制导系统陀螺漂移的Q-SVR预测方法

摘要

本发明属于制导领域，具体涉及一种制导系统陀螺漂移的快速支持向量回归(Q-SVR)预测方法。主要应用于航空航天领域制导系统，目的是有效降低SVR法预测陀螺漂移的计算复杂度，依据历史漂移数据，快速预测陀螺漂移值。本预测方法，归一化陀螺漂移模型的拉格朗日乘子、惩罚因子、不敏感参数以及核参数为单一变量；将约束条件作为惩罚项重构入目标函数中；采用梯度下降方式单层迭代计算目标函数的更新方向和更新步长，给出最优值陀螺漂移预测值。简化了陀螺漂移模型，方便计算，且提升约2倍计算效率。

主权项

一种制导系统陀螺漂移的Q‑SVR预测方法，归一化陀螺漂移模型的拉格朗日乘子、惩罚因子、不敏感参数以及核参数为单一变量；将约束条件作为惩罚项重构入目标函数中；采用梯度下降方式单层迭代计算目标函数的更新方向和更新步长，给出最优值陀螺漂移预测值；具体包括如下步骤：步骤一：输入历史漂移数据(x_i,y_i),...,(x_l,y_l)，预设收敛容忍度ω，障碍因子β,r₀，变量初值X₀；步骤二：计算初始目标函数值J(X₀,r₀)，其中$J(X,r)=\frac{1}{2}\underset{i,j=1}{\overset{l}{\Sigma }}({\hat{\alpha }}_i-{\alpha }_i)({\hat{\alpha }}_j-{\alpha }_j)\tilde{K}(x_i,x_j)-\underset{i=i}{\overset{l}{\Sigma }}{y}_i({\hat{\alpha }}_i-{\alpha }_i)+ϵ\underset{i=1}{\overset{l}{\Sigma }}({\hat{\alpha }}_i+{\alpha }_i)+\frac{1}{r_k}{\left(X^T\tilde{Y}\right)}^2+r_k\frac{1}{X}$其中：α_i为拉格朗日乘子，i＝1,2,...,l其中，l为历史漂移数据个数；为修正核函数，K(x_i,x_j)为核函数，σ_ij、C为惩罚因子，的参数表示为Θ＝(C,θ₁,…,θ_d)^T，θ₁,…,θ_d为核参数值，d为核参数个数；目标变量ε为不敏感度参数，α_A＝(α₁,…,α_l)^T，变量$\tilde{Y}={({Y_1}^T,{Y_2}^T,{T_3}^T)}^T;$r_k为障碍因子序列，满足{r_k|r₀＞0,r_k+1＝β,0＜β＜1}；步骤三：最小化目标函数J(X,r)，求解最优值；步骤四：若有当前目标函数梯度值大于预设的收敛容忍度，则步骤终止，得到最优预测值。