适用于MEMS加速度计的自动标定的深度学习方法技术

本发明专利技术公开了一种适用于MEMS加速度计的自动标定的深度学习方法，根据MEMS惯组中加速度计的输出信息建立误差输出模型，以MEMS加速度计的测量输出信息为输入，利用深度学习算法进行误差补偿，能够预测出MEMS惯组的关键误差参数，在不依赖实验室设备的前提下，实现了MEMS加速度计的自动标定，提高了MEMS加速度计的精度，解决了传统标定方法的局限性与实际飞行时导航实时性和精度的矛盾。

Deep Learning Method for Automatic Calibration of MEMS Accelerometers

The invention discloses a deep learning method suitable for automatic calibration of the MEMS accelerometer. The error output model is established according to the output information of the accelerometer in the MEMS inertial unit. The measurement output information of the accelerometer is input, and the error compensation is carried out by using the depth learning algorithm. The key error parameters of the MEMS inertial unit can be predicted without relying on the laboratory equipment. The automatic calibration of the MEMS accelerometer is realized, the accuracy of the accelerometer is improved, and the contradiction between the limitation of the traditional calibration method and the real-time and accuracy of navigation in actual flight is solved.

【技术实现步骤摘要】
适用于MEMS加速度计的自动标定的深度学习方法
本专利技术涉及MEMS加速度计标定
，更具体的说是涉及一种适用于MEMS加速度计的自动标定的深度学习方法。
技术介绍
作为惯性测量系统的核心元件，基于微机电系统(MEMS)惯性传感器的微型惯性测量单元(MIMU)是微机电系统的一个重要分支，具有体积小、成本低、易于安装、重量轻、高可靠性和耐冲击性等优点，在普通民用和战略军用导航等领域具有广阔的应用前景。然而，在实际应用中，鲜有利用MEMS惯性器件进行纯惯性自主导航的研究，其主要原因是因为MEMS惯性器件精度较低，器件误差及系统误差受惯性测量单元的结构设计、信号处理、温度等因素影响较大，MEMS惯性器件的精度成为制约导航与制导控制系统性能的主要技术瓶颈之一。目前，提高MEMS惯组测量精度主要有两种方法，一种是完善MEMS集成工艺，改进微惯性传感器设计理论，提高器件的测量精度，得到满足更高精度指标的MEMS惯组；另一种方法是在现有传感器的基础上，建立MEMS惯组的误差模型，研究更优的误差补偿算法对误差项进行补偿和标定，提高惯性测量系统的性能。由于目前工艺水平、检测电路等固有条件的限制，本文档来自技高网...

【技术保护点】
1.一种适用于MEMS加速度计的自动标定的深度学习方法，其特征在于，包括如下步骤：S1：建立MEMS加速度计的输出误差模型；S2：采集不同位置下的MEMS加速度计输出加速度样本数据；S3：利用深度置信网络训练样本数据；训练过程包括：预训练过程和参数微调过程；其中，预训练过程包括：对每个RBM进行训练，利用RBM对深度置信网络的权重和偏置参数进行初始化；参数微调过程包括：在深度置信网络的顶层设置反向传播网络，将自上向下传播至每层RBM，对已有的网络参数进行微调，使用梯度下降法完成对DBN中权重和偏置的更新；S4：训练结束后，输出MEMS加速度计的零偏和标定因数。

【技术特征摘要】
1.一种适用于MEMS加速度计的自动标定的深度学习方法，其特征在于，包括如下步骤：S1：建立MEMS加速度计的输出误差模型；S2：采集不同位置下的MEMS加速度计输出加速度样本数据；S3：利用深度置信网络训练样本数据；训练过程包括：预训练过程和参数微调过程；其中，预训练过程包括：对每个RBM进行训练，利用RBM对深度置信网络的权重和偏置参数进行初始化；参数微调过程包括：在深度置信网络的顶层设置反向传播网络，将自上向下传播至每层RBM，对已有的网络参数进行微调，使用梯度下降法完成对DBN中权重和偏置的更新；S4：训练结束后，输出MEMS加速度计的零偏和标定因数。2.根据权利要求1所述的适用于MEMS加速度计的自动标定的深度学习方法，其特征在于，步骤S1中，MEMS加速度计的输出误差模型为：其中，δfx、δfy、δfz分别为MEMS加速度计X、Y、Z三轴的输出加速度；fax、fay、faz分别为MEMS加速度计X、Y、Z三轴的输入加速度；Bax、Bay、Baz分别为MEMS加速度计X、Y、Z三轴轴向加速度零偏误差；Kax、Kay、Kaz分别为MEMS加速度计X、Y、Z三轴包含误差的轴向加速度标度因数值。3.根据权...

【专利技术属性】
技术研发人员：高爽，芦佳振，张若愚，宋来亮，纪少文，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11