CN100510633C - 一种基于神经网络进行温度补偿的光纤陀螺 - Google Patents

Abstract

本发明公开了一种基于神经网络进行温度补偿的光纤陀螺，是采用神经网络学习算法进行的温度漂移补偿方式，经该温度补偿方法获得的修正温度补偿系数是为光纤陀螺高精度输出提供参数。根据光纤陀螺工作时，温度对光纤陀螺输出造成的影响，分别在光源处安装温度传感器A、Y波导处安装温度传感器B、光纤环内侧安装温度传感器C和光纤环外侧安装温度传感器D，通过四个温度传感器采集的温度变化、以及采用神经网络学习算法进行温度补偿模型训练，使所建温度漂移补偿具有较好的非线性映射能力、自学习能力和泛化能力；对温度漂移补偿的系数测量是在调试阶段测得的，减少了使用时陀螺运算量。

Description

一种基于神经网络进行温度补偿的光纤陀螺

技术领域

本发明涉及一种对干涉型光纤陀螺输出精度进行温度漂移补偿的方法，更特别地说，是指一种基于神经网络进行温度漂移补偿的光纤陀螺。

背景技术

干涉型光纤陀螺是一种测量角速度的仪器，其硬件包括光源1、耦合器2、Y波导3、光纤环4、探测器5和信号处理装置6组成(请参见图1所示)。所述的信号处理装置6包括用于检测探测器5输出的光功率信号的检测电路61、A/D转换器62、中心处理器63、D/A转换器64和放大调理电路65组成(请参见图2所示)。干涉型光纤陀螺对角速度的测量是通过在光纤环4中传播的两束相向的光在光纤陀螺自身的转动中，引起的非互易相位差的大小来表征的。陀螺是敏感相对于惯性空间角运动的装置。它作为一种重要的惯性敏感器，用于测量运载体的姿态角和角速度，是构成惯性系统的核心器件。应用在飞行器导航、舰船导航和陆用导航中。

光纤陀螺受温度影响显著。温度对光纤陀螺的影响主要体现在光纤环、光源及Y波导上。由于Shupe噪声，温度梯度将使光纤环产生热致非互易噪声和温度相位波动噪声。光源的输出功率、中心波长、光谱宽度等都随温度变化而改变。温度对Y波导的影响主要体现消光比及分束比上。

采用神经网络来补偿温度对光纤陀螺输出的影响，其具有良较好的非线性映射能力、自学习能力和泛化能力，能较好的补偿光纤陀螺的温度漂移，从而有效地提高了光纤陀螺输出测量值的精确度。

发明内容

本发明的目的是提出基于神经网络进行温度漂移补偿的光纤陀螺，所获得的光纤陀螺在较大的温度范围内具有较高的输出精度。本发明通过在光纤环4内外两侧、光源1及Y波导3设置四个温度传感器，以监测光纤环4上的温度梯度和光源1、Y波导3上的温度值及其变化，从而进行光纤陀螺的温度漂移的建模与补偿。在建模阶段，采集四个温度传感器的实时温度与光纤陀螺产生的温度漂移数据，并进行基于神经网络的光纤陀螺温度漂移补偿建模，从而获得修正的神经网络权值系数。陀螺正常使用时，由在光纤环4内外两侧、光源1、及Y波导3设置的四个温度传感器进行温度读取，由当前温度值与建模阶段获得的神经网络权值系数计算出神经网络输出，即为当前温度漂移的补偿值。在陀螺的输出结果中减去当前温度漂移的补偿值获得补偿后的陀螺输出，完成陀螺的温度补偿。

本发明是一种基于神经网络进行温度补偿的光纤陀螺，首先对所需温度补偿权值系数采用神经网络学习算法进行获取，然后通过对四个温度传感器实测的温度进行比较，从而实现光纤陀螺在有温度影响的条件下的补偿。在本发明中，温度补偿两个步骤在于神经网络的权值系数提取及使用神经网络的权值系数进行温度补偿。

一、神经网络的权值系数提取的步骤如下：

(A)对输出权值w_j、输入权值v_ij进行初始化，其中，w_j＝0.5，v_ij＝0.5；

(B)接收光源温度T₁、Y波导温度T₂、光纤环内侧温度T₃、光纤环外侧温度T₄和建模阶段光纤陀螺产生的温度漂移数据AIM；

(C)使用(B)步骤接收到的数据采用迭代运算调节(A)步骤中的输出权值w_j、输入权值v_ij，获得修正后输出权值aw_j、修正后输入权值av_ij。

当获得修正后输出权值aw_j、修正后输入权值av_ij后，使用的神经网络学习算法结束。

二、使用神经网络的权值系数进行温度补偿的步骤如下：

(A′)正常工作时，中心处理器63实时在线接收当前光源温度t_1C、当前Y波导温度t_2C、当前光纤环内侧温度t_3C、当前光纤环外侧温度t_4C；

(B′)并将由(A′)步骤采集的当前温度数据与修正后输出权值aw_j、修正后输入权值av_ij运用温度补偿模型计算出温度漂移补偿值d；

(C′)采用中心处理器63中的当前角速度信息a减去(B′)步骤的温度漂移补偿值d得到工作状态下的陀螺输出ao。

经实验验证，补偿后的陀螺输出ao精度提高了60～80％。对工作温度造成的干涉型光纤陀螺输出影响进行温度漂移补偿，大大提高了光纤陀螺工作的温度范围-20℃～60℃内的精度，使干涉型光纤陀螺具有更强的温度适应性。

采用神经网络进行温度补偿模型训练，使所建温度漂移补偿具有较好的非线性映射能力、自学习能力和泛化能力；对温度漂移补偿的权值系数测量是在调试阶段测得的，减少了使用时陀螺运算量。

附图说明

图1是本发明干涉型光纤陀螺装配有传感器的结构示意图。

图2是干涉型光纤陀螺的信号处理装置的结构框图。

图3是本发明获取权值的算法原理框图。

图4是本发明温度补偿模型结构示意图。

图中：      1.光源            2.耦合器       3.Y波导        4.光纤环5.探测器      6.信号处理装置    61.检测电路    62.A/D转换器   63.中心处理器64.D/A转换器  65.放大调理电路7.温度传感器A 8.温度传感器B     9.温度传感器C  10.温度传感器D

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

本发明是一种基于神经网络进行温度补偿的光纤陀螺，是采用神经网络学习算法进行的温度漂移补偿方式，经该方式获得的修正温度漂移补偿横暴权值系数是为光纤陀螺高精度输出提供必要参数。

请参见图1所示，根据光纤陀螺工作时，温度对光纤陀螺输出造成的影响，分别在光源1处安装温度传感器A7、Y波导3处安装温度传感器B8、光纤环4内侧安装温度传感器C9和光纤环4外侧安装温度传感器D10，所述温度传感器A7用于采集光源1处的光源温度T₁，所述温度传感器B8用于采集Y波导3处的Y波导温度T₂，所述温度传感器C9用于采集光纤环4内侧处的内环温度T₃，所述温度传感器D10用于采集光纤环4外侧处的外环温度T₄。

在本发明中，四个温度传感器将采集到的温度数据输出给中心处理器63进行相关信息的处理，其该温度补偿方法的系数在调试阶段计算出来，以在实际应用陀螺时进行温度补偿。

本发明是一种基于神经网络进行温度补偿的光纤陀螺，首先对所需温度补偿权值系数采用神经网络学习算法进行获取，然后通过对四个温度传感器实测的温度进行比较，从而实现光纤陀螺在有温度影响的条件下的补偿。在本发明中，温度补偿模型编写在所述光纤陀螺的信号处理装置6的中心处理器63中，温度补偿两个步骤在于神经网络的权值系数提取及使用神经网络的权值系数进行温度补偿(如图1、图3、图4所示)。

一、神经网络的权值系数提取的步骤如下：

(A)对输出权值w_j、输入权值v_ij进行初始化，其中，w_j＝0.5，v_ij＝0.5；

(B)接收光源温度T₁、Y波导温度T₂、光纤环内侧温度T₃、光纤环外侧温度T₄和建模阶段光纤陀螺产生的温度漂移数据AIM；

(C)使用(B)步骤接收到的数据采用迭代运算调节(A)步骤中的输出权值w_j、输入权值v_ij，获得修正后输出权值aw_j、修正后输入权值av_ij。

当获得修正后输出权值aw_j、修正后输入权值av_ij后，使用的神经网络学习算法结束。采用神经网络进行温度补偿模型训练，使所建温度漂移补偿具有较好的非线性映射能力、自学习能力和泛化能力；对温度漂移补偿的系数测量是在调试阶段测得的，减少了使用时陀螺运算量。

二、使用神经网络的权值系数进行温度补偿的步骤如下：

(A′)正常工作时，中心处理器63实时在线接收当前光源温度t_1C、当前Y波导温度t_2C、当前光纤环内侧温度t_3C、当前光纤环外侧温度t_4C；

(B′)并将由(A′)步骤采集的当前温度数据与修正后输出权值aw_j、修正后输入权值av_ij运用温度补偿模型计算出温度漂移补偿值d；

(C′)采用中心处理器63中的当前角速度信息a减去(B′)步骤的温度漂移补偿值d得到工作状态下的陀螺输出ao。

经实验验证，补偿后的陀螺输出ao精度提高了60～80％。对工作温度造成的干涉型光纤陀螺输出影响进行温度漂移补偿，大大提高了光纤陀螺工作的温度范围-20℃～60℃内的精度，使干涉型光纤陀螺具有更强的温度适应性。

请参见图4所示，在本发明中，温度补偿模型采用三层BP网络，输出层取线性函数，隐层取六个节点，加入t₀＝-1为隐层神经元引入阈值，加入y₀＝-1为输出层神经元引入阈值。其中，输入层到隐层之间的权值矩阵用V表示，V＝(V₁，V₂，V₃，V₄，V₅，V₆)，列向量V_j＝(v_0j，v_1j，v_2j，v_3j，v_4j)为输入层对应隐层第j个神经元的权向量，v_ij为第i个输入到隐层第j个神经元的权值；隐层到输出层之间的权值矩阵用W表示，W＝(w₀，w₁，w₂，w₃，w₄，w₅，w₆)，w_j为隐层第j个神经元对应输出层的权值。

对于第j个隐层神经元的输出，有 $y_j=f\left(\underset{i=0}{\overset{4}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}{t}_{\mathrm{ik}}\right),j=\mathrm{1,2},\·\·\·,6,$ 式中，y_j为第j个隐层神经元的输出值，隐层的转移函数f(x)为非线性连续函数 $f\left(x\right)=\frac{1}{1+e^{-x}}.$

对于输出层的输出，有 $o_k=\underset{j=0}{\overset{6}{\mathrm{\Σ}}}{w}_j{y}_j.$

在神经网络的权值系数提取步骤中采用的迭代运算方式为：定义一个采样序列对应的网络输入输出为t_0k，t_1k，t_2k，t_3k，t_4k，o_k，神经网络模型期望输出为aim_k，其中k为当前采样序列。由此可知，模型输出E与模型期望输出aim_k之间的误差 $E=\frac{1}{2}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\{{\mathrm{aim}}_k-\underset{j=0}{\overset{6}{\mathrm{\Σ}}}{w}_j\·\left[f\left(\underset{i=0}{\overset{4}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}{t}_{\mathrm{ik}}\right)\right]\}}^2,$ 其中，l是采样的总个数。可见调整各层输出权值w_j、输出权值v_ij，可以改变模型误差E。

调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的负梯度成正比，即有

${\mathrm{\Δw}}_j=-\mathrm{\η}\frac{\∂E}{{\∂w}_j}$    j＝0，1，2，…，6；

${\mathrm{\Δv}}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{{\∂v}_{\mathrm{ij}}}$     i＝0，1，2，…，4；j＝1，2，…，6

式中负号表示梯度下降，常数η∈(0，1)表示比例系数，在训练中反映了学习速率，这里取为0.95。运用此种方式本发明经迭代1500次后结束训练，可得到神经网络权值系数。

在本发明中，符号代表的物理意义为：

 

T<sub>1</sub>	表示建模阶段测得光源1的光源温度，简称光源温度。
		T<sub>2</sub>	表示建模阶段测得Y波导3的Y波导温度，简称Y波导温度。
T<sub>3</sub>	表示建模阶段测得光纤环4的光纤环内侧温度，简称内环温度。
		T<sub>4</sub>	表示建模阶段测得光纤环4的光纤环外侧温度，简称外环温度。
t<sub>0k</sub>	表示为隐层神经元引入阈值而加入的一个输入节点，取常值为-1。
		t<sub>1k</sub>	表示建模阶段k时刻下测得的光源1的光源温度，简称某光源温度。
t<sub>2k</sub>	表示建模阶段k时刻下测得的Y波导3的Y波导温度，简称某Y波导温度。
		t<sub>3k</sub>	表示建模阶段k时刻下测得的光纤环4的光纤环内侧温度，简称某内环温度。
t<sub>4k</sub>	表示建模阶段k时刻下测得的光纤环4的光纤环外侧温度，简称某外环温度。
		y<sub>0</sub>	表示输出层神经元引入阈值而加入的一个隐层节点，取常值为-1。
y<sub>j</sub>	表示建模阶段隐层第j个神经元输出值，简称隐层输出值。
		O<sub>k</sub>	表示建模阶段k时刻下模型的输出补偿数据，简称模型某输出。
AIM	表示建模阶段光纤陀螺产生的温度漂移数据。
		aim<sub>k</sub>	表示建模阶段光纤陀螺k时刻下的温度漂移，简称建模温度漂移。
w<sub>j</sub>	表示隐层第j个神经元对应于输出层的权值，简称输出权值。
		v<sub>ij</sub>	表示第i个输入到隐层第j个神经元的权值，简称输入权值。
E	表示建模阶段的模型输出与模型期望输出之间的误差，简称模型误差。
		aw<sub>j</sub>	表示建模后得到修正的隐层第j个神经元对应于输出层的权值，简称修正后输出权值。
av<sub>ij</sub>	表示建模后得到修正的第i个输入到隐层第j个神经元的权值，简称修正后输入权值。
		t<sub>1C</sub>	表示工作状态下测得当前光源1的光源温度，简称当前光源温度。
t<sub>2C</sub>	表示工作状态下测得当前Y波导3的Y波导温度，简称当前Y波导温度。
		t<sub>3C</sub>	表示工作状态下测得当前光纤环4的光纤环内侧温度，简称当前内环温度。
t<sub>4C</sub>	表示工作状态下测得当前光纤环4的光纤环外侧温度，简称当前外环温度。
		a	表示工作状态下光纤陀螺测得当前的角速度信息。
d	表示温度漂移补偿值。
		ao	表示工作状态下补偿后的光纤陀螺输出值，简称陀螺输出。

Claims (3)

1、一种基于神经网络进行温度补偿的光纤陀螺，包括有光纤陀螺，所述光纤陀螺由光源(1)、耦合器(2)、Y波导(3)、光纤环(4)、探测器(5)和信号处理装置(6)组成，其特征在于：还包括有四个温度传感器和基于神经网络的温度补偿模型，所述温度补偿模型编写在所述光纤陀螺的信号处理装置(6)的中心处理器(63)中；

温度传感器A(7)安装于光源(1)上，用于采集光源(1)的光源温度T₁；

温度传感器B(8)安装于Y波导(3)上，用于采集Y波导(3)处的Y波导温度T₂；

温度传感器C(9)安装于光纤环(4)内侧上，用于采集光纤环(4)内侧的光纤环内侧温度T₃；

温度传感器D(10)安装于光纤环(4)外侧上，用于采集光纤环(4)外侧的光纤环外侧温度T₄；

所述中心处理器(63)对四路实时温度信息进行基于神经网络的温度补偿，所述温度补偿两个步骤在于神经网络的权值系数提取及使用神经网络的权值系数进行温度补偿；

所述的神经网络的权值系数提取的步骤有：

(A)对输出权值w_j、输入权值v_ij进行初始化，其中，w_j＝0.5，v_ij＝0.5；

(B)接收光源温度T₁、Y波导温度T₂、光纤环内侧温度T₃、光纤环外侧温度T₄和建模阶段光纤陀螺产生的温度漂移数据AIM；

(C)使用(B)步骤接收到的数据采用迭代运算调节(A)步骤中的输出权值w_j、输入权值v_ij，获得修正后输出权值aw_j、修正后输入权值av_ij；

所述的使用神经网络的权值系数进行温度补偿的步骤有：

(A′)正常工作时，中心处理器(63)实时在线接收当前光源温度t_1C、当前Y波导温度t_2C、当前光纤环内侧温度t_3C、当前光纤环外侧温度t_4C；

(B′)并将由(A′)步骤采集的当前温度数据与修正后输出权值aw_j、修正后输入权值av_ij运用温度补偿模型计算出温度漂移补偿值d；

(C′)采用中心处理器(63)中的当前角速度信息a减去(B′)步骤的温度漂移补偿值d得到工作状态下的陀螺输出ao。

2、根据权利要求1所述的基于神经网络进行温度补偿的光纤陀螺，其特征在于：所述迭代运算次数为1500次。

3、根据权利要求1所述的基于神经网络进行温度补偿的光纤陀螺，其特征在于所述温度补偿模型为：

采用三层BP网络，输出层取线性函数，隐层取六个节点，加入t₀＝-1为隐层神经元引入阈值，加入y₀＝-1为输出层神经元引入阈值；其中，输入层到隐层之间的权值矩阵用V表示，V＝(V₁，V₂，V₃，V₄，V₅，V₆)，列向量V_j＝(v_0j，v_1j，v_2j，v_3j，v_4j)为输入层对应隐层第j个神经元的权向量，v_ij为第i个输入到隐层第j个神经元的权值；隐层到输出层之间的权值矩阵用W表示，W＝(w₀，w₁，w₂，w₃，w₄，w₅，w₆)，w_j为隐层第j个隐层神经元对应输出层的权值；

对于第j个隐层神经元的输出，有 $y_j=f\left(\underset{i=0}{\overset{4}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}{t}_{\mathrm{ik}}\right),$ j＝1，2，…，6，式中，y_j为第j个隐层神经元的输出值，隐层的转移函数f(x)为非线性连续函数 $f\left(x\right)=\frac{1}{1+e^{-x}};$

对于输出层的输出，有 $o_k=\underset{j=0}{\overset{6}{\mathrm{\Σ}}}{w}_j{y}_j.$

Images