Диссертация (1025634), страница 17
Текст из файла (страница 17)
Оценки углов отклонения гиростабилизационной платформы cадаптивным фильтром124Рис. 4.12. Оценки ошибок скорости дрейфов c адаптивным фильтром8На Рис. 4.10, 4.11, 4.12 введены следующие обозначения: 1 – ошибкиИНС, 2 – оценки ошибок ИНС.Результаты моделирования алгоритмов оценивания в условияханомальных измерений.Аномальные измерения формировались с помощью датчика случайныхчисел.Рассмотрены случаи одиночных аномальных выбросов в измерениях;коротких серий аномальных измерений и длительных интервалов наличияаномальных измерений. Результаты моделирования представлены на Рис.
4.13 4.16.125Рис. 4.13. Оценки ошибок ИНС в определении скорости c аномальнымвыбросомРис. 4.14. Оценки углов отклонения гиростабилизационной платформы cаномальным выбросом126Результаты моделирования погрешностей ИНС и их оценок в условияхналичия в измерениях пачки аномальных выбросов:Рис. 4.15. Оценки ошибок ИНС в определении скорости c пачкойаномальных выбросовРис. 4.16. Оценки углов отклонения гиростабилизационной платформы cпачкой аномальных выбросов127На Рис. 4.17, 4.18 представлены результаты моделирования погрешностейИНС в условиях аномальных выбросов с разработанным алгоритмом.Рис.
4.17. Оценки ошибок ИНС в определении скорости в условиях аномальныхвыбросов с разработанным алгоритмомРис. 4.18. Оценки углов отклонения гиростабилизационной платформы вусловиях аномальных выбросов с разработанным алгоритмом128На Рис. 4.13 – 4.18 введены следующие обозначения: 1 – ошибки ИНС,2 – оценки ошибок ИНС.4.2.Результаты математического моделирования алгоритмовсамоорганизацииДля исследования алгоритмов использована тестовая математическаямодель погрешностейРезультаты моделирования будут представлены только для однойкомпоненты вектора состояния, так как для остальных компонентмоделирование выполняется аналогично.
Предполагается, что в реальныхусловиях, прогноз будет работать по всем трем компонентам.При проведении моделирования учитывалось, что характер исследуемогопроцесса приблизительно известен. Поэтому в качестве опорной функции,которая будет усложняться на последующих этапах, выберем гармоническую(синусоидальную) функцию вида:. На предварительномэтапе селекции определяем значение амплитуды и фазы опорной функцииследующим образом:в качестве начального значения амплитуды выбираем среднеезначение измерений, полученных путем отбрасывания максимального иминимального измерения из 20 значений обучающей последовательности;Заметим, что исходные данные для обучающей и проверочнойпоследовательности будем брать в соотношении 2:1.
Считаем, что в качествеисходных данных имеем 30 значений, полученные в период работы системы врежимекоррекцииотспутниковойсистемынепосредственнопередпереключением ее в автономный режим.в процессе предварительного выбора амплитуда варьируется до 14значений. При этом значение изменяется на величину до 100%;фаза варьируется от 0 до ±90%. В результате также получаем 14значений: 7 положительных и 7 отрицательных.129С помощью критерия минимума среднеквадратичного отклонениявыбираем на обучающей последовательности единственную модель, которуюбудем усложнять. Назовем ее опорной функцией или первым приближением.На первых рядах селекции исходный базис включает линейнуюгармоническую функциюи.
У каждой из функций варьируются основныепараметры (например, для гармонической функции это амплитуда и фаза).Получаем множество функций, которые затем «скрещиваются» с опорной.На следующий этап селекции для усложнения переходит функция,которая наилучшим образом соответствует критерию выбора.Описанная выше процедура повторяется на первых трех рядах селекции.В дальнейшем (для четвертого ряда селекции и далее) из исходного базисаисключается линейная функции, так как процесс носит явно гармоническийхарактер.Вкачествесреднеквадратичногокритериевотбораотклонениявыбран∑критерийминимумаиограничение по времени построения прогноза. Адекватность функциипроверяется на проверочной последовательности – среднеквадратическоеотклонение должно уменьшаться.
Таким образом, ограничимся пятью рядамиселекции и будем считать, что полученная на последнем этапе функцияявляется близкой к оптимальной, что устраивает нас из-за ограничения повремени. В случае отсутствия такого ограничения признаком полученияоптимальной функции было бы нахождение глобального минимума критерияселекции [11].Будем считать, что результатом прогноза модели являются 30 значений,полученные после подачи на вход исходных данных.На Рис. 4.19, 4.20 представлены результаты моделирования погрешностейИНС в условиях пропадания сигнала СНС.130Рис. 4.19. Оценки ошибок ИНС в определении скорости при краткосрочномисчезновении сигнала от СНС с различными моделями прогнозаРис.
4.20. Оценки ошибок ИНС в определении скорости при долгосрочномисчезновении сигнала от СНС с различными моделями прогноза131На Рис. 4.19, 4.20 введены следующие обозначения: 1 – погрешностиИНС; 2 – результаты прогноза с помощью алгоритма самоорганизации саприорным выбором базисных функций; 3 – результаты прогноза погрешностейИНС с помощью линейного тренда; 4 – результаты прогноза погрешностейИНС с помощью последней оценки.На Рис. 4.21 продемонстрированы результаты прогноза погрешностейИНС с помощью разработанного алгоритма коррекции в условиях полногоисчезновения сигнала СНС.Рис.
4.21. Оценки ошибок ИНС в определении скорости с релейнымалгоритмомНа Рис. 4.21 введены следующие обозначения: 1 – результаты прогнозапогрешностей ИНС с помощью последней оценки; 2 – результаты прогнозапогрешностей ИНС с помощью линейного тренда; 3 – результаты прогноза спомощью модифицированного тренда; 4 – результаты прогноза с помощьюалгоритма самоорганизации с априорным выбором базисных функций; 5 –погрешности ИНС; 6 – релейный алгоритм коррекции ИНС. Результаты работыалгоритма самоорганизации и модифицированного тренда на последнем этапепрогнозирования становятся идентичными и представлены на Рис. 4.21.132НаРис.4.21представленопоследовательноеиспользованиепрогнозирующих моделей погрешностей ИНС, которые сведены в алгоритмкоррекции.После исчезновения сигнала СНС на первом этапе использованопоследнее значение оценки погрешностей ИНС.
Затем использован линейныйтренд, с помощью которого прогнозируются погрешности ИНС.Для дальнейшего прогноза воспользуемся трендом, полученным напоследнем ряду селекции, который усложняется методом самоорганизации.Т.е. тренд, полученный в результате предыдущего прогноза, является первымприближением для последующего. Построение осуществляется на точках,полученных с 31 по 60 секунду. Из них первые 20 точек входят, как и ранее, вобучающую последовательность, а 10 – в проверочную.На Рис. 4.22 и 4.23 представлены результаты моделирования процессаопределения рабочего контура измерительного комплекса с помощью критерияэффективности КОИ.Рис.
4.22. Определение рабочего контура измерительного комплекса спомощью критерия эффективности КОИ.133На Рис. 4.22 введены следующие обозначения: 1 – Погрешность ИНС ( );2 – Оценка ошибок ( ̂); 3 – Ошибка оценивания ( ̃̂); 4 – ПогрешностьСНС. В промежутках времени 0 – T1 и T2 – T3 используется СНС. Впромежутке времени T1 – T2 используется КОИ.Рис. 4.23. Определение рабочего контура измерительного комплекса спомощью критерия эффективности КОИНа Рис.
4.23 введены следующие обозначения: 1 – Погрешность ИНС ( );2 – Оценка ошибок ( ̂); 3 – Ошибка оценивания ( ̃̂). В промежуткахвремени 0 – T1, T2 – T3 и T4 – T5 используется КОИ. В промежутках времениT1 – T2, T3 – T4 и T5 – T6 используется ИНС.4.3. Анализ результатов моделированияРезультаты математического моделирования показали, что в условияотсутствия достоверных априорных данных о характеристиках шумовиспользовать фильтр Калмана нецелесообразно, так как ошибки оцениванияслишком велики и не позволяют повысить точность ИНС.134Коррекцию ИНС посредством фильтра Калмана возможно проводитьтолько при условии, что характеристики шумов могут быть определены сдостаточно высокой точностью. В этом случае с помощью фильтра Калманаполучается оптимальная оценка погрешностей ИНС и удастся существенноповысить точность определения навигационных параметров ЛА.Обработка измерений проводилась классическим фильтром Калмана иадаптивнымалгоритмомоценивания.Точностьоцениваниямоделисиспользованием адаптивного алгоритма оценивания в среднем на 8 – 12% вышепосравнениюсфильтромКалманавусловияхстохастическойнеопределенности.Из графиков видно, что при краткосрочном прогнозе классический трендможет определить тенденцию исследуемого процесса на минимальноминтервале с удовлетворительной точностью.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
