基于模糊优化算法的惯性元件误差补偿方法

张飞舟; 范跃祖; 孙先仿

基于模糊优化算法的惯性元件误差补偿方法

北京航空航天大学自动控制系

基金项目: 国家863高技术计划资助项目(863-306-ZT04-4)

详细信息

作者简介:
张飞舟(1966-),男,湖南邵阳人,博士生,100083,北京.

中图分类号: V 249.3
计量
- 文章访问数: 2559
- HTML全文浏览量: 227
- PDF下载量: 1030
- 被引次数: 36
出版历程
- 收稿日期: 2000-01-11
- 网络出版日期: 2001-03-31

Method of Error Compensation for Inertial Elements Based on Fuzzy Optimal Algorithm

Beijing University of Aeronautics and Astronautics, Dept. of Automatic Control

摘要

摘要: 阐述基于模糊优化算法的导航系统惯性元件误差补偿方法.该方法的基本思想是将遗传算法与模糊逻辑推理相结合,保留遗传算法的强全局搜索能力,把隶属函数作为遗传的个体通过选择、交叉及变异等遗传操作使模糊规则得到进化,实现模糊规则的在线优化,进而根据优化了的模糊规则,再对遗传操作及参数在线进行调整,从而进一步优化模糊规则,使得模糊控制系统具有良好的"自进化"能力.仿真结果表明,该模糊优化算法对导航系统惯性元件的误差补偿是可行的,而且是有效的,具有一定的实用价值.
- 模糊逻辑 /
- 惯性元件 /
- 惯性导航 /
- 遗传算法 /
- 误差补偿
Abstract: The method of error compensation for inertial elements in navigation system based on fuzzy optimal algorithm is presented. Its essential idea is combining genetic algorithm (GA) with fuzzy logic reasoning, preserving strong whole searching capability of GA and acting membership function as genetic individual. Consequently, the fuzzy rules are optimized by means of selection, crossover and mutation operation and so on, realizing the optimization of fuzzy rules on line. And then on the basis of optimized fuzzy rules, the genetic operation and parameters are adjusted on line again and the fuzzy rules are further optimized, which makes fuzzy control system have good self-evolution capability. The simulation results demonstrate that the fuzzy optimal method has certain validity and feasibility for error compensation of inertial elements in navigation system, it has better practical worth.
- fuzzy logic /
- inertial elements /
- inertial navigation /
- genetic algorithm /
- error compensation

HTML全文

参考文献(1)

[1] Davis L. Handbook of genetic algorithms[M]. New York:Van Nostrand Reinhold,1991. [2] 陈国良,王熙法,庄镇泉,等. 遗传算法及其应用[M]. 北京:人民邮电出版社,1996. [3] 李敏强,张志强,寇纪淞. 关于杂合遗传算法的研究[J]. 管理科学学报,1998,1(1):64~66. [4] Karr C L. Applying genetic to fuzzy control[J]. IEEE AI Exper, 1991,11(6):26~33. [5] Goldberg D E. Genetic algorithm in search, optimization and machine learning[J]. Reading, Addison,Wesley, 1989,16(2):52~60. [6] 张毅,李人厚. 基于遗传算法的多变量模糊控制器设计[J]. 控制理论与应用,1996,13(4):409~416. [7] Buckley J J, Hayashi Y. Fuzzy genetic algorithm and lication[J]. Fuzzy Sets and Systems, 1994,61(2):129~136. [8] Chi T　C, Qi X　M. Genetic algorithms for learning the rule base of fuzzy logic controller[J]. Fuzzy Sets and Systems,1998,65(2):1~7. [9] Herrera F,Lozano M. A learning process for fuzzy control rules using genetic algorithm[J]. Fuzzy Sets and Systems,1998,65(2):143~158．

施引文献

期刊类型引用(15)

1.	罗飞，王润峰. 基于YOLOv5水下目标检测算法研究与改进. 通信与信息技术. 2024(01): 34-40 . 百度学术
2.	陈宇梁，董绍江，孙世政，闫凯波. 改进YOLOv5s的弱光水下生物目标检测算法. 北京航空航天大学学报. 2024(02): 499-507 . 本站查看
3.	周玺兴，梁翔宇，胡佳宁，曾立华. 基于负压的浅海养殖海参捕捞系统设计与性能研究. 中国农机化学报. 2024(10): 94-99 . 百度学术
4.	杨婷，高武奇，王鹏，李晓艳，吕志刚，邸若海. 自动色阶与双向特征融合的水下目标检测算法. 激光与光电子学进展. 2023(06): 132-143 . 百度学术
5.	贾文娟，张孝薇，闫晨阳，李红志. 海洋牧场生态环境在线监测物联网技术研究. 海洋科学. 2022(01): 83-89 . 百度学术
6.	范刚，张亚，赵河明，李波. 水下机器人定位导航技术发展现状与分析. 兵器装备工程学报. 2022(03): 22-29 . 百度学术
7.	郝琨，王阔，王贝贝. 基于改进Mobilenet-YOLOv3的轻量级水下生物检测算法. 浙江大学学报(工学版). 2022(08): 1622-1632 . 百度学术
8.	高天铭，闫敬，尤康林，张良，林景胜，罗小元. 水下智能识别与自主抓取机器人设计与实现. 控制理论与应用. 2022(11): 2074-2083 . 百度学术
9.	王伟，李琰. 基于GIS的短时交通客流智能协调控制系统设计. 计算机测量与控制. 2021(01): 154-158 . 百度学术
10.	王晓鸣，吴高升. 基于单目视觉的水下机器人相对位姿精确控制. 水下无人系统学报. 2021(03): 299-307 . 百度学术
11.	高云，彭炜，周建慧. 机器人智能抓取未知目标位置深度识别仿真. 计算机仿真. 2021(08): 376-380 . 百度学术
12.	石少炜，石少敏. 基于虚拟现实的机器人工作状态智能监测系统. 自动化与仪器仪表. 2021(12): 172-175+180 . 百度学术
13.	魏哲，焦航. 纱筒搬运机器人的设计. 机械与电子. 2020(08): 76-80 . 百度学术
14.	翟国栋，任聪，王帅，岳中文，潘涛，季如佳. 多尺度特征融合的煤矿救援机器人目标检测模型. 工矿自动化. 2020(11): 54-58 . 百度学术
15.	于红. 水产动物目标探测与追踪技术及应用研究进展. 大连海洋大学学报. 2020(06): 793-804 . 百度学术