基于二次修正插值的捷联惯组测试数据建模.docxVIP

基于二次修正插值的捷联惯组测试数据建模 小型样本的建模已引起人们的关注，尤其是在武器系统的实验分析中。不论是战略武器还是常规兵器,由于广泛应用高新技术,因此试验费用昂贵,测试程序复杂;此外,由于武器系统寿命有限,测试次数不能太多,而且有些试验属于消耗性试验,不能重复使用。因此根据已有的试验数据进行建模研究,在不增加试验次数的情况下通过研究武器系统的性能,或者预测未来的试验结果,来代替部分试验,这是一种减少试验次数、降低试验消耗、节省实验经费的有效途径。常用的建模方法有神经网络模型,线性、非线性回归模型,灰色理论模型,支持向量机模型等。支持向量机是上世纪90年代中期提出的一种机器学习算法,它的基础是Vapnik创建的统计学习理论。传统的学习方法(如神经网络模型)采用经验风险最小化准则,在训练中最小化样本点误差,因而不可避免地出现过拟合现象,这样模型的泛化能力受到限制。而统计学习理论采用结构风险最小化准则,在最小化样本点的同时,缩小模型泛化误差的上界,即最小化模型的结构风险,从而提高了模型的泛化能力,这一点在小样本的学习中更为突出。传统支持向量机的最优化问题要通过二次型求解。Suykens在标准支持向量机的目标函数中增加误差平方项,提出了最小二乘支持向量机(LS-SVM),LS-SVM是支持向量机的一种修正和扩展。LS-SVM优化问题转化为求解线性方程组问题,因而运算简便,速度快,所