基于投影寻踪学习网络模型的光纤陀螺漂移估计器设计(英文)

摘要

环境温度变化造成的复杂漂移(温度漂移)始终是制约光纤陀螺(FOG)性能提高的重要因素。FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列。在这一领域首次采用投影寻踪学习网络(PPLN)方法设计FOG温度漂移在线估计器。相对于传统的神经网络技术,PPLN采用批量学习和参数交替优化的训练算法,可以自适应确定神经网络的规模、参数和神经元函数,不仅具有简捷的网络结构和较强的鲁棒性和模型辨识能力,还可以有效克服学习过程局部极限问题。基于该方法设计PPLN漂移估计器对某型FOG温度漂移进行估计。采用试验实测数据对所提方法进行验证,并采用传统反向传播神经网络(BPNN)的方法进行比较,计算分析结果表明,PPLN漂移估计器具有更好的估计精度和鲁棒性,尤其在陀螺温度不正常变化时对当前漂移的估计精度可以提高至少2倍。