李泽民，段凤阳，马佳智

(空军航空大学航空控制工程系，长春130022)

随着微电子技术和集成电路技术的发展，采用微机电系统(MEMS)技术的惯性传感器以其体积小、质量轻、成本低、产品可靠性高等优异特性，被广泛应用于汽车、航空、航天和武器制导等军民领域[1]。由于受自身结构缺陷和加工工艺的限制，MEMS陀螺仪存在较大的漂移，尤其是其中的随机漂移，具有随机性、非线性、非平稳和弱时变特性，已成为制约MEMS陀螺仪向高精度领域应用的主要因素，必须建立有效的误差模型对其进行预测和补偿[2]。

目前常用的陀螺仪随机漂移预测方法主要有两类:一类是以传统时间序列分析法为代表的统计建模方法，如将AR模型或者ARMA模型与Kalman滤波器相结合[3－4]。这类方法要求时间序列具有平稳性、正态性和独立性特征，极大的限制了模型的使用范围和预测精度。另一类是以神经网络为代表的人工智能算法[5]。神经网络具有很好的非线性逼近能力，但神经网络训练过程遵循的是经验风险最小化准则，存在着过拟合现象，导致算法的泛化性能差，并且训练过程受局部极小点的困扰。基于统计学习理论[6]的支持向量机SVM(Support Vector Machine)方法，其训练过程遵循的是结构风险最小化原则，不易发生局部最优及过拟合现象，能够很好的克服神经网络的上述缺陷，非常适合非线性的随机序列动态建模[7]。

本文通过对随机漂移序列进行相空间重构，将回归支持向量机用于陀螺仪随机漂移的预测和补偿，以探索新的更加有效的随机漂移补偿方法。……