基于深度学习的MEMS传感器优化设计方法技术

本发明专利技术公开了基于深度学习的MEMS传感器优化设计方法,该方法包括基于电路设计单元库，利用基本单元模型构建MEMS传感器的系统模型；基于深度神经网络分别建立谐振频率和品质因数之间的函数关系以及通频带和品质因数之间的函数关系；根据函数关系表达式，确定优化目标和约束条件的表达式；基于优化目标和约束条件的表达式，建立优化模型对MEMS传感器进行优化，得到优化结果，通过该方法可以实现对MEMS传感器多种采样数据进行同时优化，并且整个过程无需人为手动控制，真正实现了对MEMS传感器的自动化优化，节约了人力成本，并且所提出的方法是基于现有的理论模型，理解简单，可操作性强，保证了该方法的可行性。保证了该方法的可行性。保证了该方法的可行性。

【技术实现步骤摘要】
基于深度学习的MEMS传感器优化设计方法


[0001]本专利技术涉及MEMS传感器优化领域,尤其涉及基于深度学习的MEMS传感器优化设计方法。

技术介绍

[0002]MEMS传感器即微机电系统(Microelectro Mechanical Systems)，是在微电子技术基础上发展起来的多学科交叉的前沿研究领域。经过四十多年的发展，已成为世界瞩目的重大科技领域之一。它涉及电子、机械、材料、物理学、化学、生物学、医学等多种学科与技术，具有广阔的应用前景。
[0003]MEMS传感器因其重量轻、体积小、可批量化制造、成本低等诸多优点在工业机器人、无人驾驶和智能制造等领域具有广泛的应用前景。例如,MEMS陀螺因体积小、成本低的优点而广泛应用于手机、平板电脑、无人汽车与机器人的姿态角度测量。然而,MEMS传感器的低精度是制约其应用范围的主要因素。
[0004]传感器阵列技术是一种提高MEMS传感器精度的有效方法。检索发现,第一个现有技术构建MEMS陀螺阵列，建立MEMS陀螺阵列的状态模型,设计卡尔曼滤波器,采用卡尔曼滤波器对多陀螺进行数据融合,其输出精度相比单陀螺有所提高；第二个现有技术对第一个现有技术所提方法做出改进,在卡尔曼滤波的基础上新增加最小二乘法对数据进行加权融合,这种组合方法进一步提升陀螺阵列的输出精度。第三个现有技术设计一种基于ARMA模型的卡尔曼滤波算法,在第一个现有技术中所用陀螺阵列模型及卡尔曼滤波器的基础上，使用ARMA模型对一阶输出进行拟合,并对随机误差模型进行改进,设计相应模型的滤波器，减小输出标准差。
[0005]在进行MEMS传感器设计的设计过程中，通常是通过人类直觉和数值分析完成MEMS传感器设计，但是这样会耗费大量的时间和人力成本，而且其设计性能也并非能达到最优。

技术实现思路

[0006]为了克服现有技术存在的缺点与不足,本专利技术提供基于深度学习的MEMS传感器优化设计方法。
[0007]本专利技术所利用的技术方案是，该方法包括步骤如下：
[0008]步骤S1：基于电路设计单元库，利用基本单元模型构建MEMS传感器的系统模型；
[0009]步骤S2：基于深度神经网络分别建立谐振频率和品质因数之间的函数关系以及通频带和品质因数之间的函数关系；
[0010]步骤S3：根据函数关系表达式，确定优化目标和约束条件的表达式；
[0011]步骤S4：基于优化目标和约束条件的表达式，建立优化模型对MEMS传感器进行优化，得到优化结果。
[0012]进一步地，所述利用基本单元模型构建MEMS传感器的系统模型，表达式为：
[0013][0014]其中，Q
x
表示MEMS传感器数值系统函数，D
i
(p)表示电路设计单元库电子元器件的参数合集，K
j
(p)表示MEMS传感器的控制参数合集，H表示MEMS传感器的采样次数，U表示MEMS传感器采样的单位时长，V表示对MEMS传感器的采样因子，η表示MEMS传感器的采样误差，T表示矩阵转置运算。
[0015]进一步地，所述谐振频率和品质因数之间的函数关系，表达式为：
[0016][0017]其中，F
s
表示谐振频率和品质因数之间的函数，V
e
表示电容和电感的电路中的谐振频率，γ表示品质因数，C
r
表示电路串联谐振发生的风险因子，D
l
表示电路并联谐振发生的风险因子。
[0018]进一步地，所述通频带和品质因数之间的函数，表达式为：
[0019][0020]其中，M(x)表示通频带和品质因数之间的函数，γ表示品质因数，H
x
表示通频带的带宽，E
x
表示串、并联电路频率特性，B
x
表示电路存储的电磁能量，ξ
x
表示电路一个周期内消耗的电磁能量，η
x
表示电路补充的电磁能量，σ是实常数表示电磁能量因子。
[0021]进一步地，所述优化目标，表示式为：
[0022][0023]其中，W
v
(y)表示MEMS传感器数据测量函数的集合，X
v
表示MEMS传感器数据测量频率，τ表示优化比例，k
v
表示MEMS传感器测量全部数据的种类，μ
v
表示MEMS传感器无需优化测量数据的种类，z
v
(y)表示MEMS传感器的测量误差集合。
[0024]进一步地，所述约束条件，表示式为：
[0025]Q
sxy
＝F
s
⊙
M(x)[W
v
(y)+L
min
+rand(L
max
‑
L
min
)][0026]其中，Q
sxy
表示MEMS传感器的约束函数，F
s
表示谐振频率和品质因数之间的函数，M(x)表示通频带和品质因数之间的函数，W
v
(y)表示MEMS传感器数据测量函数的集合，L
min
表示数据测量函数边界条件的最小值，rand表示随机函数，L
max
表示数据测量函数边界条件的最大值。
[0027]进一步地，所述建立优化模型对MEMS传感器进行优化，表达式为：
[0028][0029]其中，K
12
(ε
12
)表示MEMS传感器优化函数，z1表示优化后测量的准确度，z2表示优化频率，W
v
(y)表示MEMS传感器数据测量函数的集合，Q
sxy
表示MEMS传感器的约束函数，N(ε
12
)表示优化的目标数据集合，G(ε
12
)表示优化误差集合。
[0030]有益效果：
[0031]本专利技术提出基于深度学习的MEMS传感器优化设计方法，该方法利用MEMS传感器对数据进行采集，然后利用多模型组成的算法对数据建立谐振频率、通频带跟品质因数之间
的函数关系，确定优化目标和约束条件的表达式，建立优化模型对MEMS传感器进行优化，得到优化结果，通过该方法可以实现对MEMS传感器多种采样数据进行同时优化，并且整个过程无需人为手动控制，真正实现了对MEMS传感器的自动化优化，节约了人力成本，并且所提出的方法是基于现有的理论模型，理解简单，可操作性强，保证了该方法的可行性。
附图说明
[0032]图1为本专利技术总体步骤流程图。
具体实施方式
[0033]需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
[0034]如图1所示,基于深度学习的MEMS传感器优化设计方法，该方法包括步骤如下：
[0035]步骤S1：基于电路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的MEMS传感器优化设计方法，其特征在于,该方法包括步骤如下：步骤S1：基于电路设计单元库，利用基本单元模型构建MEMS传感器的系统模型；步骤S2：基于深度神经网络分别建立谐振频率和品质因数之间的函数关系以及通频带和品质因数之间的函数关系；步骤S3：根据函数关系表达式，确定优化目标和约束条件的表达式；步骤S4：基于优化目标和约束条件的表达式，建立优化模型对MEMS传感器进行优化，得到优化结果。2.如权利要求1所述的基于深度学习的MEMS传感器优化设计方法，其特征在于，所述利用基本单元模型构建MEMS传感器的系统模型，表达式为：其中，Q
x
表示MEMS传感器数值系统函数，D
i
(p)表示电路设计单元库电子元器件的参数合集，K
j
(p)表示MEMS传感器的控制参数合集，H表示MEMS传感器的采样次数，U表示MEMS传感器采样的单位时长，V表示对MEMS传感器的采样因子，η表示MEMS传感器的采样误差，T表示矩阵转置运算。3.如权利要求1所述的基于深度学习的MEMS传感器优化设计方法，其特征在于，所述谐振频率和品质因数之间的函数关系，表达式为：其中，F
s
表示谐振频率和品质因数之间的函数，V
e
表示电容和电感的电路中的谐振频率，γ表示品质因数，C
r
表示电路串联谐振发生的风险因子，D
l
表示电路并联谐振发生的风险因子。4.如权利要求1所述的基于深度学习的MEMS传感器优化设计方法，其特征在于，所述通频带和品质因数之间的函数，表达式为：其中，M(x)表示通频带和品质因数之间的函数，γ表示品质因数，H
x
表示通频带的带宽，E
x
表示串、并联电路频率特性，B
x
表示电路存储的电磁能量，ξ
x
表示电路一个周期内消耗的电磁能量，η
x
表示电路补充的电磁能量，σ是实常数表示电磁能量因子。5.如权利...

【专利技术属性】
技术研发人员：胡增，杨坤龙，张志强，
申请(专利权)人：中用科技有限公司，
类型：发明
国别省市：