪随机漂移误差的处理方法 | |
CN104715282B (zh) | 一种基于改进pso‑bp神经网络的数据预测方法 | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
US20170338802A1 (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN103020434A (zh) | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 | |
Hao et al. | Dynamic path planning of a three-dimensional underwater AUV based on an adaptive genetic algorithm | |
CN107332889A (zh) | 一种基于云计算的云端信息管理控制***及控制方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN104048676B (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
CN104463381A (zh) | 基于kpca与wlssvm的建筑能耗预测方法 | |
CN102506876B (zh) | 一种地球紫外敏感器测量的自主导航方法 | |
CN102566446B (zh) | 基于线性模型组的无人直升机全包线数学模型构建方法 | |
CN102645894B (zh) | 模糊自适应动态规划方法 | |
CN110390399A (zh) | 一种强化学习的高效探索方法 | |
CN103593519A (zh) | 一种基于试验设计的运载火箭总体参数优化方法 | |
CN103123668B (zh) | 一种基于混合单元法的空间绳系机器人***的仿真方法 | |
Wu et al. | Research on data reconciliation based on generalized T distribution with historical data | |
CN105490836B (zh) | 一种复杂网络可靠度的蒙特卡罗评估方法 | |
CN104731709A (zh) | 一种基于jcudasa_bp算法的软件缺陷预测方法 | |
CN104816305A (zh) | 一种基于事件驱动机制的有限时间多机器人合作控制方法 | |
CN107798380A (zh) | 探测器器上星历计算方法和计算*** | |
CN107527093A (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN102521504A (zh) | 基于嵌入式平台的自适应滤波目标跟踪定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160113 Termination date: 20160814 |