论文部分内容阅读
结合惯性器件随机误差研究的实际，针对传统的基于时间序列的ARMA建模方法和深度学习LSTM网络进行了适用性和实时性对比分析，通过获取具体型号的惯性器件输出数据设计了算例。研究认为在未做实时性要求的情况下，ARMA建模和LSTM网络均可以达到较好的拟合效果，而建立LSTM网络方法可以减少提取趋势项和周期项的环节；实时在线预测情况下LSTM网络优势明显，但预测精度会随时间序列缩短而明显下降，可以在一定程度上反映噪声变化的趋势并据此对整体控制系统的滤波算法进行优化.