应用改进动态递归网络的MEMS陀螺随机漂移建模方法技术

本发明专利技术公开了一种利用改进动态递归网络对MEMS陀螺的随机漂移进行建模的方法，该方法引入去噪算法将MEMS陀螺输出中的高频白噪声和低频随机漂移进行分离，采用改进动态递归网络对去噪处理后的随机漂移进行训练，建立非平稳漂移序列过去与当前时刻之间的模型关系，增加输出层节点反馈以改进网络结构，实现对陀螺随机漂移变化趋势的实时预测，有效提升了MEMS惯导系统的精度。

Modeling Method of Random Drift of MEMS Gyroscope Using Improved Dynamic Recursive Network

【技术实现步骤摘要】
应用改进动态递归网络的MEMS陀螺随机漂移建模方法
本专利技术涉及惯性导航
，更具体的说是涉及一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法。
技术介绍
目前，作为惯性导航领域的重要分支，基于微机电系统(MEMS)的惯性导航系统具有体积小、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，受制造工艺和使用环境的影响，MEMS惯性器件与传统惯性器件相比精度较低，其中，MEMS陀螺较低的信噪比成为制约MEMS惯导系统精度提升的主要因素之一。MEMS陀螺误差主要分为确定性误差和随机漂移两部分，确定性误差参数可通过标定实验获得，建立精确的数学模型加以补偿；随机漂移是非平稳、无规律的慢时变信号，难以获取其真实模型。作为MEMS陀螺的重要误差源，随机漂移的建模补偿方法的研究对于MEMS惯导系统精度提升尤为重要。现有的随机漂移建模补偿方法中，在对陀螺随机漂移建模时一般会采用时间序列分析、小波理论和神经网络等方法，且常用的随机漂移模型是基于平稳时间序列分析的ARMA模型。但是，ARMA模型难以完整描述陀螺漂移的时变和非线性特性，基于平稳时间序列的建模方法必然会导致模型的不准确性。因此，寻求基于非平稳时间序列的建模方法成为提升陀螺漂移建模精度的重要研究方向。作为常用的智能优化方法之一，神经网络具有独特的自适应学习、非线性变换以及并行信息处理能力等特征，在模式识别、信号处理、系统辨识等领域都具有广泛的应用前景，神经网络以其突出优势为非线性建模提供了一种有效途径，也在陀螺的随机漂移建模中得到广泛关注。目前，反向传播网络(BP)、径向基神经网络(RBF)、支持向量机(SVM)等算法被广泛应用于陀螺的随机漂移建模中，但存在易陷入局部最优解、收敛速度慢及过拟合等局限性。因此，如何提供一种可有效提升MEMS惯导系统精度的MEMS陀螺随机漂移建模方法成为本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，该方法引入去噪算法将MEMS陀螺输出中的高频白噪声和低频随机漂移进行分离，采用改进动态递归网络神经网络对去噪处理后的随机漂移进行训练，建立非平稳漂移序列过去与当前时刻之间的模型关系，增加输出层节点反馈以改进网络结构，实现对陀螺随机漂移变化趋势的实时预测，有效提升了MEMS惯导系统的精度。为了实现上述目的，本专利技术采用如下技术方案：一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，该方法包括以下步骤：建立MEMS陀螺的输出误差模型，分析影响陀螺输出的主要误差源，得到高频白噪声和低频随机漂移这两个主要误差源；采集MEMS陀螺静态输出数据，采用去噪算法分离高频白噪声和低频随机漂移，提取陀螺输出信号中的随机漂移；将提取出的随机漂移作为训练数据输入改进动态递归网络，大量训练改进动态递归网络，获得最优网络模型；将未训练的测试数据输入最优网络模型，获得MEMS陀螺的随机漂移预测输出，完成对MEMS陀螺随机漂移的动态建模。在上述方案的基础上，对本专利技术提供的方案做具体解释说明。进一步地，所述MEMS陀螺的输出误差模型为：ω(t)＝ωiesinL+εd+Dr+W(t)(1)其中，ωie为地球自转角速率；L为当地纬度；εd为常值零偏，即当输入角速度为零时的陀螺输出常量，可通过标定实验加以补偿；Dr为漂移误差，具有随机性、趋势性和周期性；W(t)为与时间相关的零均值白噪声。进一步地，将提取出的随机漂移作为训练数据输入动态递归网络，大量训练改进动态递归网络，获得最优网络模型，具体包括以下步骤：1)以提取出的随机漂移作为改进动态递归网络的样本数据，网络输入为过去时刻的MEMS陀螺随机漂移，设置输入层包含4个节点，分别代表前4个时刻的随机漂移数据；网络输出为当前时刻的MEMS陀螺的随机漂移，设置输出层包含1个节点，代表当前时刻的随机漂移数据；隐层输出通过连接层的延迟和存储反馈到隐层输入，根据试探法设置隐藏层为2层，每个隐藏层包含10个节点，改进动态递归网络为四输入、单输出的四层神经网络，其数学模型为：x(k)＝f(wl1xc(k)+wl2u(k-1)+wl4yc(k))(2)xc(k)＝αxc(k-1)+x(k-1)(3)yc(k)＝γyc(k-1)+y(k-1)(4)y(k)＝g(wl3x(k))(5)其中，wl1为连接层节点与隐层节点的连接权矩阵，wl2为输入单元与隐层单元的连接权矩阵，wl3为隐层节点与输出单元的连接权矩阵，wl4为具有输出层节点反馈的连接层节点与隐层节点的连接权矩阵，xc(k)和x(k)分别表示连接层节点和隐层节点的输出，yc(k)和y(k)分别表示该连接层节点与输出层节点的输出，α、γ(0≤α＜1,0≤γ＜1)分别为隐层和输出层的自连接反馈增益因子；2)将去噪后的随机漂移作为训练样本输入改进动态递归网络，根据式(3)和(4)分别计算自联到隐层反馈和输出层反馈的连接层节点输出，根据式(2)和(5)分别计算隐层节点和输出层节点输出，根据代入误差函数公式计算实际输出与期望输出的误差函数；3)当误差未达到设定精度时，采用反向传播算法不断训练网络，更新网络参数；当误差下降到设定精度时，得到最优网络模型。进一步地，设第k步的网络实际输出为yd(k)，则实际输出与期望输出的误差函数公式为：进一步地，所述去噪算法选用小波变换方法。小波分析(waveletanalysis)或小波变换(wavelettransform)是指用有限长或快速衰减的、称为“母小波”(motherwavelet)的振荡波形来表示信号，该波形被缩放和平移以匹配输入的信号。本专利技术选取小波变换方法用于随机漂移的提取。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种利用改进动态递归网络对MEMS陀螺的随机漂移进行建模的方法，该方法引入去噪算法将MEMS陀螺输出中的高频白噪声和低频随机漂移进行分离，采用改进动态递归网络对去噪处理后的随机漂移进行训练，建立非平稳漂移序列过去与当前时刻之间的模型关系，增加输出层节点反馈以改进网络结构，实现对陀螺随机漂移变化趋势的实时预测，有效提升了MEMS惯导系统的精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本专利技术提供的一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法方法流程示意图；图2附图为本专利技术实施例中MEMS陀螺的随机漂移数据统计示意图；图3附图为本专利技术实施例中改进动态递归网络的结构图；图4附图为本专利技术实施例中改进动态递归网络的训练流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见附图1，本专利技术实施例公开了一种应用改进动态本文档来自技高网...

【技术保护点】
1.一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，其特征在于，包括以下步骤：建立MEMS陀螺的输出误差模型，分析影响陀螺输出的主要误差源，得到高频白噪声和低频随机漂移这两个主要误差源；采集MEMS陀螺静态输出数据，采用去噪算法分离高频白噪声和低频随机漂移，提取陀螺输出信号中的随机漂移；将提取出的随机漂移作为训练数据输入改进动态递归网络，大量训练改进动态递归网络，获得最优网络模型；将未训练的测试数据输入最优网络模型，获得MEMS陀螺的随机漂移预测输出，完成对MEMS陀螺随机漂移的动态建模。

【技术特征摘要】
1.一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，其特征在于，包括以下步骤：建立MEMS陀螺的输出误差模型，分析影响陀螺输出的主要误差源，得到高频白噪声和低频随机漂移这两个主要误差源；采集MEMS陀螺静态输出数据，采用去噪算法分离高频白噪声和低频随机漂移，提取陀螺输出信号中的随机漂移；将提取出的随机漂移作为训练数据输入改进动态递归网络，大量训练改进动态递归网络，获得最优网络模型；将未训练的测试数据输入最优网络模型，获得MEMS陀螺的随机漂移预测输出，完成对MEMS陀螺随机漂移的动态建模。2.根据权利要求1所述的一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，其特征在于，所述MEMS陀螺的输出误差模型为：ω(t)＝ωiesinL+εd+Dr+W(t)(1)其中，ωie为地球自转角速率；L为当地纬度；εd为常值零偏，即当输入角速度为零时的陀螺输出常量，可通过标定实验加以补偿；Dr为漂移误差，具有随机性、趋势性和周期性；W(t)为与时间相关的零均值白噪声。3.根据权利要求1所述的一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，其特征在于，将提取出的随机漂移作为训练数据输入动态递归网络，大量训练改进动态递归网络，获得最优网络模型，具体包括以下步骤：1)以提取出的随机漂移作为改进动态递归网络的样本数据，网络输入为过去时刻的MEMS陀螺随机漂移，设置输入层包含4个节点，分别代表前4个时刻的随机漂移数据；网络输出为当前时刻的MEMS陀螺的随机漂移，设置输出层包含1个节点，代表当前时刻的随机漂移数据；隐层输出通过连接层的延...

【专利技术属性】
技术研发人员：高爽，宋来亮，张若愚，纪少文，李星，
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