一种基于堆叠去噪自编码器的陀螺误差补偿方法技术

本发明专利技术涉及一种基于堆叠去噪自编码器的陀螺误差补偿方法，该方法如下：针对陀螺任一方向转轴采集多个陀螺输出数据，再将三个方向转轴陀螺输出数据进行拼接并归一化及退化，得到训练好的网络模型的输入向量；网络模型具有M个编码层以及全连接层网络，第M个编码层的输出向量作为全连接层网络的输入向量；对全连接层网络的输出向量反向归一化后即得到陀螺三个方向转轴补偿后的输出值向量。本发明专利技术不仅可以同时对随机误差以及确定性误差进行补偿，而且能够降低对于人工经验的依赖，可以实现端到端的学习，省时省力。省时省力。省时省力。

【技术实现步骤摘要】
一种基于堆叠去噪自编码器的陀螺误差补偿方法


[0001]本专利技术属于陀螺误差补偿
，具体为一种基于堆叠去噪自编码器的陀螺误差补偿方法。

技术介绍

[0002]陀螺依赖于其定轴性、进动性两种基本特性，被广泛应用于无人机、舰船、车辆等运动载体的角速度测量。随着科学技术的不断发展，对陀螺精度提出了更高的技术要求。目前提高陀螺精度主要有两种方法：1)改进生产工艺，提高加工工艺精度；2)通过建模与补偿提高器件的测量精度。相对而言，后者由于更宜实施，因而成为研究的一大热点。
[0003]陀螺的误差构成可分为确定性误差及随机性误差，其中确定性误差包括零偏误差、刻度系数误差以及安装误差等；随机性误差主要由随机常数、一阶马尔可夫过程和白噪声组成。
[0004]对于陀螺的确定性误差及随机误差，现有研究多采用建模及数字滤波方法。在中国专利公报公开的“一种用于MEMS陀螺随机误差的分析方法”(公开号：CN112729266A)中，利用Allan方差计算陀螺的主要随机误差系数，并依此建立陀螺误差的滤波模型，进而保证陀螺的使用精度和性能。由于陀螺实际测试过程中，误差影响因素众多，而该方法仅能够对随机误差进行补偿，难以充分兼顾考虑，导致误差补偿准确度较差。在中国专利公报公开的“一种基于组合算法的MEMS陀螺随机误差补偿方法”(公开号：CN111896029A)中，利用试验数据建立基于极限学习机的随机误差模型，随后建立基于该模型的极大后验卡尔曼滤波，从而完成对陀螺漂移数据的补偿。该方法也只能对随机误差进行补偿，并且随机误差滤波方法存在依赖人工经验，人工智能方法泛化能力不足的情况，且难以实现端到端的学习范式。在中国专利公报公开的“一种MEMS
‑
IMU全温全参数标定补偿方法”(公开号：CN108534800A)中，通过建立陀螺的参数标定模型并完成误差参数的标定，提高MEMES
‑
IMU的实际使用精度，但该方法计算复杂。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于堆叠去噪自编码器的陀螺误差补偿方法，该方法能够解决现有误差补偿方法补偿精度较差、随机误差滤波方法依赖人工经验及泛化能力不足的难题，实现了陀螺误差的高精度补偿，进而保证陀螺的准确数据测量。
[0006]为了解决上述技术问题，本专利技术的基于堆叠去噪自编码器的陀螺误差补偿方法如下：针对陀螺任一方向转轴，按照设定的采样频率和采样时间采集多个陀螺输出数据，再将三个方向转轴对应的陀螺输出数据进行拼接，形成数据向量并将其归一化，然后对归一化后的数据向量按照退化率为0.1～0.5破坏为训练好的网络模型的输入向量H1；网络模型具有M个编码层以及全连接层网络，M＝1、2或3；对于第n个编码层，根据下述公式计算其输出向量：
[0007]H
n+1
＝f(W
en
H
n
+b
en
)
[0008]其中H
n+1
为第n个编码层的输出向量，H
n
为第n个编码层的输入向量；W
en
和b
en
分别代表第n个编码层的输入权值矩阵和节点偏置矩阵；f(
·
)为激活函数；
[0009]第M个编码层的输出向量H
M+1
作为全连接层网络的输入向量；对全连接层网络的输出向量H
t
反向归一化后即得到陀螺三个方向转轴补偿后的输出值向量；
[0010]H
t
＝f(W
b
H
M+1
+b
b
)
[0011]其中，f(
·
)为激活函数，W
b
为全连接层网络的输入权值矩阵，b
b
是全连接层网络的节点偏置矩阵。
[0012]设第n个编码层的输入向量H
n
维度为P
n
，第n个编码层的输出向量H
n+1
维度为Q
n
，则该编码层的输入权值矩阵W
en
和节点偏置矩阵b
en
分别为P
n
×
Q
n
、Q
n
×
1的矩阵。
[0013]设第M个编码层的输出向量H
M+1
维度为Q
M
，全连接层网络的输入权值矩阵W
b
和节点偏置矩阵b
b
分别为Q
M
×
3、3
×
1的矩阵。
[0014]所述的网络模型训练方法如下：
[0015]第一步，陀螺测角数据采集
[0016]将陀螺稳固安装于测试转台上，设置测试转台三个相互垂直方向的多组试验速率；针对任一转轴的每一试验速率，在时间T内按频率f采集陀螺的正反转输出数据；
[0017]第二步，采集数据预处理
[0018]假设陀螺的数据读取周期为T1，将时间T内采集的陀螺输出数据拆分为段，三个方向转轴的对应段陀螺输出数据按照设定顺序进行拼接形成数据向量；将所有速率下正反向试验对应的数据向量全部进行归一化处理，然后随机打乱并划分为训练集和测试集；
[0019]第三步，堆叠去噪自编码器模型预训练
[0020]所述堆叠去噪自编码器模型包括M个去噪自编码器；每个去噪自编码器包均包含一个编码层和一个解码层；第一个去噪自编码器A包含编码层A和解码层A；
[0021]将训练集中的各归一化数据向量D按照设定的比例退化为编码层A的输入向量D1＝(D
11
，D
12
，
…
，D
1p
)，数据退化率为0.1～0.5；在编码阶段，去噪自编码器A输入层和隐含层间的映射关系由下式表示：
[0022]D2＝f(W
e
D1+b
e
)
[0023]其中，D2＝(D
21
，D
22
，
…
，D
2q
)为编码层A的输出向量；q为隐含层神经元节点数，W
e
和b
e
分别代表编码层A的输入权值矩阵和节点偏置矩阵，编码层A的初始输入权值矩阵和节点偏置矩阵分别为随机生成的p
×
q、q
×
1的矩阵；
[0024]在解码阶段，解码层A对编码层A提取的特征进行解码重构：
[0025]D3＝f(W
d
D2+b
d
)
[0026]其中，D3＝(D
31
，D
32
，
…
，D
3p
)代表解码层A的输出向量，W
d
和b
d
分别代表解码层A的输入权值矩阵和节点偏置矩阵，解码层A的初始输入权值矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于堆叠去噪自编码器的陀螺误差补偿方法，其特征在于该方法如下：针对陀螺任一方向转轴，按照设定的采样频率和采样时间采集多个陀螺输出数据，再将三个方向转轴对应的陀螺输出数据进行拼接，形成数据向量并将其归一化，然后对归一化后的数据向量按照退化率为0.1～0.5破坏为训练好的网络模型的输入向量H1；网络模型具有M个编码层以及全连接层网络，M＝1、2或3；对于第n个编码层，根据下述公式计算其输出向量：H
n+1
＝f(W
en
H
n
+b
en
)其中H
n+1
为第n个编码层的输出向量，H
n
为第n个编码层的输入向量；W
en
和b
en
分别代表第n个编码层的输入权值矩阵和节点偏置矩阵；f(
·
)为激活函数；第M个编码层的输出向量H
M+1
作为全连接层网络的输入向量；对全连接层网络的输出向量H
t
反向归一化后即得到陀螺三个方向转轴补偿后的输出值向量；H
t
＝f(W
b
H
M+1
+b
b
)其中，f(
·
)为激活函数，W
b
为全连接层网络的输入权值矩阵，b
b
是全连接层网络的节点偏置矩阵。2.根据权利要求1所述的基于堆叠去噪自编码器的陀螺误差补偿方法，其特征在于设第n个编码层的输入向量H
n
维度为P
n
，第n个编码层的输出向量H
n+1
维度为Q
n
，则该编码层的输入权值矩阵W
en
和节点偏置矩阵b
en
分别为P
n
×
Q
n
、Q
n
×
1的矩阵。3.根据权利要求1所述的基于堆叠去噪自编码器的陀螺误差补偿方法，其特征在于设第M个编码层的输出向量H
M+1
维度为Q
M
，全连接层网络的输入权值矩阵W
b
和节点偏置矩阵b
b
分别为Q
M
×
3、3
×
1的矩阵。4.根据权利要求1所述的基于堆叠去噪自编码器的陀螺误差补偿方法，其特征在于所述的网络模型训练方法如下：第一步，陀螺测角数据采集将陀螺稳固安装于测试转台上，设置测试转台三个相互垂直方向的多组试验速率；针对任一转轴的每一试验速率，在时间T内按频率f采集陀螺的正反转输出数据；第二步，采集数据预处理假设陀螺的数据读取周期为T1，将时间T内采集的陀螺输出数据拆分为段，三个方向转轴的对应段陀螺输出数据按照设定顺序进行拼接形成数据向量；将所有速率下正反向试验对应的数据向量全部进行归一化处理，然后随机打乱并划分为训练集和测试集；第三步，堆叠去噪自编码器模型预训练所述堆叠去噪自编码器模型包括M个去噪自编码器；每个去噪自编码器包均包含一个编码层和一个解码层；第一个去噪自编码器A包含编码层A和解码层A；将训练集中的各归一化数据向量D按照设定的比例退化为编码层A的输入向量D1＝(D
11
，D
12
，
…
，D
1p
)，数据退化率为0.1～0.5；在编码阶段，去噪自编码器A输入层和隐含层间的映射关系由下式表示：D2＝f(W
e
D1+b
e
)其中，D2＝(D
21
，D
22
，
…
，D
2q
)为编码...

【专利技术属性】
技术研发人员：沈明瑞，李瑞峰，李赫，李明，
申请(专利权)人：长春通视光电技术有限公司，
类型：发明
国别省市：