一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法

摘要

本发明公开了一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法，包括以下四个步骤：(1)网络参数初始化，建立改进Elman神经网络模型；(2)训练及测试样本的获取；(3)训练改进Elman神经网络并通过遗传算法优化模型参数；(4)光纤陀螺预测输出及误差补偿。通过引入具有自反馈连接权的改进Elman神经网络来对经去噪算法处理的光纤陀螺输出进行训练，并采用遗传算法不断迭代优化模型参数，根据不同参数下模型的误差大小，从而得到最优的模型。本发明在兼顾算法复杂性的同时提高了光纤陀螺温度漂移模型的准确性，拓展了其在工程中的应用，具有一定的实际意义。

主权项

1.一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法，其特征在于，包括下列步骤：步骤(1)，建立改进Elman神经网络模型：将光纤陀螺的环境温度及前一时刻输出数据作为模型的输入量，当前时刻光纤陀螺输出作为模型的输出量，构建改进Elman神经网络模型；所述改进Elman神经网络模型为两输入、单输出的四层神经网络，数学模型表示为：$x\left(k\right)=f[W_{\mathrm{jl}}^x{x}_c\left(k\right)+W_{\mathrm{jq}}^{u}u(k-1)]$x_c(k)=αx_c(k-1)+x(k-1)$y\left(k\right)=g\left[W_{\mathrm{ij}}^{y}x\left(k\right)\right]$式中，表示隐含层与关联层的连接权矩阵，表示隐含层与输入层之间的连接权矩阵，表示隐含层与输出层的连接权矩阵，y(k)表示k时刻神经网络的输出，u(k)表示k时刻神经网络的输入，x(k)表示k时刻的隐含层状态，x_c(k)表示k时刻关联层中神经元的状态，f(·)表示隐含层的激活函数所组成的非线性向量函数，g(·)表示输出层的激活函数所组成的非线性向量函数，其中f(·)取sigmoid函数；0≤α<1为自连接反馈增益因子；i，j，q，k分别为对应参数变化范围内的变量，取值范围为1，2，3…N；设第k步网络的实际输出为y_d(k)，定义误差函数为：$E\left(k\right)=\frac{1}{2}{(y_d\left(k\right)-y\left(k\right))}^T(y_d\left(k\right)-y\left(k\right));$步骤(2)，获取学习样本：以特征温度下的光纤陀螺输出信号作为学习样本，使学习样本能够反映可工作温度条件下的测量范围；步骤(3)，训练改进Elman神经网络并通过遗传算法优化模型参数：根据所述步骤(1)得到的改进Elman神经网络模型和步骤(2)得到的样本数据，对各组学习样本采用标准的BP算法训练，即可得到改进Elman神经网络模型参数；再利用遗传算法迭代得到最优的模型参数包括权值和阈值从而得到最优的神经网络模型；步骤(4)，将光纤陀螺原始输出信号输入步骤(3)所得的最优的神经网络模型中，即可得到光纤陀螺预测输出，从而对光纤陀螺温度漂移进行补偿。