一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法技术

本发明专利技术公开了一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法，包括以下步骤；1)获取MEMS陀螺仪原始输出数据；2)数据预处理；3)构建降噪模型，基于Keras框架构造建LSTM神经网络模型；4)降噪处理，用训练集数据训练神经网络模型，并保存模型，测试集数据作为训练后模型的输入进行预测处理；5)降噪结果评估，通过降噪评估指标均方误差进行评估。该方法采用LSTM神经网络模型的记忆功能特点，更容易获取陀螺仪输出数据序列的潜在规律，对MEMS陀螺仪原始输出信号降噪的效果显著。

【技术实现步骤摘要】
一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法
本专利技术属于数字信号处理领域，涉及MEMS陀螺仪输出信号降噪，特别涉及一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法。
技术介绍
目前，MEMS陀螺仪输出数据降噪方法有硬件设计和软件编程，软件设计主要进行建立模型，通过合适的滤波器对误差进行修正，优势在于成本低，周期短，而且性能提升的空间较大。常用的建模方法有：1、利用滑动自回归建模方法，是基于时间序列分析建立滑动自回归模型，但滑动自回归模型的阶数太高就无法精确描述随机漂移误差。2、基于小波分析的建模方法，小波变换能根据信号频率进行不同分辨率分析，然而小波基函数选取不合理就无法精确建模。3、根据MEMS陀螺仪数据手册建模方法，建模精确度高但不适用于所有MEMS陀螺仪。4、卡尔曼滤波器因其解算速度快，实时性好而成为常用的MEMS陀螺仪降噪算法，但模型不合理会造成滤波器发散，对外界输入的适应能力差。而MEMS陀螺仪的随机漂移误差会随着外界环境的变化而变化，且没有明确的规律，难以对其建本文档来自技高网...

【技术保护点】
1.一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法，其特征在于，按以下步骤实施：/n步骤1)，获取MEMS陀螺仪原始输出数据/n首先搭建主要由MEMS陀螺仪模块、上位机软件、计算机、供电电源组成的MEMS陀螺仪数据采集系统，该系统通过串口通信的方式将采集的数据信息上传到上位机，上位机软件获取MEMS陀螺仪数据主要通过RS-422串口通信协议，它采用平衡传输采用单向/非可逆，有使能端或没有使能端的传输线；MEMS陀螺仪模块通过RS-422串口通信协议转USB接口与计算机USB接口连接，上位机软件通过控制计算机的操作系统调用接口进行采集MEMS陀螺仪原始输出数据；/n步骤2)，数据预...

【技术特征摘要】
1.一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法，其特征在于，按以下步骤实施：
步骤1)，获取MEMS陀螺仪原始输出数据
首先搭建主要由MEMS陀螺仪模块、上位机软件、计算机、供电电源组成的MEMS陀螺仪数据采集系统，该系统通过串口通信的方式将采集的数据信息上传到上位机，上位机软件获取MEMS陀螺仪数据主要通过RS-422串口通信协议，它采用平衡传输采用单向/非可逆，有使能端或没有使能端的传输线；MEMS陀螺仪模块通过RS-422串口通信协议转USB接口与计算机USB接口连接，上位机软件通过控制计算机的操作系统调用接口进行采集MEMS陀螺仪原始输出数据；
步骤2)，数据预处理
读取步骤1)获取的陀螺仪输出样本数据，进行样本数据格式变换，采用最大最小归一化方法对陀螺仪数据进行归一化处理，将样本数据映射到[0，1]之间，并进一步将样本数据集按7∶3的比例划分出训练集数据与测试集数据；
步骤3)：建立降噪模型
基于Keras框架构造LSTM神经网络模型，包括1层LSTM和3层Dense层，设置LSTM神经网络模型的结构以及模型参数公式；
步骤4)：降噪处理
将训练集数据通过LSTM神经网络模型进行模型训练，通过损失函数进行参数调整直到模型收敛，并保存模型；以测试集数据作为模型的输入进行降噪处理；
步骤5)：降噪结果评估
通过降噪评估指标均方误差和降噪...

【专利技术属性】
技术研发人员：王燕妮，翟会杰，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61