【技术实现步骤摘要】
一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法
本专利技术属于陀螺误差校正领域,具体涉及一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法。
技术介绍
近些年,随着微电子加工技术的发展,MEMS惯性传感器、特别是陀螺仪的精度已得到大幅提高,MEMS陀螺凭借其在体积、成本、功耗和抗冲击能力等方面的优势,利用MEMS陀螺的惯性导航技术有了广泛的应用场景,如无人机控制导航技术,机器人运动控制,具有动作识别的可穿戴设备等。基于MEMS陀螺的惯性系统己成为当今惯性
的一个重要的研究热点。然而低成本的MEMS陀螺虽然瞬态性能较好,但误差漂移会随着时间逐渐累积,对测量精度影响很大。MEMS陀螺误差的增大无疑会对整个设备的测量精度产生影响,尤其是在高度依赖MEMS的情况下,这种影响会直接导致测量设备的可靠性,如何提高MEMS陀螺的精度一直以来是研究人员们比较关注的一个重要问题。根据观察,MEMS陀螺的误差包括确定性误差和随机误差,即陀螺的漂移。对确定性误差,可以比较容易的用代数方程来表示,并通过标定补偿。而随机误差由于制造工艺及使用环境的影响,存在很大的不确定性,是影响其精度的一个重要原因。因此,对MEMS陀螺进行随机误差补偿是提高其精度的一个重要手段。在现有的陀螺随机误差建模中,通常采用的是Allan方差和ARMA模型的建模方法。一般来说,在分析振荡器的相位和频率不稳定性,高稳定度振荡器的频率稳定度的时域表征时会采用Allan方差,但是这种方法仅适用于非平稳的随机信号。ARMA模型是研究时间序列的重要方法,由自回归模型(简称AR模型)与滑动平均模型 ...
【技术保护点】
1.一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法,用于对MEMS陀螺的随机误差进行预测,其特征在于,包括,S1采集MEMS陀螺的原始输出数据,对原始输出数据进行确定性误差标定,去除噪声数据,获得MEMS陀螺的输出数据集合;S2将输出数据集合分为若干数据组,确定输入数据和目标输出数据,将数据组分为训练数据组和测试数据组,形成小波神经网络的训练数据;S3对小波神经网络的输入层、隐含层和输出层数进行设置,确定小波神经网络的精度值要求,构建小波神经网络与BFO算法的映射关系;S4利用所述训练数据对小波神经网络进行训练和优化,获得MEMS陀螺的随机误差预测小波神经网络网络,利用测试数据组中的数据对其进行测试,判断小波神经网络精度是否达到预定值,是则进入步骤S5,否则改变隐含层数进入步骤S4;S5保存MEMS陀螺的随机误差预测小波神经网络网络并将其用于对MEMS陀螺进行预测。
【技术特征摘要】
1.一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法,用于对MEMS陀螺的随机误差进行预测,其特征在于,包括,S1采集MEMS陀螺的原始输出数据,对原始输出数据进行确定性误差标定,去除噪声数据,获得MEMS陀螺的输出数据集合;S2将输出数据集合分为若干数据组,确定输入数据和目标输出数据,将数据组分为训练数据组和测试数据组,形成小波神经网络的训练数据;S3对小波神经网络的输入层、隐含层和输出层数进行设置,确定小波神经网络的精度值要求,构建小波神经网络与BFO算法的映射关系;S4利用所述训练数据对小波神经网络进行训练和优化,获得MEMS陀螺的随机误差预测小波神经网络网络,利用测试数据组中的数据对其进行测试,判断小波神经网络精度是否达到预定值,是则进入步骤S5,否则改变隐含层数进入步骤S4;S5保存MEMS陀螺的随机误差预测小波神经网络网络并将其用于对MEMS陀螺进行预测。2.根据权利要求1所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法,其中,步骤S2包括,S21对输出数据集合中的数据进行归一化处理,获得归一化数据集;S22将归一化数据集中的数据划分为至少两个数据组,每个数据组中至少包括两个数据;将每组数据的最后一个数据确定为目标输出数据,剩余数据为对应的输入数据;S23将数据组分为训练数据组和测试数据组,所述训练数据组和测试数据组数量分别不少于一组。3.根据权利要求1或2所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法,其中,步骤S3包括,S31设定小波神经网络输入层、隐含层和输出层参数以确定小波神经网络结构;S32确定小波神经网络的权值矩阵,包括输入层到隐含层的权值矩阵和隐含层到输出层的权值矩阵,以及小波基函数平移系数向量和小波基函数伸缩系数向量;S33确定细菌种群数量和BFO小波神经网络的隐含层激励函数,并根据小波神经网络结构获得细菌个体维度;S34根据小波神经网络结构以及权值矩阵、函数及向量参数获得与细菌个体维度相对应的细菌个体向量,通过细菌个体向量确定小波神经网络与BFO算法的映射关系。4.根据权利要求1~3任一项所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法,其中,步骤S4包括,S41根据小波神经网络对细菌个体进行编码,获取细菌个体向量,将细菌个体向量的取值区间赋予BFO算法的种群;确定小波神经网络的输出数据与该测试数据组对应的目标输出之间的均方误差为BFO算法的适应度函数;S42依次向小波神经网络中输入每个训练数据组的输入数据,控制小波神经网络对...
【专利技术属性】
技术研发人员:左庆,张书文,曹海波,刘俊池,刘亦男,李棒,
申请(专利权)人:湖北三江航天万峰科技发展有限公司,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。