骞微著，杨立保

(1.中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033； 2.中国科学院大学，北京100039； 3.长春理工大学 机电工程学院，吉林 长春 130022)

1 引 言

光纤陀螺利用光纤的Sagnac 效应来测量惯性空间的角速率，具有测量精度高、稳定性好、动态范围大等优点，目前已被广泛用于稳定平台和导航系统中。在光纤陀螺受到外界条件影响后会产生漂移误差，影响其测量精度。因此对于光纤陀螺误差补偿的研究近年来已经成为热点。目前普遍采用的误差补偿方法有ARMA[1]模型和Kalman算法[2-3]。其中，ARMA是一种线型模型，其假设误差为零均值、平稳的正态时间序列。而Kalman算法要求获得准确的噪声先验统计信息[4]。这些都影响了这些方法对误差的建模精度和补偿效果。不同于ARMA模型和Kalman算法，神经网络是一种基于非参数辨识的建模方法。神经网络在获得足够多的信号样本后，便可以获得光纤陀螺的误差在频域上的特性。使用足够多的样本信号对误差进行建模之后，可获得到光纤陀螺信号的频率特征。因此，神经网络模型具备良好的信号建模能力。常用的神经网络有BP(Back Propagation )神经网络和径向基(Radial Basis Function,RBF)神经网络[5-6]。BP神经网络作为一种全局逼近神经网络，一般采用Sigmoid函数作为激励函数。而Sigmoid函数是全局激励函数，在神经网络的训练过程中很容易陷入局部极小值[7]。RBF网络虽然是一种局部逼近网络，但是由于采用高斯基函数作为逼近函数，不能像小波函数那样具有尺度缩放的能力，因此难以实现高精度的逼近效果[8]。……