加速度传感器参数非线性时间序列模型预测与实现

摘要

加速度表广泛应用于惯性导航系统中，加速度表精度的提高对提高惯性导航控制精度具有很高的重要性。为提高加速度表的精度，一方面可以进一步改进加速度表的设计和生产工艺，另一方面可以对加速度表的参数进行补偿。经研究发现，加速度表参数的时间序列具有很强的非线性特点，使用传统的线性模型，难以达到很高的建模精度。因此本论文提出对加速度表参数进行非线性时间序列建模，以提高建模和预测精度。
　　本论文以石英挠性加速度表为研究对象，研究并设计了加速度表静态参数的标定方法，编写了加速度表数据采集软件系统，以获得研究所需要的加速度表的零偏和标度因数；由于加速度表参数的时间序列具有很强的非线性特点，提出了使用非线性时间序列进行建模。在非线性时间序列算法研究中，在传统 BP神经网络的基础上增加延时环节使其具有记忆历史数据的能力，建立了NAR神经网络对参数进行建模；在AR模型的基础上加入小波神经网络，建立了小波神经网络与 AR组合模型，该模型利用AR模型拟合其线性部分，用小波神经网络拟合其非线性部分，并对小波神经网络的算法进行改进，使得该模型具有收敛速度快，训练效果好。由于各种模型的预测方法都有其独特的信息特征和适用条件，本论文利用组合预测理论，吸收每种模型的优点，提出使用改进型贝叶斯组合预测方法，对 NAR神经网络和小波神经网络与AR组合模型的预测结果进行组合预测。利用该方法与传统ARMA模型的预测结果进行对比表明组合预测效果较好，准确率较高。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与研究意义

1.2 加速度表在国内外的研究现状

1.3 论文研究目标

1.4 论文的组织结构

2 基于LabVIEW的加速度表数据采集软件

2.1 加速度表标定方案选择

2.2 加速度表标定数据处理方法

2.3 基于ZigBee的数据采集方案

2.4 数据采集软件设计

2.5 加速度表静态参数测试

2.6 本章小结

3 加速度表参数时间序列的预测模型

3.1 NAR神经网络模型的建模

3.2 小波神经网络和AR的组合模型

3.3 时间序列多步预测的实现

3.4 改进型贝叶斯组合预测的实现

3.5 模型误差的评价判断标准

3.6 本章小结

4 加速度表参数预测模型的实现及结果分析

4.1 研究对象的获取

4.2 加速度表V109参数时间序列的建模与预测

4.3 加速度表V128参数时间序列的建模与预测

4.4 本章小结

结论

致谢

参考文献

攻读硕士学位期间取得的成果