[发明专利]一种基于WNN-AFS优化算法的MEMS陀螺随机误差预测方法

权利要求书

1.一种基于WNN-AFS优化算法的MEMS陀螺随机误差预测方法，其特征在于，步骤如下：

S1、采集连续时间内的MEMS陀螺原始输出数据，对输出数据采用提升小波变换的方法进行去噪处理，得到去噪数据；

S2、将去噪数据分为学习样本组和测试样本组，对上述两个样本组分别确定它们的输入数据和目标输出数据；

S3、确定WNN的网络结构，包括输入层节点数、隐含层节点数、输出层节点数以及小波基函数，得到初始小波神经网络，同时构建AFS算法与小波神经网络的函数映射关系；

S4、运用AFS算法对小波神经网络的初始连接权值和阈值进行优化，得到WNN-AFS网络模型：

首先构建人工鱼群，通过模拟人工鱼觅食、聚群、追尾和随机一系列基本行为，实现鱼群算法的全局寻优功能，找到最优值赋给初始小波神经网络作为初始连接权值和阈值；

S5、利用学习样本组对WNN-AFS网络模型进行训练，获得二次WNN-AFS网络模型后，再利用测试样本组对二次WNN-AFS网络模型的学习效果进行检测，即检测经过训练的小波神经网络的模拟预测数据能否够满足预测精度的要求，保存满足预测精度的要求的二次WNN-AFS网络模型，用于预测MEMS陀螺随机误差。

2.根据权利要求1所述的基于WNN-AFS优化算法的MEMS陀螺随机误差预测方法，其特征在于，S2中，将去噪数据分为学习样本组和测试样本组，对上述两个样本组分别确定它们的输入数据和目标输出数据，具体如下：

步骤2-1、对去噪数据进行Z值归一化处理，得到归一化数据集；

步骤2-2、对归一化数据集进行分组，分成学习样本组和测试样本组，具体如下：

将归一化数据集依次分为M组，前R组的数据组作为学习样本组，后Q组的数据组作为测试样本组，R+Q＝M；每组数据中均包含m个数据样本；将每组的前m-3个数据x₁,x₂...,x_m-3作为本组的输入数据，后三个数据x_m-2,x_m-1,x_m作为本组输入数据对应的目标输出数据。

3.根据权利要求2所述的基于WNN-AFS优化算法的MEMS陀螺随机误差预测方法，其特征在于，S3中确定WNN的网络结构，包括输入层节点数、隐含层节点数、输出层节点数以及小波基函数，得到初始小波神经网络，同时构建AFS算法与小波神经网络的函数映射关系，具体如下：

步骤3-1、确定小波神经网络的输入层节点数为m-3，输出层节点数为3，隐含层节点数为n；

步骤3-2、设输入层到隐含层的权值矩阵为W，隐含层到输出层的权值矩阵为V，B₁为小波基函数平移系数向量，其中：

隐含层的输出H计算公式为：

式中，X为样本组的输入数据集合，为小波基函数，[ω₁₁,ω₁₂,...,ω_n,m-3]为对应输入层与隐含层之间的连接权值，[v₁₁,v₁₂,...,v_3n]为对应隐含层与输入层之间的连接权值；

采用的小波基函数为Morlet母小波函数作为WNN-AFS模型隐含层激励函数，数学公式为：

其中，x表示输入数据，B₁＝[b₁₁ b₁₂…b_1,m-3]^T，伸缩系数向量A＝[a₁ a₂…a_m-3]^T；

小波神经网络的输出层Y的公式为：

式中，B₂为输出层的神经网络中的偏置向量；

步骤3-3、构建AFS算法与小波神经网络的函数映射关系，将小波神经网络与AFS算法相对应，根据小波神经网络的结构参数，确定人工鱼群的搜索空间维数G：

G＝(m-3)×n+n×3+2×n (8)

式中，小波神经网络权值和阈值的总和构成G。