一种基于深度学习的三轴磁电子罗盘误差补偿方法技术

一种基于深度学习的三轴磁电子罗盘误差补偿方法，对隐式误差模型进行训练，以补偿磁罗盘测量存在的非线性误差，提高磁罗盘定向精度；误差模型训练包括两个阶段：第一阶段为预训练；第二阶段是反向微调，使用反向传播算法对网络所有层进行微调，减小模型训练误差；磁罗盘标定和补偿的过程就是利用深度学习算法训练得到的非线性误差模型，把畸变后的测量磁场逆变回真实磁场值，从而减小航向角计算误差；针对磁罗盘非线性误差提出的基于深度学习的误差训练方法，相比传统神经网络随机初始化而言，各层权重会位于参数空间较好的位置，有利于提高算法收敛性和模型训练精度，实现磁罗盘高精度定向。

【技术实现步骤摘要】
一种基于深度学习的三轴磁电子罗盘误差补偿方法
本专利技术涉及磁电子罗盘磁场测量的误差补偿，特别是对其中的非线性误差部分进行补偿。技术背景高精度磁电子罗盘不仅是地磁导航的核心技术之一，在矿藏探测、钻井、机器人定向等领域应用也非常广泛。国外已经研制出性能较好的磁电子罗盘，但软磁干扰和交叉轴效应导致的非线性误差仍未得到很好的解决。而且，由于磁电子罗盘具有明显的军事潜能，西方国家一直严格禁止高精度导航产品出口我国。磁电子罗盘利用三轴磁传感器和加速度传感器，分别测量地磁场和重力场在各轴的分量，并通过坐标变换计算得到磁航向角。磁航向角和实际航向角之间的关系为其中β是测量地点的磁偏角(磁场北极与地理北极之间的偏差角，可通过地磁场模型计算得到)。磁航向角为其中是磁电子罗盘测量磁场在地理水平面的投影，可通过姿态变换得到其中θ和γ分别为俯仰角和横滚角，可通过(3)式求解。其中g为重力场幅值，和分别为磁罗盘沿x轴和y轴的重力加速度分量。磁传感器和加速度传感器的测量误差直接影响磁罗盘定向精度。磁罗盘安装于载体进行磁场测量时，载体上的软磁材料具有较低的矫顽力和较窄的磁滞回线，可在较弱磁场中被磁化，产生非线性的感应磁场。感应磁场的大小及方向随载体姿态和载体在地磁场中的位置变化而变化，一旦外磁场消失，其感应磁性也随之消失，剩磁几乎为零。而且载体的软磁形状和分布也比较复杂,在磁罗盘周围形成非均匀磁场。另外，温度的变化还会引起磁强计中信号放大电路和调理电路参数的变化，从而产生非线性测量误差。各种非线性误差产生机理不同，尤其软磁干扰分布情况复杂，很难找出其中的规律，建立显式的误差模型。目前，国内外对磁电子罗盘误差校准基本上是通过对误差来源和机理的分析，建立一个显式的线性误差模型，再采用不同方法对误差参数进行估计并补偿，比如：椭圆假设法、分步校准法、椭球假设法、幅值约束法、位置翻转法、点积不变法等[1-6]。当然，除此之外也有部分文献认为磁传感器包含非线性误差，通过神经网络建立隐式误差模型。文献[7,8]以样本数据各分量的变形为自变量，构造了无隐层的函数链接型FLANN网络结构，以测量磁场和真实磁场幅值平方差的和为代价函数，通过迭代计算估计误差参数，校准后磁场幅值误差分别下降66倍和10倍，接近椭球假设法。文献[9,10]提出采用三层神经网络来描述磁场干扰情况下测量航向角与真实航向角之间的非线性关系，利用外部航向参考训练输入输出非线性误差模型，补偿精度可达0.4°左右，与训练样本质量有关。文献[11]利用三层BP神经网络对磁罗盘航向角误差建模，采用自适应差分进化算法训练神经网络权值，补偿后航向角误差控制在±0.22°范围内，但未说明采用何种类型的磁传感器。神经网络虽然可以辨识非线性系统，解决复杂的建模问题，但普遍存在收敛缓慢，实时性差等问题，训练速度成为制约其发展与应用的最主要问题。另外传统神经网络在训练过程中还会出现“平台”现象或产生过拟合，导致网络泛化能力较差。参考文献[1]Gebre-EgziabherD.Magnetometerautocalibrationleveragingmeasurementlocusconstraints[J].JournalofAircraft,2007,44(4):1361–1368.[2]VasconcelosJF,ElkaimG,SilvestreC,etal.Geometricapproachtostrapdownmagnetometercalibrationinsensorframe[J].IEEETransactionsonAerospaceandElectronicSystems,2011,47(2)：1293-1306.[3]AslH.G.PourtakdoustS.H.SamaniM.Anewnon-linearalgorithmforcompletepre-flightcalibrationofmagnetometersinthegeomagneticfielddomain[J].Proc.Inst.Mech.Eng.GJ.Aerosp.Eng.2009,223,729–739.[4]BonnetS.BassompierreC.GodinC.etal.Calibrationmethodsforinertialandmagneticsensors[J].Sens.ActuatorsAPhys.2009,156,302–311.[5]李翔,李智.航姿参考系统三轴磁强计校正的点积不变法[J].仪器仪表学报,2012,33(8):1813-1818.[6]YanxiaLiu,XishengLi,XiaojuanZhang,etal.NovelCalibrationAlgorithmforaThree-AxisStrapdownMagnetometer[J].Sensors,2014,14,8485-8504.[7]吴德会,黄松岭,赵伟.基于FLANN的三轴磁强计误差校正研究[J].仪器仪表学报,2009-3,30(3):449-453.[8]黄玉,郝燕玲.基于FLANN和最小二乘的磁梯度计误差校正[J].仪器仪表学报,2012-4,33(4):911-917.[9]WangJH,GaoY.Anewmagneticcompasscalibrationalgorithmusingneuralnetworks[J].MeasurementScienceandTechnology,2006,17(1):153-160.[10]王璐,赵忠,邵玉梅等.磁罗盘误差分析及补偿[J].传感技术学报2007,20(2):439-441.[11]岳海波，张树栋，史志茹等.基于自适应差分进化和BP网络的罗盘误差补偿[J].宇航学报,2013-12,34(12):1628-1633.
技术实现思路
本专利技术是一种可用于磁电子罗盘非线性误差补偿的方法，提出了一种基于深度学习的三轴磁强计误差补偿算法，隐式误差模型对隐式误差模型进行训练，以补偿磁电子罗盘测量存在的非线性误差，提高磁电子罗盘定向精度，如图1所示。误差模型的输入为7维向量其中分别表示磁电子罗盘坐标系下地磁场在x,y,z轴的分量，分别表示磁电子罗盘坐标系下重力场在x,y,z轴的分量，tmp代表温度；输出为实际航向角采用目前研究和应用最广的深度置信网络DBN构建多隐层(有多个限制波尔兹曼机RBM叠加构成)；最后一层采用BP网络，接收来自RBM的输出特征向量，并作为BP网络的输入特征向量。航向角测量值和实际航向角之间存在非线性的函数关系其中β为磁偏角，f(·)表示航向角测量值和实际值之间的非线性函数映射关系。深度学习算法的目的就是训练误差模型更好的表达这种非线性函数关系。误差模型训练误差模型训练包括两个阶段。第一阶段为预训练，首先采用对比散度(ContrastiveDivergence,CD)算法对RBM进行逐层训练。在每一步中，把已训练好的前L-1层固定，然后增加第L层。最后用各层单独训练的权重初始化全部的深度网络权重。第二阶段是反向微调，首先利用光电编码器提供较精确的航向角参考，作为训练数据的标注。然后使用反向传播算法对网络所有层进行微调，减小模型训练误本文档来自技高网...

【技术保护点】
一种基于深度学习的三轴磁电子罗盘误差补偿方法，其特征在于：本方法一种基于深度学习的三轴磁强计误差补偿算法，隐式误差模型对隐式误差模型进行训练，以补偿磁罗盘测量存在的非线性误差，提高磁罗盘定向精度；误差模型的输入为7维向量其中分别表示磁罗盘坐标系下地磁场在x,y,z轴的分量，分别表示磁罗盘坐标系下重力场在x,y,z轴的分量，tmp代表温度；输出为航向角采用目前研究和应用最广的深度置信网络DBN构建多隐层；最后一层采用BP网络，接收来自RBM的输出特征向量，并作为BP网络的输入特征向量；航向角测量值和实际航向之间存在非线性的函数关系∂=f(∂^)+β---(1)]]>其中β为磁偏角，f(·)表示航向角测量值和实际值之间的非线性函数映射关系；深度学习算法的目的就是训练误差模型更好的表达这种非线性函数关系；误差模型训练误差模型训练包括两个阶段；第一阶段为预训练，首先采用对比散度算法对RBM进行逐层训练；在每一步中，把已训练好的前L‑1层固定，然后增加第L层；最后用各层单独训练的权重初始化全部的深度网络权重；第二阶段是反向微调，首先利用光电编码器提供较精确的航向角参考，作为训练数据的标注；然后使用反向传播算法对网络所有层进行微调，减小模型训练误差；误差补偿磁罗盘标定和补偿的过程就是利用深度学习算法训练得到的非线性误差模型，把畸变后的测量磁场逆变回真实磁场值，从而减小航向角计算误差；∂(1)=X∂(L)=g(W(L-1)∂(L-1)+b(L-1))∂~=g(w(L)∂(L)+b(L))---(2)]]>其中是补偿后的磁罗盘航向角，为激活函数，X为输入向量，w(L)表示第L层与第L+1层各单元间的连接参数向量，a(L)表示第L层各单元的激活值，b(L)表示附加到L+1层各单元的偏置项。...

【技术特征摘要】
1.一种基于深度学习的三轴磁电子罗盘误差补偿方法，其特征在于：本方法一种基于深度学习的三轴磁强计误差补偿算法，隐式误差模型对隐式误差模型进行训练，以补偿磁电子罗盘测量存在的非线性误差，提高磁电子罗盘定向精度；误差模型的输入为7维向量其中分别表示磁电子罗盘坐标系下地磁场在x,y,z轴的分量，分别表示磁电子罗盘坐标系下重力场在x,y,z轴的分量，tmp代表温度；输出为实际航向角采用目前研究和应用最广的深度置信网络DBN构建多隐层；最后一层采用BP网络，接收来自RBM的输出特征向量，并作为BP网络的输入特征向量；航向角测量值和实际航向角之间存在非线性的函数关系其中β为磁偏角，f(·)表示航向角测量值和实际航向角之间的非线性函数映射关系；深度学习算法的目的就是训练误差模型更好的表达这种非线性函数关系；误差模型训练误差模型训练包括两个阶段；第一阶段为预训练，首先采用对比散度算法对RBM进行逐层训练；在每一步中，把已训练好的前L-1层固定，然后增加第L层；最后用各层单独训练的权重初始化全部的深度网络权重；第二阶段是反向微调，首先利用光电编码器提供较精确的航向角参考，作为训练数据的标注；然后使用反向传播算法对网络所有层进行微调，减小模型训练误差；误差补偿磁电子罗盘标定和补偿的过程就是利用深度学习算法训练得到的非线性误差模型，把畸变后的测量磁场逆变回真实磁场值，从而减小航向角计算误差；

【专利技术属性】
技术研发人员：刘艳霞，张益农，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京;11