一种基于高斯过程回归的信息更新频率提升方法
阅读说明：本技术 一种基于高斯过程回归的信息更新频率提升方法 (Information updating frequency improving method based on Gaussian process regression ) 是由 孙骞 王娱萤 许前昆 叶方 李一兵 田园 于 2021-08-03 设计创作，主要内容包括：本发明提出一种基于高斯过程回归的信息更新频率提升方法,所述方法首先利用通用卷积谱混合成分核函数(GeneralizedConvolutionS pectralMixtureKernel,GCSMK)方法建立原子干涉陀螺仪(AtomInterferenceGyroscope,AIG)惯性测量数据的结构化模型,获得惯性测量信息之间的相互依赖关系；然后建立基于GCSMK的高斯过程回归(GaussianProcessesRegression,GPR)算法框架,利用基于稀疏化思想改进的GPR算法实现惯性传感器信息更新频率的快速提升,从而在不改变惯性传感器自身精度的前提下提升惯性信息的更新频率。(The invention provides an information updating frequency improving method based on Gaussian process regression, which comprises the steps of firstly, establishing a structural model of Atomic Interference Gyroscope (AIG) inertia measurement data by using a general convolution spectrum mixed component kernel (GCSMK) method, and obtaining the mutual dependency relationship between inertia measurement information; and then establishing a Gaussian Process Regression (GPR) algorithm framework based on GCSMK, and realizing quick increase of the information updating frequency of the inertial sensor by utilizing a GPR algorithm improved based on a sparsification thought, so that the updating frequency of the inertial information is increased on the premise of not changing the self precision of the inertial sensor.)
技术领域
本发明涉及惯性导航技术领域，特别是涉及一种基于高斯过程回归(GaussianProcesses Regression，GPR)的惯性传感器信息更新频率提升方法，更确切地说，是利用通用卷积谱混合成分核函数(Generalized Convolution Spectral Mixture Kernel，GCSMK)方法获得惯性传感器数据之间的相互依赖关系，并在其框架下利用基于稀疏化思想改进的GPR算法实现惯性传感器信息更新频率的智能快速提升，从而在不改变惯性传感器自身精度的前提下提升惯性信息的更新频率。
背景技术
陀螺仪作为惯导系统的核心传感器，其性能是影响惯导系统精度和鲁棒性的最主要因素。近几十年来，在国防建设的迫切需求牵引下，高精度陀螺仪技术得到了飞速的发展，已从第一代基于牛顿力学的转子陀螺仪发展到第二代基于波动光学的光学陀螺仪。其中，静电陀螺仪作为精度最高的转子陀螺仪，被广泛装备于战略核潜艇中，但是铍转子加工工艺局限所引起的转子漂移以及转速衰减、稳定时间长等问题严重影响了静电陀螺的动态测量精度，制约了静电陀螺惯导系统的进一步发展；作为光学陀螺仪的代表，光纤陀螺仪与激光陀螺仪也越来越多地应用于战术武器及潜艇中，然而在多外扰耦合环境下，光纤陀螺内部应力场发生变化导致其动态标度因数不稳定，激光陀螺自身机抖与外扰相耦合使得减震器结构模态发生变化、减震方式优化困难，无法保证多外扰耦合环境下的高精度测量，难以满足未来惯导系统的需求。随着我国向深远海不断挺进以及海洋强国等重大战略的实施，对导航系统性能的要求也越来越高，亟需开展基于新型超高精度陀螺仪惯导技术研究。
随着量子领域三次诺贝尔物理学奖的诞生，原子激发、原子捕获、量子态叠加以及原子团温度降低等技术得到了飞速发展，基于量子力学的原子陀螺仪惯导系统成为国外导航领域的研究热点，其中基于原子德布罗意波干涉原理的原子干涉陀螺仪(AtomInterference Gyroscope，AIG)是目前具有最高精度潜能的陀螺仪，正成为超高精度惯导系统研究的重点。
近年来潜用AIG惯导系统技术取得了一定突破。但是无论是空间域AIG还是时间域AIG，为保障AIG的惯性测量精度，需要延长原子捕获以及冷却过程，致使AIG的测量信息更新频率较低，无法准确捕获潜艇的全部动态信息，特别是在复杂环境下，低信息更新频率的AIG惯性测量会引起较大的导航解算误差，无法满足高精度动态导航需求。为此，如何在不改变AIG自身器件精度的前提下提升惯性信息的更新频率是目前研究的热点之一。
目前常用的数据频率提升方法一般为空间数据插值法和多传感器组合等方法。空间数据插值法一般是利用数学模型对历史数据进行拟合，预测未来短期数据，从而实现频率的提升，主要包括多项式插值、线性插值、二次插值、牛顿插值、样条插值等方法；但是该方法一般需要提前已知数据的模型，这在实际环境中是很难满足的，因此该方法的使用具有很大的局限性。多传感器组合方法是利用具有多采样频率的传感器组成组合系统，从而提高整个系统的数据更新频率；但是该方法需要的成本就会明显增大，且所引入传感器的性能也会影响到组合系统的测量性能。
发明内容
本发明考虑在实际系统中，AIG测量信息的非线性非平稳性特性，为提高AIG惯性传感器输出信号的频率和精度，从而提供了一种基于高斯过程回归的信息更新频率提升方法。本发明利用通用卷积谱混合成分核函数(Generalized Convolution SpectralMixture Kernel，GCSMK)方法获得惯性传感器数据之间的相互依赖关系，并在其框架下利用基于稀疏化思想改进的GPR算法实现惯性传感器信息更新频率的智能快速提升，从而在不改变惯性传感器自身精度的前提下提升惯性信息的更新频率。
本发明是通过以下技术方案实现的，本发明提出一种基于高斯过程回归的信息更新频率提升方法，所述方法包括以下步骤：
步骤1：在设备或者载体上安装原子干涉陀螺仪AIG惯性传感器，对AIG惯性传感器进行预热并采集AIG的输出数据；
步骤2：确定通用卷积谱混合成分核函数GCSMK的核函数形式，设置超参数的初始值，以概率分布的形式并根据AIG的输出数据确定高斯过程回归GPR的先验模型；
步骤3：使用AIG惯性传感器的历史信息作为样本进行训练，根据稀疏化思想，求取最优超参数；
步骤4：根据先验模型和最优超参数得到后验模型，即稀疏化GCSMK-GPR预测模型IGCSMK-GPR；
步骤5：使用IGCSMK-GPR预测模型对AIG惯性传感器的输出进行预测，即可得到AIG惯性传感器的升频后信息。
进一步地，在步骤3中，选取AIG历史样本中的部分样本，将其初始化为一个伪样本集然后通过共轭梯度法同时完成AIG伪样本集和超参数的最优化。
进一步地，在步骤5中，
1)若当前采样时刻AIG惯性传感器无测量信息，则利用IGCSMK-GPR预测模型对AIG惯性传感器的输出进行高精度预测，预测数据作为当前采样时刻的输出；
2)若当前采样时刻AIG惯性传感器有测量信息，则测量信息为当前时刻输出，并利用测量信息对预测模型进行修正，从而提升AIG惯性传感器预测信息的精度。
进一步地，所述通用卷积谱混合成分核函数GCSMK的核函数形式，具体为：
其中，Q为核函数成分的个数，τ为时间，μij为交叉均值，∑ij为交叉协方差，θij为交叉时延，φij为交叉相位；cij为不依赖于τ的常数项，能够衡量GCSMK中不同成分之间的依赖关系。
进一步地，在步骤2中，假设时延和相位均为0，则设置权重wi、均值μi和方差∑i超参数的初始值，以贝叶斯高斯混合模型的概率分布形式确定GCSMK-GPR的先验模型：
其中，f为先验模型函数。
进一步地，所述稀疏化GCSMK-GPR预测模型为：
其中，f*为预测模型函数，和均为最优超参数。
本发明的优势在于：本发明利用基于IGCSMK-GPR的信息更新频率提升方法对惯性传感器输出信号进行处理，不仅利用了自适应机器学习技术能够对数据进行自适应建模并对未见趋势进行预测的特点，同时结合高斯过程回归算法具有更好的超参数解释性和模型优化的可选择性的优势，提高了惯性传感器预测和升频的精度和鲁棒性；此外本发明还引入了稀疏化思想，进一步降低了算法的时间复杂度，提高了传感器升频的效率。
附图说明
图1为本发明方法流程示意图；
图2为训练集数据输出信号结果图；
图3为利用本发明处理之后的输出信号结果图；
图4为利用本发明处理之后的输出信号与真实值之间的误差结果图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
本发明提出了一种基于改进的GCSMK的GPR(Improved GCSMK GPR，IGCSMK-GPR)信息更新频率提升方法。本发明所述方法首先利用GCSMK方法建立AIG惯性测量数据的结构化模型，获得惯性测量信息之间的相互依赖关系；然后建立基于GCSMK的GPR算法框架，利用基于稀疏化思想改进的GPR算法实现惯性传感器信息更新频率的快速提升，从而在不改变惯性传感器自身精度的前提下提升惯性信息的更新频率。
结合图1-4，本发明提出一种基于高斯过程回归的信息更新频率提升方法，所述方法包括以下步骤：
步骤1：在设备或者载体上安装原子干涉陀螺仪(Atom Interference Gyroscope，AIG)惯性传感器，对AIG惯性传感器进行预热并采集AIG的输出数据；
步骤2：确定通用卷积谱混合成分核函数(Generalized Convolution SpectralMixture Kernel，GCSMK)的核函数形式，设置超参数的初始值，以概率分布的形式并根据AIG的输出数据确定高斯过程回归(Gaussian Processes Regression，GPR)的先验模型；
所述通用卷积谱混合成分核函数GCSMK的核函数形式，具体为：
其中，Q为核函数成分的个数，τ为时间，μij为交叉均值，∑ij为交叉协方差，θij为交叉时延，φij为交叉相位；cij为不依赖于τ的常数项，能够衡量GCSMK中不同成分之间的依赖关系。
在步骤2中，不失一般性，假设时延和相位均为0，则设置权重wi、均值μi和方差∑i超参数的初始值，以贝叶斯高斯混合模型的概率分布形式确定GCSMK-GPR的先验模型：
其中，f为先验模型函数。
步骤3：使用AIG惯性传感器的历史信息作为样本进行训练，根据稀疏化思想，求取最优超参数；
在步骤3中，选取AIG历史样本中的部分样本，将其初始化为一个伪样本集然后通过共轭梯度法同时完成AIG伪样本集和超参数的最优化，得到最优超参数和
步骤4：根据先验模型和最优超参数得到后验模型，即稀疏化GCSMK-GPR预测模型(Improved GCSMK GPR，IGCSMK-GPR)；
所述稀疏化GCSMK-GPR预测模型为：
其中，f*为预测模型函数，和均为最优超参数。
步骤5：使用IGCSMK-GPR预测模型对AIG惯性传感器的输出进行预测，即可得到AIG惯性传感器的升频后信息。
在步骤5中，
1)若当前采样时刻AIG惯性传感器无测量信息，则利用IGCSMK-GPR预测模型对AIG惯性传感器的输出进行高精度预测，预测数据作为当前采样时刻的输出；
2)若当前采样时刻AIG惯性传感器有测量信息，则测量信息为当前时刻输出，并利用测量信息对预测模型进行修正，从而提升AIG惯性传感器预测信息的精度。
如此，可以完成基于IGCSMK-GPR预测模型的AIG信息更新频率提升。
本发明的效果可以通过如下试验得到验证：
首先搭建仿真试验环境，设置AIG的采样频率为1Hz，以AIG输出数据来验证本发明的效果。样本中核函数成分的个数为3，超参数中的均值初始值为0、方差初始值分别为[1，0.6，1]，选取历史数据中的500个数据作为样本集，然后利用共轭梯度方法完成超参数的优化，得到后验GCSMK-GPR预测模型，最后对AIG的数据进行短期预测，即可得到未来短期内的输出信息，从而实现AIG信息的频率提升。
仿真得到的AIG原始信号如图2所示。利用本发明所提的信息更新频率提升方法对原始数据进行升频处理，得到预测5s之后的信号如图3所示，预测值与真实值之差如图4所示。
由图3和图4可以看到，利用本发明可以很好地预测出未来5s内的数据输出，随着时间的推延预测精度逐渐降低，在第1s和第5s时的预测误差分别为5.63％、15.58％。当进行频率提升时，仅需要预测未来1s的数据即可。因此，本发明为解决惯性传感器的频率提升问题提供了一种有效的解决思路，有效提高惯性导航系统的动态性能和适用性。
以上对本发明所提出的一种基于高斯过程回归的信息更新频率提升方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种光纤陀螺温度补偿系统