1 火箭军工程大学, 士官学院, 山东 青州 262500
2 初级指挥学院西安710025
3 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳471000
4 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳 471000
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。
惯性器件 随机误差 LSTM 网络 ARMA建模 inertial device random error LSTM network ARMA modeling
用632.8nm 12mW的氦氖激光及聚乙二醇(PEG)复合诱导融合枯草芽孢杆菌与黑曲霉原生质体.为了提高枯草芽孢杆菌的糖化酶产酶能力,对两亲本在融合中采用不同的激光照射时间,选育出的融合子与枯草芽孢杆菌亲本相比,糖化酶酶活提高了2倍,并通过酯酶同工酶谱分析对融合子进行了鉴定,结果表明:融合子遗传性状与亲本相比发生了显著变化,通过传代培养,融合子具有良好的遗传稳定性.
He-Ne激光 原生质体融合 黑曲霉 枯草芽孢杆菌