CN111238462A - 一种基于深度嵌入聚类的lstm光纤陀螺温补建模方法 - Google Patents

一种基于深度嵌入聚类的lstm光纤陀螺温补建模方法 Download PDF

Info

Publication number
CN111238462A
CN111238462A CN202010060569.2A CN202010060569A CN111238462A CN 111238462 A CN111238462 A CN 111238462A CN 202010060569 A CN202010060569 A CN 202010060569A CN 111238462 A CN111238462 A CN 111238462A
Authority
CN
China
Prior art keywords
fiber
clustering
optic gyroscope
distribution
automatic encoder
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
Application number
CN202010060569.2A
Other languages
English (en)
Other versions
CN111238462B (zh
Inventor
周晨君
刘嘉祥
刘小进
龚小进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Sanjiang Aerospace Hongfeng Control Co Ltd
Original Assignee
Hubei Sanjiang Aerospace Hongfeng Control Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Sanjiang Aerospace Hongfeng Control Co Ltd filed Critical Hubei Sanjiang Aerospace Hongfeng Control Co Ltd
Priority to CN202010060569.2A priority Critical patent/CN111238462B/zh
Publication of CN111238462A publication Critical patent/CN111238462A/zh
Application granted granted Critical
Publication of CN111238462B publication Critical patent/CN111238462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
    • G01C19/58—Turn-sensitive devices without moving masses
    • G01C19/64—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams
    • G01C19/72—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams with counter-rotating light beams in a passive ring, e.g. fibre laser gyrometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
    • G01C19/58—Turn-sensitive devices without moving masses
    • G01C19/64—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams
    • G01C19/72—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams with counter-rotating light beams in a passive ring, e.g. fibre laser gyrometers
    • G01C19/721—Details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Gyroscopes (AREA)

Abstract

本发明公开了一种基于深度嵌入聚类的LSTM光纤陀螺温补建模方法，包括：采集温度与光纤陀螺零偏数据构造训练数据集，逐层训练去噪自动编码器；基于训练后的去噪自动编码器，构造深度自动编码器；基于深度自动编码器，将输入x映射得到嵌入点z；计算嵌入点z与聚类中心的软分配，构造辅助目标分配；以软分配和辅助目标分配的kl散度为目标函数，在计算辅助目标函数和最小化kl散度之间迭代，更新深度自动编码器参数和聚类中心；根据聚类结果进行分段，在每一段上使用LSTM神经网络训练得到光纤陀螺温补模型。本发明可实现陀螺输出零偏误差的温度补偿，获得了良好的拟合与预测效果和较高的温度环境适应性，提升了光纤陀螺产品精度。

Description

一种基于深度嵌入聚类的LSTM光纤陀螺温补建模方法
技术领域
本发明涉及光纤陀螺技术领域，具体涉及一种基于深度嵌入聚类的LSTM光纤陀螺温补建模方法。
背景技术
温度的影响是制约光纤陀螺性能的主要因素之一，当工作环境温度发生变化时，会引起陀螺输出信号零位漂移，必须对其进行温度补偿来提升性能。目前已经有一些机器学习算法被应用于陀螺温补模型建立上，如支持向量机、小波神经网络、RBF神经网络等。
在《压电与声光》的《基于小波神经网络的光纤陀螺***级温度补偿》中公开了一种基于小波神经网络的光纤陀螺温度补偿方法，引入了伸缩函数和平移函数对光纤陀螺进行零偏建模，实现了更优的对非线性函数的逼近能力、收敛速度和容错能力；在《红外与激光工程》的《改进支持向量机的光纤陀螺温度漂移补偿方法》中公开了一种基于改进支持向量机的光纤陀螺温度补偿方法，支持向量机的核函数采用了具有更好数据集适应性的径向基核函数，引入人工鱼群算法对支持向量机的核心参数C(惩罚系数)和核函数的参数进行寻优。在《仪表技术与传感器》的《基于GA-BP神经网络的光纤陀螺温度补偿》中公开了一种利用遗传算法优化网络参数GA-BP神经网络温度补偿模型。
现有技术存在的问题：
1.光纤陀螺通电后受惯性元件和电路板自然升温的影响，内部温度变化情况复杂。陀螺零偏不仅受温度的影响而变化，还与信号采集板上某些关键器件随温度变化的特性改变有关，属于***级的误差；已有的机器学习模型难以实现理想的补偿效果。
2.机器学习方法适用的前提是样本独立同分布，即样本符合同一物理模型，但实际上陀螺在不同温度条件下性能会有所改变，不能用单一模型来描述，即需要分段拟合；而，分段回归一般根据信号的局部特点进行人为地划分分段区间，引入了人为误差。
发明内容
针对现在技术中存在的光纤陀螺温补模型人工分段拟合的缺陷，本发明提供一种基于深度嵌入聚类的LSTM光纤陀螺温补建模方法。
本发明公开了一种基于深度嵌入聚类的LSTM光纤陀螺温补建模方法，包括：
采集温度与光纤陀螺零偏数据构造训练数据集，逐层训练去噪自动编码器；
基于训练后的去噪自动编码器，构造深度自动编码器；
基于所述深度自动编码器，将输入x映射得到嵌入点z；
计算嵌入点z与聚类中心的软分配，构造辅助目标分配；
以软分配和辅助目标分配的kl散度为目标函数，在计算辅助目标函数和最小化kl散度之间迭代，更新深度自动编码器参数和聚类中心；
根据聚类结果进行分段，在每一段上使用LSTM神经网络训练得到光纤陀螺温补模型。
作为本发明的进一步改进，所述逐层训练去噪自动编码器，包括：
输入x经dropout后输入去噪自动编码器的编码层得到中间量h，h经dropout后输入自动编码器的解码层得到输出y；
逐层学习去噪自动编码器，并将中间量h传入下一个去噪自动编码器。
作为本发明的进一步改进，所述构造深度自动编码器，包括：
将训练后的所有去噪自动编码器的编码层连接，以对称结构连接所有去噪自动编码器的解码层，得到深度自动编码器。
作为本发明的进一步改进，所述基于所述深度自动编码器的，将输入x映射得到嵌入点z；包括：
取所述深度自动编码器的编码部分作为初始映射；
基于所述初始映射，将输入x映射到特征空间中得到嵌入点z。
作为本发明的进一步改进，所述计算嵌入点z与聚类中心的软分配，构造辅助目标分配；包括：
使用学生T分布作为核函数，衡量嵌入点z和聚类中心点μ的相似度，得到嵌入点z与聚类中心的软分配；
取所述软分配中置信度最高的结果，构造辅助目标分配。
作为本发明的进一步改进，在迭代过程中：
持续迭代优化直到两次聚类间有少于tol％的点的聚类结果改变，认为聚类稳定停止迭代。
作为本发明的进一步改进，所述在每一段上使用LSTM神经网络训练得到光纤陀螺温补模型，包括：
以温度、温度速率、温度与温度速率的乘积作为输入；
以当前光纤陀螺零偏作为输出；
训练LSTM神经网络，得到分段的温补模型。
与现有技术相比，本发明的有益效果为：
本发明采用数据驱动的无监督学习方法完成了不同温度条件下的光纤陀螺数据聚类，为分段温补模型的建立提供了数据支持；使用LSTM网络建立温补模型，充分利用了温度变化的历史信息，可以更准确地描述复杂的温度场对惯导输出的影响，提升温补精度；相较于改善硬件提升精度的解决方法，本发明成本低廉、易于实现，且可以获得良好的拟合与预测效果和较高的温度环境适应性。
附图说明
图1为本发明一种实施例公开的基于深度嵌入聚类的LSTM光纤陀螺温补建模方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
本发明提供一种基于深度嵌入聚类的LSTM光纤陀螺温补建模方法，包括：深度嵌入聚类依据陀螺数据特征，采用无监督学习进行数据聚类(不同温度条件下的光纤陀螺数据聚类)；根据聚类结果对光纤陀螺数据进行分段，在每一段上设计LSTM网络构建温补模型，依据实验数据构建训练集与测试集，完成模型训练，得到光纤陀螺零偏与温度的数学模型，并对零偏误差进行预测与补偿。本发明可依据当前及过去一段时间的温度数据拟合当前的光纤陀螺零偏，实现陀螺输出零偏误差的温度补偿，获得了良好的拟合与预测效果和较高的温度环境适应性，提升了光纤陀螺产品精度。
如图1所示，本发明上述方法，具体包括：
步骤1、采集温度与光纤陀螺零偏数据构造训练数据集，逐层训练去噪自动编码器；其中，
去噪自动编码器的训练方法为：
噪编码器由编码层和解码层构成，输入x经dropout后输入编码层得到中间量h，h经dropout后输入解码层得到输出y；逐层学习去噪自动编码器，并将中间量h传入下一个去噪自动编码器。
步骤2、基于训练后的去噪自动编码器，构造深度自动编码器，微调减小重构损失；其中，
深度自动编码器的构造方法为：
将训练后的所有去噪自动编码器的编码层连接，以对称结构连接所有去噪自动编码器的解码层，得到深度自动编码器。
步骤3、取深度自动编码器的编码部分作为初始映射，基于初始映射，将输入x映射到特征空间中得到嵌入点z。
步骤4、计算嵌入点z与聚类中心的软分配，构造辅助目标分配；其中，具体为：
使用学生T分布作为核函数，衡量嵌入点z和聚类中心点μ的相似度，得到嵌入点z与聚类中心的软分配；
取软分配中置信度最高的结果，构造辅助目标分配。
步骤5、以软分配和辅助目标分配的kl散度为目标函数，在计算辅助目标函数和最小化kl散度之间迭代，更新深度自动编码器参数和聚类中心；其中，
需优化的参数包括深度神经网络(自动编码器)中的参数和聚类中的聚类中心，持续迭代优化直到两次聚类间有少于tol％的点的聚类结果改变，认为聚类稳定停止迭代。
步骤6、根据聚类结果进行分段，在每一段上使用LSTM神经网络训练得到光纤陀螺温补模型；其中，
以10个采样点处的温度、温变速率、温度与温变速率乘积作为输入，当前光纤陀螺零偏为输出，训练LSTM网络，得到分段的温补模型。
本发明的优点为：
本发明采用数据驱动的无监督学习方法完成了不同温度条件下的光纤陀螺数据聚类，为分段温补模型的建立提供了数据支持；使用LSTM网络建立温补模型，充分利用了温度变化的历史信息，可以更准确地描述复杂的温度场对惯导输出的影响，提升温补精度；相较于改善硬件提升精度的解决方法，本发明成本低廉、易于实现，且可以获得良好的拟合与预测效果和较高的温度环境适应性。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度嵌入聚类的LSTM光纤陀螺温补建模方法，其特征在于，包括：
采集温度与光纤陀螺零偏数据构造训练数据集，逐层训练去噪自动编码器；
基于训练后的去噪自动编码器，构造深度自动编码器；
基于所述深度自动编码器，将输入x映射得到嵌入点z；
计算嵌入点z与聚类中心的软分配，构造辅助目标分配；
以软分配和辅助目标分配的kl散度为目标函数，在计算辅助目标函数和最小化kl散度之间迭代，更新深度自动编码器参数和聚类中心；
根据聚类结果进行分段，在每一段上使用LSTM神经网络训练得到光纤陀螺温补模型。
2.如权利要求1所述的方法，其特征在于，所述逐层训练去噪自动编码器，包括：
输入x经dropout后输入去噪自动编码器的编码层得到中间量h，h经dropout后输入自动编码器的解码层得到输出y；
逐层学习去噪自动编码器，并将中间量h传入下一个去噪自动编码器。
3.如权利要求1所述的方法，其特征在于，所述构造深度自动编码器，包括：
将训练后的所有去噪自动编码器的编码层连接，以对称结构连接所有去噪自动编码器的解码层，得到深度自动编码器。
4.如权利要求1所述的方法，其特征在于，所述基于所述深度自动编码器的，将输入x映射得到嵌入点z；包括：
取所述深度自动编码器的编码部分作为初始映射；
基于所述初始映射，将输入x映射到特征空间中得到嵌入点z。
5.如权利要求1所述的方法，其特征在于，所述计算嵌入点z与聚类中心的软分配，构造辅助目标分配；包括：
使用学生T分布作为核函数，衡量嵌入点z和聚类中心点μ的相似度，得到嵌入点z与聚类中心的软分配；
取所述软分配中置信度最高的结果，构造辅助目标分配。
6.如权利要求1所述的方法，其特征在于，在迭代过程中：
持续迭代优化直到两次聚类间有少于tol％的点的聚类结果改变，认为聚类稳定停止迭代。
7.如权利要求1所述的方法，其特征在于，所述在每一段上使用LSTM神经网络训练得到光纤陀螺温补模型，包括：
以温度、温度速率、温度与温度速率的乘积作为输入；
以当前光纤陀螺零偏作为输出；
训练LSTM神经网络，得到分段的温补模型。
CN202010060569.2A 2020-01-19 2020-01-19 一种基于深度嵌入聚类的lstm光纤陀螺温补建模方法 Active CN111238462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010060569.2A CN111238462B (zh) 2020-01-19 2020-01-19 一种基于深度嵌入聚类的lstm光纤陀螺温补建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010060569.2A CN111238462B (zh) 2020-01-19 2020-01-19 一种基于深度嵌入聚类的lstm光纤陀螺温补建模方法

Publications (2)

Publication Number Publication Date
CN111238462A true CN111238462A (zh) 2020-06-05
CN111238462B CN111238462B (zh) 2021-12-28

Family

ID=70871400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010060569.2A Active CN111238462B (zh) 2020-01-19 2020-01-19 一种基于深度嵌入聚类的lstm光纤陀螺温补建模方法

Country Status (1)

Country Link
CN (1) CN111238462B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111895986A (zh) * 2020-06-30 2020-11-06 西安建筑科技大学 一种基于lstm神经网络的mems陀螺仪原始输出信号降噪方法
CN112067015A (zh) * 2020-09-03 2020-12-11 青岛歌尔智能传感器有限公司 基于卷积神经网络的计步方法、装置及可读存储介质
CN114061559A (zh) * 2021-11-16 2022-02-18 湖北三江航天万峰科技发展有限公司 光纤陀螺零偏漂移的补偿方法、***和计算机存储介质
CN114459455A (zh) * 2021-12-24 2022-05-10 浙江大学 一种基于lstm的光纤陀螺标度因数误差补偿方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1865852A (zh) * 2006-06-27 2006-11-22 北京航空航天大学 一种基于神经网络的开环光纤陀螺输出误差补偿方法
US20070023851A1 (en) * 2002-04-23 2007-02-01 Hartzell John W MEMS pixel sensor
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
CN101566483A (zh) * 2009-05-22 2009-10-28 哈尔滨工程大学 光纤陀螺捷联惯性测量***振动误差补偿方法
CN103499345A (zh) * 2013-10-15 2014-01-08 北京航空航天大学 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 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
CN103954300A (zh) * 2014-04-30 2014-07-30 东南大学 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法
CN104330095A (zh) * 2014-10-24 2015-02-04 中国兵器工业集团第二一四研究所苏州研发中心 基于分段拟合的mems陀螺温度补偿方法
EP2850392A2 (en) * 2012-05-18 2015-03-25 TRX Systems, Inc. Method for step detection and gait direction estimation
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
CN105333888A (zh) * 2015-11-26 2016-02-17 湖北三江航天红峰控制有限公司 一种利用一次温度实验同时补偿光纤陀螺标度因数及零偏的方法
CN106597852A (zh) * 2016-12-27 2017-04-26 中国船舶重工集团公司第七0五研究所 一种基于rbf神经网络的mems陀螺仪温度补偿方法
CN107621269A (zh) * 2016-07-15 2018-01-23 北京计算机技术及应用研究所 光纤陀螺温度漂移误差补偿方法
CN107832193A (zh) * 2017-11-13 2018-03-23 湖北三江航天红峰控制有限公司 一种基于i2c总线的多板卡状态监控方法
EP3539728A1 (en) * 2018-03-17 2019-09-18 Tata Consultancy Services Limited System and method for fault detection in robotic actuation

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070023851A1 (en) * 2002-04-23 2007-02-01 Hartzell John W MEMS pixel sensor
CN1865852A (zh) * 2006-06-27 2006-11-22 北京航空航天大学 一种基于神经网络的开环光纤陀螺输出误差补偿方法
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
CN101566483A (zh) * 2009-05-22 2009-10-28 哈尔滨工程大学 光纤陀螺捷联惯性测量***振动误差补偿方法
EP2850392A2 (en) * 2012-05-18 2015-03-25 TRX Systems, Inc. Method for step detection and gait direction estimation
CN103499345A (zh) * 2013-10-15 2014-01-08 北京航空航天大学 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 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
CN103954300A (zh) * 2014-04-30 2014-07-30 东南大学 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法
CN104330095A (zh) * 2014-10-24 2015-02-04 中国兵器工业集团第二一四研究所苏州研发中心 基于分段拟合的mems陀螺温度补偿方法
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
CN105333888A (zh) * 2015-11-26 2016-02-17 湖北三江航天红峰控制有限公司 一种利用一次温度实验同时补偿光纤陀螺标度因数及零偏的方法
CN107621269A (zh) * 2016-07-15 2018-01-23 北京计算机技术及应用研究所 光纤陀螺温度漂移误差补偿方法
CN106597852A (zh) * 2016-12-27 2017-04-26 中国船舶重工集团公司第七0五研究所 一种基于rbf神经网络的mems陀螺仪温度补偿方法
CN107832193A (zh) * 2017-11-13 2018-03-23 湖北三江航天红峰控制有限公司 一种基于i2c总线的多板卡状态监控方法
EP3539728A1 (en) * 2018-03-17 2019-09-18 Tata Consultancy Services Limited System and method for fault detection in robotic actuation

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DEVU MANIKANTAN SHILA等: "Adversarial Gait Detection On Mobile Devices Using Recurrent Neural Networks", 《2018 17TH IEEE INTERNATIONAL CONFERENCE ON TRUST, SECURITY AND PRIVACY IN COMPUTING AND COMMUNICATIONS/ 12TH IEEE INTERNATIONAL CONFERENCE ON BIG DATA SCIENCE AND ENGINEERING (TRUSTCOM/BIGDATASE)》 *
HAOQIANG SHI等: "LSTM based prediction algorithm and abnormal change detection for temperature in aerospace gyroscope shell", 《INTERNATIONAL JOURNAL OF INTELLIGENT COMPUTING AND CYBERNETICS》 *
XIFENG GUO等: "Deep Clustering with Convolutional Autoencoders", 《24TH INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING (ICONIP)》 *
史浩强: "陀螺仪若干典型故障智能诊断与预测技术", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
孙娜: "光纤陀螺标度因数及零偏温度误差补偿研究", 《导航定位与授时》 *
张俊红: "Sklearn参数详解—聚类算法", 《HTTPS://BLOG.CSDN.NET/JUNHONGZHANG/ARTICLE/DETAILS/103686878》 *
杨秀璋等: "《Python网络数据爬取及分析从入门到精通（分析篇）》", 31 May 2018 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111895986A (zh) * 2020-06-30 2020-11-06 西安建筑科技大学 一种基于lstm神经网络的mems陀螺仪原始输出信号降噪方法
CN112067015A (zh) * 2020-09-03 2020-12-11 青岛歌尔智能传感器有限公司 基于卷积神经网络的计步方法、装置及可读存储介质
CN112067015B (zh) * 2020-09-03 2022-11-22 青岛歌尔智能传感器有限公司 基于卷积神经网络的计步方法、装置及可读存储介质
CN114061559A (zh) * 2021-11-16 2022-02-18 湖北三江航天万峰科技发展有限公司 光纤陀螺零偏漂移的补偿方法、***和计算机存储介质
CN114459455A (zh) * 2021-12-24 2022-05-10 浙江大学 一种基于lstm的光纤陀螺标度因数误差补偿方法
CN114459455B (zh) * 2021-12-24 2023-02-14 浙江大学 一种基于lstm的光纤陀螺标度因数误差补偿方法

Also Published As

Publication number Publication date
CN111238462B (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN111238462B (zh) 一种基于深度嵌入聚类的lstm光纤陀螺温补建模方法
CN103593538B (zh) 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
CN111832227B (zh) 基于深度学习的页岩气饱和度确定方法、装置和设备
CN112235043B (zh) 一种基于自适应长短期记忆的分布式光纤异常数据修复装置
CN111967688A (zh) 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法
Fei et al. Research on tunnel engineering monitoring technology based on BPNN neural network and MARS machine learning regression algorithm
CN108764475A (zh) 遗传小波神经网络的陀螺随机误差补偿方法及***
CN114463932B (zh) 非接触式施工安全距离主动动态识别预警***及方法
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能***
CN110260914B (zh) 一种基于测点时空特征的工程安全监测***区域划分方法
CN108805287A (zh) 遗传小波神经网络的陀螺随机误差补偿方法及***
CN116562414A (zh) 一种基于多源水文气象数据的陆地水储量变化预测方法
CN117273217A (zh) 一种空间碎片轨道预报方法、***及电子设备
CN116721206A (zh) 一种实时的室内场景视觉同步定位与建图方法
CN108362307B (zh) 星敏感器在轨姿态测量精度主成分因素的确定方法
CN116663395A (zh) 基于参数优化的支持向量机回归的降雨量等值面生成方法
Xu et al. Dam settlement prediction based on random error extraction and multi-input LSTM network
CN116628836A (zh) 数据驱动的超临界翼型性能预测方法、***及介质
CN109766931A (zh) 基于主被动遥感aod数据的贝叶斯最大熵融合方法
CN114399901A (zh) 一种控制交通***的方法和设备
CN114996947A (zh) 三维油藏数值模拟方法
CN108960406B (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
CN114004315A (zh) 一种基于小样本进行增量学习的方法及装置
CN113077110A (zh) 一种基于gru的调和残差分段式潮位预测方法
US20240054348A1 (en) Systems and method for masked multi-step multivariate time series power forcasting and estimation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant