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

本发明专利技术提出了一种基于综合集成赋权法的原子自旋陀螺仪随机误差建模方法，属于陀螺数据处理技术领域。该方法综合考虑了陀螺实时输出数据的弱平稳性、弱线性特性，并基于综合集成赋权法对线性和非线性特征进行拟合，提出了更加全面更加精确的建模方法。本发明专利技术在考虑弱平稳性的同时兼顾弱线性特性，同时摒弃了用一种模型的残差序列去建立另一种模型的方法。本建模方法解决了单一模型无法体现陀螺随机误差的线性和非线性复合特征的缺点，提高了建模的精度。模型建立的准确性直接影响到后续的再处理过程，因此本发明专利技术提出的基于综合集成赋权法的原子自旋陀螺随机误差建模方法对于提高陀螺精度起着至关重要作用。

【技术实现步骤摘要】

本专利技术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

技术介绍
随着量子调控技术的发展，操控原子自旋处于无交换弛豫(SpinExchangeRelaxationFree,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，本专利技术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。
技术实现思路
专利技术目的：本专利技术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：本专利技术采用的技术方案为：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：首先对陀螺输出数据进行平稳性检验，常用方法是基于单位根的增广迪基－福勒(ADF)检验法，该方法原理是：对于一个自回归过程，如果其特征方程的所有特征根都在单位圆内，则序列平稳；如果有一个特征根存在且为1，则序列非平稳，且自回归系数之和恰好等于1。若为平稳序列，则直接建立ARMA模型；反之，则对数据进行一次差分，再进行平稳性检验，直至d阶差分后，数据是平稳序列。画出平稳序列的自相关和偏自相关图，根绝拖尾和截尾情况初步选定ARMA模型的阶次p和q。根据AIC或BIC准则优化p和q，得到最佳阶次。确定模型阶次后，对模型参数进行估算，最终对平稳序列建立ARMA(p,q)模型，即对原序列建立ARIMA(p,d,q)模型。优先地，所述SVM是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。其核心思想是：通过非线性映射ρ把非线性变量x映射到一个高维空间，进而在高维空间进行线性回归。这里的非线性映射通过核函数来巧妙地实现，且核函数的选择对结果的产生影响较大。优先地，所述ARIMA和SVM模型均是直接对原序列建立的线性和非线性模型，而非使用传统的用一种模型的残差序列去建立另一种模型的方法。优先地，所述博弈理论是：博弈理论多用于指标赋权评价，由于时间序列y(n)具有线性和非线性复合特征，因此本专利技术采用综合集成赋权法，通过博弈论的综合集成赋权法将线性权重和非线性综合起来，使可能的权重与各个基本权重之间的各自偏差最小，尽可能保留线性、非线性权重值的信息。有益效果：本专利技术的提出解决了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。提供了一种基于综合集成赋权法的原子自旋陀螺仪随机误差建模方法，该方法兼顾了陀螺静态输出数据的弱平稳性和弱线性，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。解决了单一模型无法体现陀螺随机误差的线性和非线性复合特征的缺点，提高了建模的精度。模型建立的准确性直接影响到后续的再处理过程，因此本专利技术提出的基于综合集成赋权法的原子自旋陀螺仪随机误差建模方法对于提高陀螺精度有着至关重要的作用。附图说明图1为原子自旋陀螺随机误差的总体建模方法流程图；图2为线性建模方法流程图；图3为非线性建模方法流程图。具体实施方式结合附图和具体实施方式对本专利技术作进一步的说明。图1所示为原子自旋陀螺随机误差的总体建模方法流程图，具体来说，包括下列步骤：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)；分别对时间序列y(n)建立基于ARIMA的线性模型y1(n)和基于SVM的非线性模型y2(n)；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；最后加权组合两种模型，即y(n)＝c1y1(n)+c2y2(n)，得到高精度的组合模型。博弈论求权重的方法如下：设m个权重向量WiT={wk1,wk2,...wkm本文档来自技高网...

【技术保护点】
基于综合集成赋权法的原子自旋陀螺随机误差建模方法，其特征在于：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。

【技术特征摘要】
1.基于综合集成赋权法的原子自旋陀螺随机误差建模方法，其特征在于：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。
2.根据权利要求1所述的建模方法，其特征在于：步骤2包括下列步骤：
(1)采用基于单位根的增广迪基－福勒检验法对陀螺输出数据进行平稳性检验，即对
于一个自回归过程，如果其特征方程的所有特征根都在单位圆内，则序列平稳；如果有一个
特征根存在且为1，则序列非平稳，且自回归系数之和恰好等于1；
(2)若为平稳序列，则画出平稳序列的自相关和偏自相关图，根绝拖尾和截尾情况初步
选定ARMA模型的阶次p和q；反之，则对数据进行一次差分，再进行平稳性检验，直至d阶差分
后，数据是平稳序列x(n)，则有(1-B)dy(n)＝x(n)，其中B为一步延迟算子，即By(n)＝y(n-
1)；
(3)根据AIC或BIC准则优化p和q，得到最佳阶次，若q＝0，x(n)为AR(P)模型，
则原序列若p＝0，x(n)为
MA(q)模型，则原序列若p,q均不
为0，x(n)为ARM...

【专利技术属性】
技术研发人员：陈熙源，何双双，张红，邹升，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32