论文部分内容阅读
基于混沌PSO算法优化最小二乘支持向量机（IS—SVM）实现惯导系统初始对准测试。通过小波包分解消除陀螺漂移数据的噪声，获取LS—SVM的训练与测试样本。针对LS-SVM解决大规模数据样本回归问题时所出现的训练时间长、收敛速度慢等缺点，提出了混沌PSO算法优化LS—SVM的模型参数。该方法不仅克服了传统PSO算法早熟、容易陷入局部最小值等缺点，同时显著提高了LS—SVM的预测能力。将一般LS—SVM和GM（1，1）模型的预测结果与本算法预测结果进行对比，验证了本方法在预测精度上具有明显优势。