CN107330149A - 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 - Google Patents
基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 Download PDFInfo
- Publication number
- CN107330149A CN107330149A CN201710390750.8A CN201710390750A CN107330149A CN 107330149 A CN107330149 A CN 107330149A CN 201710390750 A CN201710390750 A CN 201710390750A CN 107330149 A CN107330149 A CN 107330149A
- Authority
- CN
- China
- Prior art keywords
- gyro
- msub
- data
- mrow
- arma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241001123248 Arma Species 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 230000003068 static effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 7
- 210000002364 input neuron Anatomy 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 206010019133 Hangover Diseases 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000005311 autocorrelation function Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005459 micromachining Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Gyroscopes (AREA)
Abstract
本发明是一种基于ARMA和BPNN组合模型的MIMU陀螺随机误差预测方法,主要包括:步骤一:在静止的状态下采集单轴微陀螺仪的随机漂移数据,通过观察自相关参数ACF和偏相关参数PACF的图形特性判断陀螺原始数据序列的平稳性,进行ADF单位根的检验,经过差分剔除序列的趋势项后得到平稳的数据。步骤二:采用AIC最小准则法对陀螺平稳序列进行模型定阶,构建陀螺漂移平稳序列的ARMA模型。步骤三:使用组合模型对陀螺的随机漂移序列进行建模,从步骤二的ARMA模型的误差数据中选取训练集和测试集,建立BP神经网络预测模型,设置BP神经网络的结构。步骤四:对所建BP神经网络模型的样本数据进行训练,并保存陀螺随机漂移的预测结果。
Description
技术领域
本发明涉及深组合导航系统中MIMU(微惯性测量单元)的随机漂移预测,具体涉及陀螺随机漂移误差预测拟合方法。
背景技术
随着集成电路硅半导体制造工艺的不断完善,微机械制造技术取得长足发展,MEMS(Micro-Electro-Mechanical System)惯性敏感器由此产生。同时它以尺寸小、质量轻、高可靠、耐冲击、易安装、可大批量生产、成本低廉的特点,与微电子加工电路相集成,做到了机电一体化。尤其,随着MEMS惯性敏感器精度的不断提升,在军事领域的导航系统设备中,采用微机械惯性仪表作为惯性测量器件的捷联惯性导航系统,正在不断占领市场。在制导弹药系统中,利用MEMS陀螺和加速度计构成惯性导航系统,不仅大大降低了弹药体积和重量,而且进一步提高了系统性能。基于微机电系统MEMS构建的微惯性测量单元IMU具有体积小、成本低的优点,可以提供运载体的位置、速度和姿态信息。
由于MEMS惯性传感器的精度相对较低,并且容易受到外界环境条件的影响,因此抑制MEMS-IMU误差的研究在任何环境条件下都需要开展,这些研究对我们将MEMS-IMU应用在复杂环境条件上具有参考意义。常用的方法是研究更优的误差补偿方法对MEMS-IMU的输出误差项进行补偿,以提高使用时的精度。
在现有的陀螺随机误差建模中,常见降低陀螺随机漂移的方法是Allan方差法、小波分析法和Kalman滤波法,Allan方差法虽然便于计算,易于分离误差,但是辨识噪声时容易泄露功率且定量表示方法单一。小波分析方法可以对信号进行任意细节的分解,适宜分析和处理非平稳信号,但是若是小波层数选取不当,会造成有用信号被滤除的后果。Kalman滤波法可用于时变、非平稳和多维信号的估计,但是噪声必须假定为统计特性为已知的高斯过程。ARMA建模方法建模简单,预测容易,参数易于估计,实用处理线性信号,BP神经网络具有强大的非线性映射能力,不需要精确的数学模型,具有强大的数据识别和模拟能力。本发明针对陀螺仪数据的弱时变和弱非线性特性,提出一种基于ARMA和BP神经网络的组合预测方法,提出运用该模型对MIMU陀螺仪的随机漂移数据进行建模,并对模型进行适用性检验和拟合。分析预测指标,可以大幅降低模型预测误差,提高模型预测的精度。
发明内容
为了减小MIMU陀螺仪随机漂移误差对系统精度的影响,本发明提出一种ARMA模型和BP神经网络组合模型预测陀螺仪输出数据的组合方法。该方法的步骤如下:
步骤1:对MIMU陀螺的实时输出数据进行预处理。在静止的状态下采集单轴陀螺的随机漂移数据,判断原始数据序列的平稳性,对陀螺的测试数据进行相关性检验,初步判定ARMA模型的阶数。
步骤2:采用AIC最小准则法对步骤1得到的陀螺平稳序列进行模型定阶。构建ARMA模型,在对未来的数据预测拟合过程中,列出陀螺漂移序列的预测模型。
步骤3:提出组合模型对陀螺的随机漂移序列进行建模,从步骤2的ARMA模型的误差数据中选取训练集和测试集。
步骤4:对所建BP神经网络模型的样本数据进行训练,并保存陀螺随机漂移的预测结果。
本发明的优点:
(1)本发明先对MIMU陀螺仪去除确定性误差,得到含有输出随机噪声的信号,降低陀螺的建模误差。
(2)本发明使用BP神经网络去预测ARMA对陀螺仪建模的误差部分,使非线性规律包含在ARMA模型的预测结果中并被BP神经网络预测。组合模型具有两种独立模型的互补性,极大地改善了陀螺仪的预测性能。
(3)本发明的组合模型你还不仅可以对陀螺仪的漂移进行建模,还可以对短期的误差进行预测拟合。
附图说明
图1基于ARMA和BPNN组合模型的MIMU陀螺随机漂移预测流程图
图2 MIMU陀螺原始随机漂移示意图
图3 ARMA建模预测流程图
图4 ARMA预测与陀螺原始随机漂移对比示意图
图5 BP神经网络结构图
图6 BP神经网络算法流程图
图7 BPNN预测与陀螺原始随机漂移对比示意图
图8组合模型预测与陀螺原始随机漂移对比示意图
具体实施方式
本发明描述的是一种MIMU陀螺随机误差的预测建模方法,该发明采用了ARMA和BP神经网络组合模型的预测拟合算法,为了得到更准确的陀螺随机漂移模型,克服单一ARMA模型和BP神经网络不能完整表达线性关系和非线性关系的缺点,提出的模型预测方法适用于MIMU,并且可以大幅降低模型预测误差,提高模型预测的精度。本发明的设计方案如图1所示,步骤如下:
步骤1:对MIMU陀螺的实时输出数据进行预处理。在静止的状态下采集单轴陀螺的随机漂移数据,判断原始数据序列的平稳性,对陀螺的测试数据进行相关性检验,初步判定ARMA模型的阶数。
首先,将微惯性测量单元MIMU安装在转台上,外接电源预热15分钟,使陀螺的数据基本达到一个趋于稳定的状态。对串口接收程序进行设置,在编写的导航系统界面观察陀螺输出并采集数据。从MIMU陀螺仪采集到的稳定数据中选取5002个随机误差数据,针对陀螺仪的确定性误差部分进行标定试验,对MIMU陀螺仪去除确定性误差,得到含有输出噪声的信号。
其次,基于陀螺仪弱非线性和弱时变性的特点,将陀螺漂移作为时间序列问题处理,使用ARMA预测拟合的方法。
具体方法:观察自相关参数ACF和偏相关参数PACF的图形特性的拖尾性和截尾性,判断陀螺原始数据序列的平稳性,并进一步通过进行ADF单位根的检验,由一阶差分剔除序列的趋势项后得到平稳的数据,并由自相关系数和偏相关系数初步确定模型的阶数。其步骤如下所示:
(1)计算自相关函数和偏相关函数
自相关函数ACF:输入陀螺信号序列x(t),自相关函数用来描述陀螺信号在一个时刻的取值与另一个时刻取值的依赖关系,为:
式中xt为当前的陀螺漂移值,xt-k为t-k时刻以前的陀螺误差值,为陀螺漂移的均值,为t-k时刻以前的陀螺漂移量的均值,T为采样数据总数,rk表示当前的陀螺漂移值与其滞后k时刻的值之间的相关系数。
偏相关函数PACF:输入陀螺的漂移序列为xt,k阶偏相关函数hk是按k阶自回归模型对陀螺漂移作线性最小方差估计时的最后一项系数,可以得到递推公式:
可由自相关函数来描述自身的特性是偏相关函数的特性。
(2)识别ARMA(p,q)模型及阶数
自回归AR(p))模型:当k>p时,有hk=0或hk服从渐近正态分布N(0,1/且(|hk|>2n1 /2)的个数≤4.5%,即陀螺仪平稳时间序列的偏相关系数hk为p步截尾,自相关系数rk逐步衰减而不截尾,则序列是AR(p)模型。实际陀螺平稳序列的阶数判断中,一般AR(p)过程的ACF函数呈单边递减或阻尼振荡,所以用PACF函数判别从(p阶开始的所有偏相关系数均为0)。
移动平均MA(q)模型:当k>q时,有自相关系数rk=0或自相关系数rk服从N(0,且(|rk|>2/n1/2)的个数≤4.5%,即陀螺仪平稳时间序列的自相关系数rk为q步截尾,偏相关系数hk逐步衰减而不截尾,则序列是MA(q)模型。实际中,一般MA过程的PACF函数呈单边递减或阻尼振荡,所以用ACF函数判别(从q阶开始的所有自相关系数均为0)。
自回归移动平均ARMA(p,q)模型:陀螺仪的平稳时间序列的偏相关系数hk和自相关系数rk均不截尾,但较快收敛到0,则该时间序列可能是ARMA(p,q)模型。
(3)模型检验
对陀螺仪随机漂移的平稳序列建立模型后需要检验新建模型的合理性,若检验不通过,则调整(p,q)的值,重新估计参数和检验,反复进行直到接受为止,才能最终确定模型形式。可以用相关图检验拟合后的残差是否为白噪声,若是则模型合理,因为白噪声过程是序列无关的,所以白噪声过程的自相关函数和偏相关函数在相关图中均为等于零的水平直线。
步骤2:采用AIC最小准则法对步骤1得到的陀螺平稳序列进行模型定阶。构建ARMA模型,在对未来的数据预测拟合过程中,列出陀螺漂移序列的预测模型。
(1)AIC准则是一种考评综合最优配置的指标,它是拟合陀螺仪平稳序列数据的精度和参数未知个数的加权函数,AIC为:
AIC=2T-2ln(L) (3)
T是采集的陀螺仪平稳序列的数量,L是陀螺模型的极大似然函数。
(2)构建ARMA模型
在对未来的数据预测拟合过程中,列出陀螺漂移序列的预测模型。假如陀螺在t时刻的输出响应为xt,陀螺的输出序列{xt}(t=1,2,3,···),该输出不仅与t时刻以前的输出xt-1,xt-2···相关,而且还与以前时刻影响陀螺精度的扰动有关,建立自回归滑动平均系统ARMA(p,q),将序列表示为:
xt-φ1xt-1-···-φpxt-p=εt-θ1εt-1-···-θqεt-q (4)或记为:
φ(B)xt=θ(B)εt (5)
(4)式中,p是自回归多项式的阶数,q为滑动平均多项式阶数,xt与xt-1为相邻时刻陀螺的实时输出量。φi表示的是xt对xt-i的依赖程度,{εt}代表陀螺本身随机扰动的白噪声序列,εt-j为前j个时刻进入数据采集系统的扰动,θj为自相关系数。对MIMU陀螺仪的数据进行短期的预测,预测了100个数据点的陀螺输出数据,列出陀螺的漂移序列预测模型。
步骤3:提出组合模型对陀螺的随机漂移序列进行建模,从步骤2的ARMA模型的误差数据中选取训练集和测试集。
本发明主要构建基于ARMA和BP神经网络的组合模型,首先将陀螺仪随机漂移序列xt分为一个线性自相关的结构xt和一个非线性部分Nt的组合,用ARMA模型对输出的线性部分建模预测,设预测的结果为原陀螺序列与预测结果的残差为et,即:
从线性模型中求出的残差将只保留非线性关系,否则这个线性模型不完整,对残差{et}所构成的非线性关系用BP神经网络模型来逼近,设BP神经网络模型有n个输入,则残差序列的关系可表示为:
et=f(et-1,et-2,···,et-n)+εt (7)
式中{εt}是BP模型的随机误差序列,f是非线性函数,设预测结果为将两个模型的预测值相加作为该陀螺序列的预测值,即:
步骤4:建立ARMA模型相对原始陀螺随机漂移误差的BP神经网络预测模型,设置BP神经网络的结构,设定输入神经元、输出神经元和隐含层节点数,设置参数的学习效率和次数。
在建立BP神经网络模型中,陀螺仪序列当前时刻误差的输入值xt和输出量y的关系可用下面的通用式表达:
式中,xi(i=1,2,···,n)表示输入值;wi(i=1,2,···,n)表示权重;b表示阈值,y表示神经元的输出。BP神经网络,即多层前馈式误差反传神经网络,通常由输入层、输出层和若干隐含层构成,每层由若干个节点组成,每一个节点表示一个神经元,上层节点与下层节点之间通过权连接,层与层之间的节点采用全互联的连接方式,每层内节点之间没有连接,本发明使用的BP神经网络是含有一个隐含层的三层结构网络。n个输入信号从输入层进入网络,经激励函数变换后到达隐含层,再经过激励函数的映射变换到输出层构成m个输出信号。
设神经网络有n个输入神经元、m个输出神经元和p个隐层神经元,则神经元的输出为:
输出层神经元的输出为:
激励函数通常采用S型函数,如:
式12中的Q为调整激励函数形式的S型函数。
对陀螺漂移平稳随机序列建立的ARMA模型后的误差进行分组训练和测试。数据表示为[x1,x2,…,x5002],n个数据为一个采集的样本,把前n-1个数据[x1,x2,…,xn-1]T设为BP神经网络的输入数据,第n个数据xn作为要拟合预测的目标值。选取m个输入向量和目标向量,输入向量为p=[p1,p2,…,pm],其中pi=[xi,xi+1,…,xi+n-2]T,i=1,2,…,m。目标向量为[xn,xn+1,…,xn+m]T。不同的n和m在取值不同时,得到的模型预测精度也不同,本发明使用步骤3中的5002个陀螺误差数据,将误差信号每4个为一组作为输入向量,下一个数据为目标向量,,把前4902个数据作为训练数据,剩余100个数据用来预测和验证算法的精度,算法中的BP神经网络结构为4-9-1,即BP神经网络有4个输入,1个输出,用连续的前4项陀螺序列值来预测第5项,组成样本数据对网络进行训练。BP神经网络的输入神经元为4个,输出神经元1个,隐含层节点数为9个。对陀螺输出数据进行归一化处理,设置参数的学习效率和学习次数,对构建的网络进行训练,预测陀螺随机误差。
Claims (5)
1.基于ARMA和BPNN组合模型的MIMU陀螺随机漂移预测方法,其特征在于,包括以下几个步骤:
步骤1:对MIMU陀螺的实时输出数据进行预处理。在静止的状态下采集单轴陀螺的随机漂移数据,判断原始数据序列的平稳性,对陀螺的测试数据进行相关性检验,初步判定ARMA模型的阶数。
将微惯性测量单元MIMU安装在转台上,外接电源预热15分钟,使陀螺的数据基本达到一个趋于稳定的状态。对串口接收程序进行设置,在编写的导航系统界面观察陀螺输出并采集数据。从MIMU陀螺仪采集到的稳定数据中选取5002个随机误差数据,针对陀螺仪的确定性误差部分进行标定试验,对MIMU陀螺仪去除确定性误差,得到含有输出噪声的信号。
基于陀螺仪弱非线性和弱时变性的特点,将陀螺漂移作为时间序列问题处理,使用ARMA预测拟合的方法。观察自相关参数ACF和偏相关参数PACF的图形特性的拖尾性和截尾性,判断陀螺原始数据序列的平稳性,并进一步通过进行ADF单位根的检验,由一阶差分剔除序列的趋势项后得到平稳的数据,并由自相关系数和偏相关系数初步确定模型的阶数。
步骤2:采用AIC最小准则法对步骤1得到的陀螺平稳序列进行模型的确定性定阶。在数据拟合之后,判断数据残差的ACF和PACF图形基本是白噪声和是否收敛于信任上下限,并满足截尾的要求。构建ARMA模型,在对未来的数据预测拟合过程中,列出陀螺漂移序列的预测模型。
假如陀螺在t时刻的输出响应为xt,陀螺的输出序列{xt}(t=1,2,3,…),该输出不仅与t时刻以前的输出xt-1,xt-2···相关,而且还与以前时刻影响陀螺精度的扰动有关,建立自回归滑动平均系统ARMA(p,q),将序列表示为:
xt-φ1xt-1-…-φpxt-p=εt-θ1εt-1-…-θqεt-p (1)
或记为:
φ(B)xt=θ(B)εt (2)
(1)式中,p是自回归多项式的阶数,q为滑动平均多项式阶数,xt与xt-1为相邻时刻陀螺的实时输出量。φi表示的是xt对xt-i的依赖程度,{εt}代表陀螺本身随机扰动的白噪声序列,εt-j为前j个时刻进入数据采集系统的扰动,θj为自相关系数。对MIMU陀螺仪的数据进行短期的预测,预测了100个数据点的陀螺输出数据,列出陀螺的漂移序列预测模型。
步骤3:提出组合模型对陀螺的随机漂移序列进行建模,从步骤2的ARMA模型的误差数据中选取训练集和测试集。
本发明主要构建基于ARMA和BP神经网络的组合模型,首先将陀螺仪随机漂移序列xt分为一个线性自相关的结构xt和一个非线性部分Nt的组合,用ARMA模型对输出的线性部分建模预测,设预测的结果为原陀螺序列与预测结果的残差为et,即:
<mrow>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>L</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
从线性模型中求出的残差将只保留非线性关系,否则这个线性模型不完整,对残差{et}所构成的非线性关系用BP神经网络模型来逼近,设BP神经网络模型有n个输入,则残差序列的关系可表示为:
et=f(et-1,et-2,…,et-n)+εt (4)
式中{εt}是BP模型的随机误差序列,f是非线性函数,设预测结果为将两个模型的预测值相加作为该陀螺序列的预测值,即:
<mrow>
<mover>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>^</mo>
</mover>
<mo>=</mo>
<mover>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>^</mo>
</mover>
<mo>+</mo>
<mover>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mo>^</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4:建立ARMA模型相对原始陀螺随机漂移误差的BP神经网络预测模型,设置BP神经网络的结构,设定输入神经元、输出神经元和隐含层节点数,设置参数的学习效率和次数。
在建立BP神经网络模型中,陀螺仪序列当前时刻误差的输出值yt和输入量yt-1,yt-2,…,yt-p的关系可用下式表达:
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:wij(i=1,2,3,…,m;j=1,2,…,n)和wj(j=0,1,2,…,n)为建立的基于ARMA模型的陀螺误差的BP神经网络模型的参数,m是模型输入层的节点个数,n是隐含层节点个数。基于陀螺仪随机漂移误差数据建立的神经网络模型实际上反映了序列的前期观察值输入和输出的非线性函数映射关系,即:
yt=f(yt-1,yt-2,…,yt-p,w)+εt (7)
BP神经网络对误差进行预测建模时,使用相同的5002个陀螺误差数据,把前4902个数据作为训练数据,剩余100个数据用来预测和验证算法的精度,算法中的BP神经网络结构为4-9-1,即BP神经网络有4个输入,1个输出,用连续的前4项陀螺序列值来预测第5项,组成样本数据对网络进行训练。BP神经网络的输入神经元为4个,输出神经元1个,隐含层节点数为9个。对陀螺输出数据进行归一化处理,设置参数的学习效率和学习次数,对构建的网络进行训练,预测陀螺随机误差。
2.根据权利要求1所述的基于ARMA和BPNN组合模型的MIMU陀螺随机漂移预测方法,其特征在于,步骤1中,采用自相关系数和偏相关系数初步确定陀螺随机漂移的ARMA模型的阶数。
3.根据权利要求1所述的基于ARMA和BPNN组合模型的MIMU陀螺随机漂移预测方法,其特征在于,步骤2中,建立陀螺随机漂移的ARMA模型对信号进行处理。
4.根据权利要求1所述的基于ARMA和BPNN组合模型的MIMU陀螺随机漂移预测方法,其特征在于,步骤3中,构建ARMA和BP神经网络的组合模型对陀螺的随机漂移进行预测拟合,完整地融合陀螺漂移的线性和非线性特性。
5.根据权利要求1所述的基于ARMA和BPNN组合模型的MIMU陀螺随机漂移预测方法,其特征在于,步骤4中,建立ARMA模型相对原始陀螺随机漂移误差的BP神经网络预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710390750.8A CN107330149B (zh) | 2017-05-27 | 2017-05-27 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710390750.8A CN107330149B (zh) | 2017-05-27 | 2017-05-27 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330149A true CN107330149A (zh) | 2017-11-07 |
CN107330149B CN107330149B (zh) | 2022-10-28 |
Family
ID=60194057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710390750.8A Expired - Fee Related CN107330149B (zh) | 2017-05-27 | 2017-05-27 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330149B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168577A (zh) * | 2017-12-22 | 2018-06-15 | 清华大学 | 基于bp神经网络的mems陀螺随机误差补偿方法 |
CN108196957A (zh) * | 2017-12-28 | 2018-06-22 | 福州大学 | 一种云环境下的主机负载预测方法 |
CN108332776A (zh) * | 2018-03-22 | 2018-07-27 | 湖北三江航天万峰科技发展有限公司 | Mems陀螺随机误差组合预测模型的构建方法 |
CN108734341A (zh) * | 2018-04-27 | 2018-11-02 | 广东电网有限责任公司 | 一种基于时间序列arma模型的自组织电力负荷预报方法 |
CN110749337A (zh) * | 2019-10-11 | 2020-02-04 | 南京航空航天大学 | 一种基于深度神经网络的mimu误差补偿方法 |
CN111174806A (zh) * | 2018-11-13 | 2020-05-19 | 千寻位置网络有限公司 | 一种gnss/ins融合定位结果异常来源检测方法及装置 |
CN111238463A (zh) * | 2020-01-19 | 2020-06-05 | 湖北三江航天红峰控制有限公司 | 一种基于随机序列数字闭环光纤陀螺的调制方法及装置 |
CN111275328A (zh) * | 2020-01-19 | 2020-06-12 | 哈尔滨工业大学(威海) | 基于综合灰关联序的rngru位标器零部件选配方法 |
CN111397637A (zh) * | 2020-06-01 | 2020-07-10 | 湖南跨线桥航天科技有限公司 | 双轴旋转调制式导航系统的陀螺仪随机游走误差抑制方法 |
CN111561930A (zh) * | 2020-04-28 | 2020-08-21 | 南京工业大学 | 一种车载mems陀螺仪随机漂移误差的抑制方法 |
CN113091740A (zh) * | 2021-03-22 | 2021-07-09 | 浙江兆晟科技股份有限公司 | 一种基于深度学习的稳定云台陀螺仪漂移实时修正方法 |
CN117029796A (zh) * | 2023-10-09 | 2023-11-10 | 武汉优米捷光电子制造有限责任公司 | 一种基于单轴旋转方案的高精度mems寻北方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5434783A (en) * | 1993-01-06 | 1995-07-18 | Nissan Motor Co., Ltd. | Active control system |
CN101158588A (zh) * | 2007-11-16 | 2008-04-09 | 北京航空航天大学 | 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法 |
US20130308002A1 (en) * | 2012-05-17 | 2013-11-21 | Samsung Electronics Co. Ltd. | Apparatus and method for adaptive camera control method based on predicted trajectory |
CN103411628A (zh) * | 2013-08-14 | 2013-11-27 | 西北工业大学 | 一种mems陀螺仪随机漂移误差的处理方法 |
CN103512569A (zh) * | 2013-09-29 | 2014-01-15 | 北京理工大学 | 基于离散小波多尺度分析的mems陀螺仪随机误差补偿方法 |
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN103900610A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN104048676A (zh) * | 2014-06-26 | 2014-09-17 | 哈尔滨工程大学 | 基于改进粒子滤波的mems陀螺随机误差补偿方法 |
CN104101344A (zh) * | 2014-07-11 | 2014-10-15 | 哈尔滨工程大学 | 基于粒子群小波网络的mems陀螺随机误差补偿方法 |
CN104251712A (zh) * | 2014-10-09 | 2014-12-31 | 哈尔滨工程大学 | 基于小波多尺度分析的mems陀螺随机误差补偿方法 |
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN106600055A (zh) * | 2016-12-12 | 2017-04-26 | 华北电力大学(保定) | 一种基于自激励门限自回归模型的风速预测方法 |
-
2017
- 2017-05-27 CN CN201710390750.8A patent/CN107330149B/zh not_active Expired - Fee Related
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5434783A (en) * | 1993-01-06 | 1995-07-18 | Nissan Motor Co., Ltd. | Active control system |
CN101158588A (zh) * | 2007-11-16 | 2008-04-09 | 北京航空航天大学 | 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法 |
US20130308002A1 (en) * | 2012-05-17 | 2013-11-21 | Samsung Electronics Co. Ltd. | Apparatus and method for adaptive camera control method based on predicted trajectory |
CN103411628A (zh) * | 2013-08-14 | 2013-11-27 | 西北工业大学 | 一种mems陀螺仪随机漂移误差的处理方法 |
CN103512569A (zh) * | 2013-09-29 | 2014-01-15 | 北京理工大学 | 基于离散小波多尺度分析的mems陀螺仪随机误差补偿方法 |
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN103900610A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN104048676A (zh) * | 2014-06-26 | 2014-09-17 | 哈尔滨工程大学 | 基于改进粒子滤波的mems陀螺随机误差补偿方法 |
CN104101344A (zh) * | 2014-07-11 | 2014-10-15 | 哈尔滨工程大学 | 基于粒子群小波网络的mems陀螺随机误差补偿方法 |
CN104251712A (zh) * | 2014-10-09 | 2014-12-31 | 哈尔滨工程大学 | 基于小波多尺度分析的mems陀螺随机误差补偿方法 |
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN106600055A (zh) * | 2016-12-12 | 2017-04-26 | 华北电力大学(保定) | 一种基于自激励门限自回归模型的风速预测方法 |
Non-Patent Citations (4)
Title |
---|
吉世涛 等: "陀螺随机漂移建模研究", 《弹箭与制导学报》 * |
吉训生 等: "MEMS陀螺仪随机漂移误差研究", 《宇航学报》 * |
王昊 等: "梯度RBF神经网络在MEMS陀螺仪随机漂移建模中的应用", 《中国惯性技术学报》 * |
高文超 等: "基于时间序列建模的陀螺仪随机误差分析", 《机械工程师》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168577A (zh) * | 2017-12-22 | 2018-06-15 | 清华大学 | 基于bp神经网络的mems陀螺随机误差补偿方法 |
CN108196957A (zh) * | 2017-12-28 | 2018-06-22 | 福州大学 | 一种云环境下的主机负载预测方法 |
CN108332776A (zh) * | 2018-03-22 | 2018-07-27 | 湖北三江航天万峰科技发展有限公司 | Mems陀螺随机误差组合预测模型的构建方法 |
CN108332776B (zh) * | 2018-03-22 | 2020-06-02 | 湖北三江航天万峰科技发展有限公司 | Mems陀螺随机误差组合预测模型的构建方法 |
CN108734341A (zh) * | 2018-04-27 | 2018-11-02 | 广东电网有限责任公司 | 一种基于时间序列arma模型的自组织电力负荷预报方法 |
CN111174806B (zh) * | 2018-11-13 | 2022-02-01 | 千寻位置网络有限公司 | 一种gnss/ins融合定位结果异常来源检测方法及装置 |
CN111174806A (zh) * | 2018-11-13 | 2020-05-19 | 千寻位置网络有限公司 | 一种gnss/ins融合定位结果异常来源检测方法及装置 |
CN110749337A (zh) * | 2019-10-11 | 2020-02-04 | 南京航空航天大学 | 一种基于深度神经网络的mimu误差补偿方法 |
CN110749337B (zh) * | 2019-10-11 | 2023-10-31 | 南京航空航天大学 | 一种基于深度神经网络的mimu误差补偿方法 |
CN111275328A (zh) * | 2020-01-19 | 2020-06-12 | 哈尔滨工业大学(威海) | 基于综合灰关联序的rngru位标器零部件选配方法 |
CN111275328B (zh) * | 2020-01-19 | 2022-02-22 | 哈尔滨工业大学(威海) | 基于综合灰关联序的rngru位标器零部件选配方法 |
CN111238463A (zh) * | 2020-01-19 | 2020-06-05 | 湖北三江航天红峰控制有限公司 | 一种基于随机序列数字闭环光纤陀螺的调制方法及装置 |
CN111561930A (zh) * | 2020-04-28 | 2020-08-21 | 南京工业大学 | 一种车载mems陀螺仪随机漂移误差的抑制方法 |
CN111397637B (zh) * | 2020-06-01 | 2020-09-04 | 湖南跨线桥航天科技有限公司 | 双轴旋转调制式惯性导航系统的陀螺仪随机游走误差抑制方法 |
CN111397637A (zh) * | 2020-06-01 | 2020-07-10 | 湖南跨线桥航天科技有限公司 | 双轴旋转调制式导航系统的陀螺仪随机游走误差抑制方法 |
CN113091740A (zh) * | 2021-03-22 | 2021-07-09 | 浙江兆晟科技股份有限公司 | 一种基于深度学习的稳定云台陀螺仪漂移实时修正方法 |
CN117029796A (zh) * | 2023-10-09 | 2023-11-10 | 武汉优米捷光电子制造有限责任公司 | 一种基于单轴旋转方案的高精度mems寻北方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107330149B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330149A (zh) | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 | |
CN109188026B (zh) | 适用于mems加速度计的自动标定的深度学习方法 | |
CN107391818B (zh) | 一种基于状态观测器的振动模态参数识别方法 | |
CN103389472B (zh) | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 | |
CN111258297A (zh) | 基于数据融合网络的设备健康指标构建及寿命预测方法 | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
WO2018048897A1 (en) | Fused sensor ensemble for navigation and calibration process therefor | |
Sankararaman et al. | Uncertainty quantification in structural damage diagnosis | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及系统 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
CN111879348A (zh) | 一种惯性仪表性能地面测试系统效能分析方法 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
CN111238534A (zh) | 基于证据推理的激光惯组最优测试时机确定方法 | |
Zhong et al. | Recursive combined subspace identification technique for tracking dynamic characteristics of structures under earthquake excitation | |
CN109471192A (zh) | 一种全自动重力测试仪高精度动态数据处理方法 | |
CN117032172A (zh) | 一种基于数模联动的故障诊断方法及系统 | |
Oosterom et al. | Virtual sensor for the angle-of-attack signal in small commercial aircraft | |
CN109598371B (zh) | 一种飞行器载电子设备的温度预测方法及系统 | |
CN111177966A (zh) | 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法 | |
CN105447228A (zh) | 一种地球扰动引力赋值模型适用性能评估方法 | |
Unsal et al. | Implementation of identification system for IMUs based on Kalman filtering | |
CN113552804A (zh) | 一种基于qr-frols算法的转子系统narx建模方法 | |
CN113553689A (zh) | 用于仿真技术系统的方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221028 |