基于BP神经网络的MEMS陀螺随机误差补偿方法技术

本发明专利技术公开了一种基于BP神经网络的MEMS陀螺随机误差补偿方法，包括以下步骤：采集MEMS陀螺的原始数据；通过小波滤波对原始数据进行预处理；设置BP神经网络的输入量及输出量；训练数据，以建立基于BP神经网络的MEMS陀螺随机误差模型；通过基于BP神经网络的MEMS陀螺随机误差模型对MEMS陀螺随机误差进行补偿。该方法通过数据差分构建BP神经网络的输入量，算法简单，精度较高，从而可以有效提高MEMS陀螺随机误差补偿的准确性和可靠性，且简单易实现。 1

【技术实现步骤摘要】
基于BP神经网络的MEMS陀螺随机误差补偿方法
本专利技术涉及惯性
，特别涉及一种基于BP神经网络的MEMS陀螺随机误差补偿方法。
技术介绍
MEMS(MicroElectroMechanicalSystem，微电子机械系统)陀螺是一种基于微机械电子系统的新型全固态陀螺仪，与激光陀螺、光纤陀螺或传统机械陀螺相比，它具有体积小，成本低，重量轻，抗冲击，可靠性好等优点，因此在行人导航、小型无人机、水下机器人、工程机械等领域具有广泛应用。但是受目前MEMS惯性器件制造工艺和环境的影响，MEMS陀螺仍然存在随机噪声大、精度低等不足，一方面可以通过提高工艺水平设计更高精度的MEMS陀螺，另一方面可以通过对随机误差建模并补偿的方式减小MEMS陀螺随机误差的影响。相关技术的MEMS陀螺随机误差建模中，可以大致分为两种方法。一种是基于统计学理论的时间序列ARMA模型，另一种是基于神经网络的人工智能算法。时间序列ARMA模型要求数据必须是平稳、线性的，需对数据进行平稳化、线性化处理，而MEMS陀螺的误差产生机理非常复杂，含有各种噪声，并非平稳信号，因此ARMA模型存在一定的不足。而基于神经网络的人工智能算法具有对非线性函数的最佳逼近和全局逼近的能力，又具有自学习、自适应、时频特性好、建模能力强等特性，因此在非线性系统建模获得了广泛的应用，是MEMS陀螺随机误差建模的一个热点方向。BP神经网络(BackPropagationNeuralNetwork，BP神经网络)是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，因此使得BP神经网络在非线性系统或难以用数学方程建立准确模型的领域得到了广泛应用。而MEMS陀螺的随机误差具有非线性特征且难以建立准确的数学模型，因而可以利用BP神经网络对其误差进行建模。相关技术对MEMS陀螺随机误差建模的方法，多采用两种或多种算法相结合的方式建模，比如采用遗传算法与神经网络算法相结合、时间序列分析与粒子滤波算法相结合等方式进行建模，即使能够取得较好的效果，但这增加了计算的复杂度，使得计算量比较大，并且使得MEMS陀螺随机误差建模与补偿的实时性也受到影响。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于BP神经网络的MEMS陀螺随机误差补偿方法，该方法可以有效提高MEMS陀螺随机误差补偿的准确性和可靠性，且简单易实现。为达到上述目的，本专利技术一方面实施例提出了一种基于BP神经网络的MEMS陀螺随机误差补偿方法，包括以下步骤：采集MEMS陀螺的原始数据；通过小波滤波对所述原始数据进行预处理；设置BP神经网络的输入量及输出量；训练数据，以建立基于BP神经网络的MEMS陀螺随机误差模型；通过所述基于BP神经网络的MEMS陀螺随机误差模型对MEMS陀螺随机误差进行补偿。本专利技术实施例的基于BP神经网络的MEMS陀螺随机误差补偿方法，采用的BP神经网络，能够对MEMS陀螺输出的非线性随机误差进行较为准确而可靠地建模，从而能够使得MEMS陀螺随机误差补偿具有良好的效果，通过数据差分构建BP神经网络的输入量，算法简单，精度较高，从而可以有效提高MEMS陀螺随机误差补偿的准确性和可靠性，且简单易实现。另外，根据本专利技术上述实施例的基于BP神经网络的MEMS陀螺随机误差补偿方法还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述采集MEMS陀螺的原始数据，进一步包括：将MEMS陀螺仪固定在转台上，在预热30min后，采集静止状态下的所述原始数据，其中，采样率为10Hz，采样时间10min。进一步地，在本专利技术的一个实施例中，所述通过小波滤波对所述原始数据进行预处理，进一步包括：通过小波阈值法分离出所述原始数据的白噪声，获取所述MEMS陀螺的随机误差，以将去噪后的所述随机误差值用于建模。进一步地，在本专利技术的一个实施例中，所述BP神经网络的输入量和输出量分别定义为差分数据X1和MEMS陀螺随机误差X0，对X0进行差分：其中，是X1的构成元素；是X0的构成元素。进一步地，在本专利技术的一个实施例中，所述BP神经网络通过不断调节隐含层和输出层的权重和阈值来逼近输出值，当满足BP神经网络算法的停止条件时，得到所述MEMS陀螺随机误差模型。进一步地，在本专利技术的一个实施例中，对所述MEMS陀螺随机误差进行补偿的预测公式为：Xp＝sim(net,X1)，其中，Xp为预测数据，X1为差分数据，sim为预测函数。进一步地，在本专利技术的一个实施例中，通过MEMS陀螺实际的随机误差值减去预测值即可对所述MEMS陀螺的随机误差进行补偿。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本专利技术一个实施例的基于BP神经网络的MEMS陀螺随机误差补偿方法的流程图；图2为根据本专利技术一个具体实施例的基于BP神经网络的MEMS陀螺随机误差补偿方法的流程图；图3为根据本专利技术一个实施例的采集MEMS陀螺原始数据及小波去噪后的数据对比示意图；图4为根据本专利技术一个实施例的BP神经网络的结构示意图；图5为根据本专利技术一个实施例的MEMS陀螺随机误差与BP神经网络预测的随机误差图；图6为根据本专利技术一个实施例的MEMS陀螺随机误差补偿前后的对比示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。下面参照附图描述根据本专利技术实施例提出的基于BP神经网络的MEMS陀螺随机误差补偿方法。图1是本专利技术一个实施例的基于BP神经网络的MEMS陀螺随机误差补偿方法的流程图。如图1所示，该基于BP神经网络的MEMS陀螺随机误差补偿方法包括以下步骤：在步骤S101中，采集MEMS陀螺的原始数据。也就是说，如图2所示，本专利技术实施例可以首先采集MEMS陀螺的原始数据。进一步地，在本专利技术的一个实施例中，采集MEMS陀螺的原始数据，进一步包括：将MEMS陀螺仪固定在转台上，在预热30min后，采集静止状态下的原始数据，其中，采样率为10Hz，采样时间10min。举例而言，本专利技术实施例可以将MEMS陀螺仪固定在转台上，预热30min，然后采集静止状态下的原始数据，采样率为10Hz，采样时间10min。需要指出的是，这里的预热时间、采样率、采样时间仅仅作为本专利技术实施例的说明，而非限制，也可以根据具体情况用其他合适的参数，并不影响本专利技术的适用性和通用性，本领域技术人员可以根据实际情况进行设置，在此不做具体限定。在步骤S102中，通过小波滤波对原始数据进行预处理。也就是说，如图2所示，本专利技术实施例可以用小波滤波对原始数据预处理。进一步地，在本专利技术的一个实施例本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的MEMS陀螺随机误差补偿方法，其特征在于，包括以下步骤：

【技术特征摘要】
1.一种基于BP神经网络的MEMS陀螺随机误差补偿方法，其特征在于，包括以下步骤：采集MEMS陀螺的原始数据；通过小波滤波对所述原始数据进行预处理；设置BP神经网络的输入量及输出量；训练数据，以建立基于BP神经网络的MEMS陀螺随机误差模型；以及通过所述基于BP神经网络的MEMS陀螺随机误差模型对MEMS陀螺随机误差进行补偿。2.根据权利要求1所述的基于BP神经网络的MEMS陀螺随机误差补偿方法，其特征在于，所述采集MEMS陀螺的原始数据，进一步包括：将MEMS陀螺仪固定在转台上，在预热30min后，采集静止状态下的所述原始数据，其中，采样率为10Hz，采样时间10min。3.根据权利要求1所述的基于BP神经网络的MEMS陀螺随机误差补偿方法，其特征在于，所述通过小波滤波对所述原始数据进行预处理，进一步包括：通过小波阈值法分离出所述原始数据的白噪声，获取所述MEMS陀螺的随机误差，以将去噪后的所述随机误差值用于建模。4...

【专利技术属性】
技术研发人员：郭美凤，周斌，邢海峰，王成宾，杨浩天，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11