基于粒子群小波網(wǎng)絡(luò)的mems陀螺隨機(jī)誤差補(bǔ)償方法
【專利摘要】本發(fā)明涉及組合導(dǎo)航中MEMS微機(jī)械陀螺的隨機(jī)誤差建模與補(bǔ)償領(lǐng)域，具體涉及一種基于粒子群小波網(wǎng)絡(luò)的MEMS陀螺隨機(jī)誤差補(bǔ)償方法。本發(fā)明包括：連續(xù)采樣得到MEMS陀螺的輸出數(shù)據(jù)，對(duì)輸出數(shù)據(jù)進(jìn)行預(yù)處理；對(duì)處理后的輸出數(shù)據(jù)進(jìn)行去噪處理，獲得噪聲干擾更小的隨機(jī)誤差，利用小波包分析方法對(duì)隨機(jī)誤差去噪處理；構(gòu)建粒子群小波網(wǎng)絡(luò)模型，利用粒子群算法優(yōu)化小波網(wǎng)絡(luò)；初始化設(shè)置網(wǎng)絡(luò)：確定網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)，輸出節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)，利用隨機(jī)誤差樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，并保存網(wǎng)絡(luò)，利用網(wǎng)絡(luò)預(yù)測(cè)值對(duì)MEMS陀螺儀隨機(jī)誤差補(bǔ)償。本發(fā)明對(duì)MEMS陀螺的輸出信號(hào)進(jìn)行去噪處理，減少噪聲的影響，保證預(yù)測(cè)的準(zhǔn)確性。
【專利說(shuō)明】
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及組合導(dǎo)航中MEMS微機(jī)械陀螺的隨機(jī)誤差建模與補(bǔ)償領(lǐng)域，具體涉及 一種基于粒子群小波網(wǎng)絡(luò)的MEMS陀螺隨機(jī)誤差補(bǔ)償方法。 基于粒子群小波網(wǎng)絡(luò)的MEMS陀螺隨機(jī)誤差補(bǔ)償方法

【背景技術(shù)】
[0002] MEMS (Micro Electro Mechanical System，MEMS)陀螺儀由于其體積小、質(zhì)量輕、 易于集成化、功耗低等特點(diǎn)，使其在低精度導(dǎo)航系統(tǒng)領(lǐng)域得到了廣泛的應(yīng)用。陀螺儀隨機(jī)誤 差是影響MEMS陀螺精度的主要原因，也是慣導(dǎo)系統(tǒng)的主要誤差來(lái)源，通過(guò)對(duì)MEMS陀螺的誤 差分析、建模與補(bǔ)償可以有效的提高M(jìn)MU的精度。因此對(duì)MEMS陀螺的誤差分析、建模與補(bǔ) 償研究是提高導(dǎo)航系統(tǒng)定位精度的一個(gè)新方向，對(duì)導(dǎo)航系統(tǒng)定位具有重要意義。
[0003] 粒子群算法（Particle Swarm Optimization, PS0)是一種基于疊代的優(yōu)化工具， 采用"群體"與"進(jìn)化"的概念，依據(jù)粒子的適應(yīng)度值大小進(jìn)行搜尋最優(yōu)值。每個(gè)粒子代表 一個(gè)潛在解并對(duì)應(yīng)一個(gè)適應(yīng)度值，粒子移動(dòng)的方向和距離根據(jù)粒子的速度確定，其速度隨 自身和其他粒子的移動(dòng)經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)個(gè)體在解空間的尋優(yōu)。由于粒子群算法容 易理解、易于實(shí)現(xiàn)，目前已被廣泛應(yīng)用于函數(shù)優(yōu)化、系統(tǒng)控制、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等領(lǐng)域。
[0004] 小波網(wǎng)絡(luò)是小波分析理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它兼容了小波分析與人工神 經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。充分利用了小波變換的時(shí)頻局部化特性和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，具有較 強(qiáng)的逼近與容錯(cuò)能力、建模能力強(qiáng)。但由于小波網(wǎng)絡(luò)模型存在易陷入局部極小或不收斂等 問(wèn)題，而小波網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程主要是權(quán)值和閾值的調(diào)整過(guò)程，粒子群算法依據(jù)微粒的適應(yīng) 值大小進(jìn)行操作，因此可以利用粒子群算法優(yōu)化小波網(wǎng)絡(luò)的各連接權(quán)值和各閾值，解決小 波網(wǎng)絡(luò)易陷入局部極小和不收斂等問(wèn)題，使網(wǎng)絡(luò)模型達(dá)到最佳。
[0005] 傳統(tǒng)的陀螺儀隨機(jī)誤差建模方法有Allan方差分析法和ARMA時(shí)間序列分析法。兩 種方法都可以對(duì)MEMS陀螺儀的隨機(jī)誤差建立模型，但所建的模型精度較低且易受影響，不 能很好的應(yīng)用于實(shí)際陀螺儀隨機(jī)誤差的補(bǔ)償中。但是基于PS0的小波網(wǎng)絡(luò)可以對(duì)陀螺儀隨 機(jī)誤差預(yù)測(cè)且精度較高，將此預(yù)測(cè)值用于隨機(jī)誤差補(bǔ)償中，有效減小了隨機(jī)誤差，提高陀螺 儀精度。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提出一種可以有效對(duì)MEMS陀螺隨機(jī)誤差補(bǔ)償?shù)姆椒ā?br> [0007] 本發(fā)明的目的是這樣實(shí)現(xiàn)的：
[0008] (1)連續(xù)采樣得到MEMS陀螺的輸出數(shù)據(jù)，對(duì)輸出數(shù)據(jù)進(jìn)行預(yù)處理：
[0009] 采樣周期為10ms，進(jìn)行20min采樣，得到MEMS陀螺漂移原始測(cè)量信號(hào)，將MEMS陀 螺漂移原始測(cè)量信號(hào)的常值漂移去除，對(duì)MEMS陀螺儀的靜態(tài)漂移數(shù)據(jù)求均值，在觀測(cè)數(shù)據(jù) 中將均值減去，得到陀螺儀的隨機(jī)誤差；
[0010] (2)對(duì)處理后的輸出數(shù)據(jù)進(jìn)行去噪處理，獲得噪聲干擾更小的隨機(jī)誤差，利用小波 包分析方法對(duì)隨機(jī)誤差去噪處理：
[0011] (2. 1)對(duì)隨機(jī)誤差進(jìn)行小波包分解，確定分解層次與小波基，；
[0012] (2. 2)計(jì)算最佳樹，確定最佳小波基函數(shù)，給定熵標(biāo)準(zhǔn)，計(jì)算最佳樹；
[0013] (2. 3)小波包分解后得到的系數(shù)進(jìn)行閾值量化，然后進(jìn)行去噪處理；
[0014] (2. 4)對(duì)分解后的隨機(jī)誤差進(jìn)行小波包重構(gòu)；
[0015] (3)構(gòu)建粒子群小波網(wǎng)絡(luò)模型，利用粒子群算法優(yōu)化小波網(wǎng)絡(luò)：
[0016] 將網(wǎng)絡(luò)參數(shù)與粒子群算法中粒子的位置來(lái)對(duì)應(yīng)，每個(gè)粒子的位置向量變?yōu)椋?br> [0017] w ( τ ) = [ ω iq, ω qp, aq, bq] τ = 1, 2,…；q 為隱含層神經(jīng)元個(gè)數(shù)，
[0018] (3. 1)初始化，確定粒子個(gè)數(shù)τ，初始化粒子，設(shè)置粒子初始位置w和初始速度V， 設(shè)置最大迭代次數(shù)和終止條件；設(shè)置粒子當(dāng)前最優(yōu)位置為P b = ?，并記全局最優(yōu)位置Pg = maxpb ；
[0019] (3. 2)給定小波網(wǎng)絡(luò)訓(xùn)練樣本，訓(xùn)練網(wǎng)絡(luò)：利用粒子群算法更新粒子的位置p和速 度v,記錄粒子的歷史最優(yōu)位置pbestA :
[0020]

【權(quán)利要求】
1.基于粒子群小波網(wǎng)絡(luò)的MEMS陀螺隨機(jī)誤差補(bǔ)償方法，其特征在于： (1) 連續(xù)采樣得到MEMS陀螺的輸出數(shù)據(jù)，對(duì)輸出數(shù)據(jù)進(jìn)行預(yù)處理： 采樣周期為l〇ms，進(jìn)行20min采樣，得到MEMS陀螺漂移原始測(cè)量信號(hào)，將MEMS陀螺漂 移原始測(cè)量信號(hào)的常值漂移去除，對(duì)MEMS陀螺儀的靜態(tài)漂移數(shù)據(jù)求均值，在觀測(cè)數(shù)據(jù)中將 均值減去，得到陀螺儀的隨機(jī)誤差； (2) 對(duì)處理后的輸出數(shù)據(jù)進(jìn)行去噪處理，獲得噪聲干擾更小的隨機(jī)誤差，利用小波包分 析方法對(duì)隨機(jī)誤差去噪處理： (2. 1)對(duì)隨機(jī)誤差進(jìn)行小波包分解，確定分解層次與小波基，； (2. 2)計(jì)算最佳樹，確定最佳小波基函數(shù)，給定熵標(biāo)準(zhǔn)，計(jì)算最佳樹； (2. 3)小波包分解后得到的系數(shù)進(jìn)行閾值量化，然后進(jìn)行去噪處理； (2.4)對(duì)分解后的隨機(jī)誤差進(jìn)行小波包重構(gòu)； (3) 構(gòu)建粒子群小波網(wǎng)絡(luò)模型，利用粒子群算法優(yōu)化小波網(wǎng)絡(luò)： 將網(wǎng)絡(luò)參數(shù)與粒子群算法中粒子的位置來(lái)對(duì)應(yīng)，每個(gè)粒子的位置向量變?yōu)椋? ￥(τ) = [ω?(?，ω(?ρ?] τ =1,2,…；q為隱含層神經(jīng)元個(gè)數(shù)， (3. 1)初始化，確定粒子個(gè)數(shù)τ，初始化粒子，設(shè)置粒子初始位置w和初始速度V，設(shè) 置最大迭代次數(shù)和終止條件；設(shè)置粒子當(dāng)前最優(yōu)位置為pb = ?，并記全局最優(yōu)位置pg = maxpb ； (3. 2)給定小波網(wǎng)絡(luò)訓(xùn)練樣本，訓(xùn)練網(wǎng)絡(luò)：利用粒子群算法更新粒子的位置p和速度v， 記錄粒子的歷史最優(yōu)位置pbestA : vv；/ =a*vy\ +￡· ^randQ-^pbest -x'^ + c-, * rand()*( 其中Ci和c2為加速因子，λ為當(dāng)前迭代次數(shù)，d為粒子維數(shù)，rand()為[0, 1]范圍內(nèi) 的隨機(jī)數(shù)，α為慣性權(quán)值，pbest為粒子最佳位置； (3.3)根據(jù)粒子位置w和訓(xùn)練樣本，計(jì)算隱層、輸出層的實(shí)際輸入、輸出及誤差E = E(N)； (3. 4)根據(jù)訓(xùn)練誤差E (N)計(jì)算每個(gè)粒子的適應(yīng)度f(wàn)的值，更新pb和pg的值：
其中N為訓(xùn)練樣本數(shù)，Dp為第p個(gè)輸出節(jié)點(diǎn)的理想輸出值，Yp為第p個(gè)輸出節(jié)點(diǎn)的實(shí) 際輸出值； (3. 5)更新粒子的位置w和速度V，如果速度越出邊界，則調(diào)整速度為算法最大值； (3. 6)當(dāng)誤差達(dá)到設(shè)定值或達(dá)到最大迭代次數(shù)時(shí)，結(jié)束學(xué)習(xí)過(guò)程；否則，令N = Ν+1，減 小α值，返回步驟（3)繼續(xù)迭代，直到滿足要求為止； (3.7)將最終得到的全局最優(yōu)值包括權(quán)值和閾值帶入小波網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)輸出； 利用消噪后的MEMS陀螺儀隨機(jī)誤差作為網(wǎng)絡(luò)的數(shù)據(jù)樣本，構(gòu)建網(wǎng)絡(luò)模型； (4)初始化設(shè)置網(wǎng)絡(luò)：確定網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)，輸出節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)，利用隨機(jī) 誤差樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，并保存網(wǎng)絡(luò)，利用網(wǎng)絡(luò)預(yù)測(cè)值對(duì)MEMS陀螺儀隨機(jī)誤差補(bǔ)償： 利用粒子群小波網(wǎng)絡(luò)擬合函數(shù)： Xg - f (Χι，X2，…，Xg-i)， 式中，g為輸入數(shù)據(jù)個(gè)數(shù)。 以g個(gè)數(shù)據(jù)為一個(gè)樣本，前g-ι個(gè)數(shù)據(jù)[Xl，χ2，…，XgJ T作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，第g個(gè) 數(shù)據(jù)Xg為網(wǎng)絡(luò)的輸出數(shù)據(jù)，選取β個(gè)輸入向量和目標(biāo)向量分別訓(xùn)練粒子群小波網(wǎng)絡(luò)，得到 隨機(jī)誤差模型，利用隨機(jī)誤差模型補(bǔ)償MEMS陀螺儀的隨機(jī)誤差。
【文檔編號(hào)】G01C21/00GK104101344SQ201410330718
【公開日】2014年10月15日 申請(qǐng)日期:2014年7月11日 優(yōu)先權(quán)日:2014年7月11日
【發(fā)明者】徐定杰, 蘭曉明, 沈鋒, 王璐, 何爽, 韓浩, 張金麗, 劉向鋒, 周陽(yáng) 申請(qǐng)人:哈爾濱工程大學(xué)