[发明专利]基于综合集成赋权法的原子自旋陀螺随机误差建模方法

说明书

技术领域

本发明提出一种基于综合集成赋权法的原子自旋陀螺随机误差建模方法，属于陀 螺数据处理技术领域。

背景技术

随着量子调控技术的发展，操控原子自旋处于无交换弛豫(SpinExchange RelaxationFree,SERF)态，惰性气体原子的核自旋与碱金属原子的电自旋强耦合，进行角 运动的测量,称为基于SERF的原子自旋陀螺仪。通过理论分析，这一新型原子自旋陀螺仪具 有超高精度、小体积的特点。因此，原子自旋陀螺仪被认为是下一代超高精度陀螺仪的发展 方向，具有重要的科学研究和工程实践价值。

陀螺误差包括静态误差、动态误差和随机误差。前两种误差与载体的运动参数有 关，可由试验标定补偿，真正影响陀螺性能的是陀螺的随机漂移。陀螺随机漂移是弱平稳 性、弱线性的，不易准确地提取陀螺的真实信号。因此准确的建立陀螺随机漂移误差模型以 便在滤波中加以滤除就显得非常重要。

目前较为常用的陀螺仪随机漂移建模方法有时间序列建模、神经网络建模和小波 级数非线性建模等。时间序列建模在模型预测中应用比较广泛，其中自回归(AR)建模方法 是常用的时间序列建模方法，但是其应用的前提是数据必须是平稳、线性的，即其不能应用 在非平稳、非线性时间序列的精确建模中。近年来神经网络、支持向量机等非线性建模方法 不断得到应用，并取得了很好的效果。但是神经网络不能给出需要建模系统的输入输出之 间的具体数学表达式，而且必须依靠大量的实验数据才能完成，神经网络的“过学习”、易陷 入“局部最小值”等问题也限制了该方法的实用。支持向量机(SVM)智能算法,是专门针对有 限样本情况的机器学习方法，在函数拟合和回归方面的特有优势,采用结构风险最小化原 则，将实际问题通过非线性变换转换到高维的特征空间,在高维空间中构造线性决策来实 现原空间中的非线性决策函数,巧妙地解决了维数问题，具有小样本学习、全局寻优、泛化 能力强的特点。同时，遗传规划(GP)在非线性建模中也得到了不断应用。遗传规划是一种非 常有效的自适应搜索建模方法，该方法不需要任何先验知识，有很好的客观性和极大的通 用性，和其他方法相比优势比较突出，因此得到很多人的青睐。

基于传统的建模方法只是单一考虑了弱线性或弱平稳性，本发明在考虑弱平稳性 的同时兼顾弱线性特性。首先对陀螺输出数据分别建立基于ARIMA的线性模型和基于支持 向量机(SVM)的非线性模型，然后再通过博弈论的综合集成赋权法确定线性和非线性模型 的权重，进而拟合出更高精度的组合模型，对于提高陀螺精度起着至关重要作用。

发明内容

发明目的：本发明的目的是为了解决传统陀螺随机误差建模方法考虑的单一性： 弱平稳性或弱线性。提供一种基于综合集成赋权法的原子自旋陀螺随机误差建模方法。

技术方案：本发明采用的技术方案为：基于综合集成赋权法的原子自旋陀螺随机 误差建模方法，包括下列步骤：

(1)获取陀螺原始输出数据，选定样本长度n，得到时间序列y(n)；

(2)对时间序列y(n)建立基于ARIMA的线性模型y₁(n)；

(3)对时间序列y(n)建立基于SVM的非线性模型y₂(n)；

(4)通过博弈论的综合集成赋权方法确定线性和非线性模型的权重c₁、c₂，使序列 的线性和非线性特征有机结合起来；

(5)加权组合两种模型，即y(n)＝c₁y₁(n)+c₂y₂(n)，得到高精度的组合模型。

优先地，所述建立ARIMA线性模型包括下列内容：