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

本发明专利技术公开了一种基于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，包括，对MEMS陀螺的原始输出数据进行确定性误差标定；将数据组分为训练数据组和测试数据组，确定输入数据和输出数据；构建小波神经网络与BFO算法的映射关系；设计小波神经网络并根据映射关系对其进行训练，获得MEMS陀螺的随机误差预测小波神经网络网络；保存小波神经网络网络并将其用于对MEMS陀螺进行预测。发明专利技术技术方案的方法，针对目前MEMS陀螺的随机误差预测收敛速度慢、容易产生局部动荡以及容易陷入极小值的情况，利用经细菌觅食优化算法(BFO)优化的小波神经网络对MEMS的随机误差进行预测，可以有效提高MEMS陀螺的随机误差预测精度。

【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(简称MA模型)为基础“混合”构成，其要求数据必须是平稳、线性的。针对这个问题，现有技术中CN103900610A公开了一种“基于灰色小波神经网络的MEMS陀螺随机误差预测方法”中，其中提出利用对非线性函数具有更强适应性的小波神经网络对MEMS陀螺的随机误差进行预测。其预测效果虽然比传统方法有所改进，但其学习算法存在收敛速度慢、易产生局部动荡以及易陷入局部极小值等问题。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，至少可以部分解决上述问题。本专利技术技术方案的方法，针对目前MEMS陀螺的随机误差预测收敛速度慢、容易产生局部动荡以及容易陷入极小值的情况，利用经细菌觅食优化算法(BFO)优化的小波神经网络对MEMS的随机误差进行预测，可以有效提高MEMS陀螺的随机误差预测精度。为实现上述目的，按照本专利技术的一个方面，提供了一种基于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。作为本专利技术技术方案的一个优选，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。作为本专利技术技术方案的一个优选，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。作为本专利技术技术方案的一个优选，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应输出每个训练数据组的目标输出数据，根据适应度函数确定细菌个体向量的最优解；S43对最优解进行反向解码，根据解码结果对应获得小波神经网络结构以及权值矩阵、函数及向量参数，更新小波神经网络；S44依次向更新后的小波神经网络中输入每个测试数据组的输入数据，判断初始小波神经网络的输出数据是否达到精度阈值，若是则进入步骤S5，否则改变小波神经网络隐含层参数进入步骤S42。作为本专利技术技术方案的一个优选，步骤S5中包括，S51将MEMS陀螺的输出数据输入小波神经网络，获得小波网络的输出数据；S52对小波神经网络的输出数据进行反归一化处理，获得MEMS陀螺随机误差的预测值。作为本专利技术技术方案的一个优选，步骤S21中优选采用下式对MEMS陀螺的输出数据进行归一化，其中，xmax、xmin分别为MEMS陀螺的输出数据集合中的最大和最小值，x为输出数据集合中的数据。作为本专利技术技术方案的一个优选，步骤S32中所述输入层到隐含层的权值矩阵为隐含层到输出层的权值矩阵为小波基函数平移系数向量为B＝[b1b2...bn]T；小波基函数伸缩系数向量为A＝[α1α2...αn]T；式中，m为输入层数，n为隐含层数；ωij(i＝1,2,……,n，j＝1,2,……,m)为第i输入层与第j个隐含层之间的连接权值；vij(i＝1,2,……,k，j＝1,2,……,n)为第i个隐含层与第j个输入层之间的连接权值；bi(i＝1,2,……,n)为第i个隐含层的小波基函数平移系数，ai(i＝1,2,……,n)为第i个隐含层的小波基函数伸缩系数。作为本专利技术技术方案的一个优选，BFO小波神经网络隐含层激励函数优选Morlet小波基函数。作为本专利技术技术方案的一个优选，细菌个体维度优选为：D＝n×m+k×n+n+n；其中，D为细菌个体维度，m为输入层数，n为隐含层数，k为输出层数。作为本专利技术技术方案的一个优选，步骤S41所述BFO算法参数包括细菌种群规模、细菌趋化行为次数、繁殖次数、趋化操作中在一个方向上前进的最大步数、细菌迁徙行为次数以及基本迁徙概率。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：1)本专利技术技术方案的方法，采用BFO算法对小波神经网络进行优化，小波神经网络具有对非本文档来自技高网...

【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