CN108120451A - 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 - Google Patents
基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 Download PDFInfo
- Publication number
- CN108120451A CN108120451A CN201711394079.0A CN201711394079A CN108120451A CN 108120451 A CN108120451 A CN 108120451A CN 201711394079 A CN201711394079 A CN 201711394079A CN 108120451 A CN108120451 A CN 108120451A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- particle
- neural network
- temperature
- 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.)
- Pending
Links
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
-
- 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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统,为了提高温度补偿精度而设计。本发明的方法包括:获取PSO寻优和BP神经网络的训练样本;基于训练样本构建BP神经网络,利用自适应权重PSO优化出的最优极值点作为BP神经网络的模型的初始权值和阈值;在PSO算法中引入变异操作,粒子每次更新后以一定的概率重新初始化粒子,变异操作拓展了在迭代中不断缩小的种群搜索空间;通过调用参数建立BP神经网络,实现对硅微加速度计的实时温度补偿并输出。本发明解决了求解最优补偿结果以及温度全局性的问题,最终实现硅微加速度计补偿精度的提升以及全局性改善。
Description
技术领域
本发明属于MEMS加速度计温度补偿领域,具体涉及一种基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统。
背景技术
MEMS加速度计是微小型惯性导航系统中非常重要的元件之一,其性能的优劣程度对导航系统的姿态、速度和定位精度均产生直接的影响。它具有体积小、结构重量轻、造价成本低等优点,因此广泛应用于军事、工业和商业等诸多领域。环境因素是影响系统精度的重要因素,而温度更是影响MEMS加速度计可靠性的和精度的重要因素。随着环境温度的变化,由于硅基材料的噪声以及热胀冷缩效应、残余应力等因素的影响,其输出均会产生温度漂移。MEMS加速度计随环境温度变化而产生的测量误差是制约加速度计性能提升,限制其应用场合的关键因素之一。因此,在实际应用中必须采取有效措施减小环境温度变化对MEMS加速度计精度产生的影响,使补偿后的MEMS加速度计能够应用在高精度或者大温差场合。
目前一般有三种措施可以抑制温度产生的影响。第一,优化MEMS加速度计结构或工艺,来降低温度对传感器的影响;第二,控制MEMS加速度计工作环境的温度;第三,准确分析环境温度的影响规律,建立准确的温度补偿模型,采用软件的方法进行温度补偿。前两种方法实现较为复杂,从工程应用的角度来说,成本较高,周期较长,所以工程中多采用第三种软件补偿方案。常用补偿方法有多项式拟合、小波网络、向量机和BP神经网络等。
但是,现有技术分别从敏感结构和工艺角度、工作环境以及电路系统中软件偿等方面对硅微加速度计温度影响进行补偿。敏感结构和工艺改进虽然能对温度漂移起到一定的效果,但达不到工程需求,而现有成果过报道中的软件补偿对全温性能和计算复杂性均存在较大的局限性。特别是在全温范围补偿性能方面还没有比较好的成果报道,即使PSO_BP补偿方法也未见在MEMS加速度计中的应用。
鉴于上述的缺陷,本设计人积极加以研究创新,以期创设一种基于改进PSO优化神经网络的硅微加速度计温度补偿方法,使其更具有产业上的利用价值。
发明内容
为解决上述技术问题,本发明的目的是提供一种实现方便、可靠性高、全局性好、补偿精度高、具有良好的自适应性、自组织性和学习能力强的以及抗干扰能力强的基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统。
为达到上述发明目的,本发明基于改进PSO优化神经网络的硅微加速度计温度补偿方法,包括:
S1分别测量硅微加速度计在N个不同温度点下的多组加速度输出量和实时温度值,作为PSO极值点寻优和BP神经网络的训练样本;
S2构建BP神经网络,设置BP神经网络输入、输出层及隐含层的神经元个数、各层传递函数以及网络训练参数,通过BP神经网络自学习得到加速度计的温度补偿模型参数;判断是否达到BP神经网络训练的要求,若达到,利用PSO优化出的最优极值点作为BP神经网络的模型的初始权值和阈值,跳转到S3;若未达到,则使用BP神经网络训练函数对各层权值和阈值进行训练;
S3存储得到的补偿模型参数,通过调用参数建立BP神经网络,实现对硅微加速度计的实时温度补偿并输出。
进一步地,BP神经网络的模型的初始权值和阈值的确定方法包括:
粒子群初始化,设置粒子群参数,包括:粒子数、粒子群维度、粒子初始位置及初始速度、迭代次数、惯性权重以及学习因子;
针对每个粒子当前位置计算适应度值,粒子每更新一次位置,就计算一次适应度,记录每个粒子的历史极点位置以及种群历史最优极点位置;
判断粒子适应度是否达到要求或迭代次数是否达到最大,若达到,将优化后的权值和阈值作为神经网络训练的初始值。
进一步地,根据粒子适应度值调节权重,在适应度较高时,增大惯性权重加速收敛,在适应度较低时,减小惯性权重,计算公式如下:
ωmin和ωmax分别为惯性权重的最小值和最大值,f,fmin,fa分别为当前粒子适应度值,适应度最小值和平均值。
进一步地,在PSO算法中引入变异操作,即对粒子初始位置以预定的概率重新初始化。
进一步地,每个粒子更新自身位置和速度通过如下公式确定:
式中,ω为惯性权重,c1,c2为学习因子,r1,r2为[0,1]之间的随机数,β为约束因子,和分别为粒子i在第k次迭代中的位置和速度,和分别为第k次迭代粒子i个体极值的位置和群体全局极值的位置。
进一步地,粒子通过适应度函数计算个体适应度fj,具体公式表示如下:
式中,fj为第j个体的适应度;m为BP神经网络的输出层节点数;yi为第i个节点的期望输出;为第i个节点的预测输出;k为常系数。
为达到上述发明目的,本发明基于改进PSO优化神经网络的硅微加速度计温度补偿系统,包括:控温箱、微处理器;
所述控温箱,设置N个逐次升高的温度,分别在N个温度点下测量硅微加速度计的多组加速度输出量和实时温度值,作为PSO极值点寻优和BP神经网络的训练样本,将训练样本输出至微处理器;
所述微处理器,包括:PSO寻优单元、BP神经网络单元、补偿单元,
所述PSO寻优单元,运行粒子群优化算法优化出最优极值点;
所述BP神经网络单元,构建BP神经网络,设置BP神经网络输入、输出层及隐含层的神经元个数、各层传递函数以及网络训练参数,对BP神经网络进行训练,通过BP神经网络自学习得到加速度计的温度补偿模型参数;判断是否达到BP神经网络训练的要求,若达到,将所述PSO寻优单元得到的最优极值点作为BP神经网络的模型的初始权值和阈值,将得到的补偿模型参数输出至补偿单元;若未达到,则使用BP神经网络训练函数对各层权值和阈值进行训练;
所述补偿单元,存储所述补偿模型参数,通过调用参数建立BP神经网络,实现对硅微加速度计的实时温度补偿并输出。
进一步地,所述PSO寻优单元包括:
初始化模块,用于粒子群初始化,设置粒子群参数,具体包括:粒子数、粒子群维度、粒子初始位置及初始速度、迭代次数、惯性权重以及学习因子;
位置确定模块,针对每个粒子当前位置计算适应度值,粒子每更新一次位置,就计算一次适应度,记录每个粒子的历史极点位置以及种群历史最优极点位置;
判断模块,用于判断粒子适应度是否达到要求或迭代次数是否达到最大,若达到,将优化后的权值和阈值作为神经网络训练的初始值。
进一步地,还包括权重调节模块,用于根据粒子适应度值调节权重,在适应度较高时,增大惯性权重加速收敛,在适应度较低时,减小惯性权重,计算公式如下:
ωmin和ωmax分别为惯性权重的最小值和最大值,f,fmin,fa分别为当前粒子适应度值,适应度最小值和平均值。
进一步地,粒子位置初始化模块,用于在PSO算法中引入变异操作,即对粒子初始位置以预定的概率重新初始化。
借由上述方案,本发明基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统系统至少具有以下优点:
本发明根据粒子适应度值调节权重,在适应度较高时,增大惯性权重加速收敛,在适应度较低时,减小惯性权重以提高其全局搜索能力避免陷入局部最优解。
本发明在PSO中引入变异操作,即对某些变量以一定的概率重新初始化。变异操作拓展了在迭代中不断缩小的种群搜索空间,使粒子能够跳出先前搜索到的最优值位置,在更大的空间中开展搜索,同时保持了种群的多样性,提高了算法寻找到最优值的可能性。
本发明以高度集成的微处理器为核心,制作成了易于装配的微小模块,可以和硅微加速度计封装在尺寸较小的模块中,易于满足工程装配的要求。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明基于改进PSO优化神经网络的硅微加速度计温度补偿方法的流程图;
图2是本发明的BP神经网络模型图;
图3是本发明的微处理器运行程序框图;
图4是本发明的温箱转台工控测试系统框图;
图5是本发明的具体实施时硅微加速度计补偿系统框图;
图6是本发明的硅微加速度计补偿方法的电源电路图;
图7是本发明的数据采集单元模块电路图;
图8是本发明的系统数字接口单元模块电路图;
图9是本发明的数模转换模块电路图;
图10是本发明的硅微加速度计补偿前后全温下非线性对比图;上面的曲线为补偿前,下面的曲线为补偿后;
图11是本发明的硅微加速度计补偿前后标度因数温度系数系数、零偏温度系数、全温零偏极差对比图;左侧柱状图为补偿前,右侧柱状图为补偿后;
图12是本发明的硅微加速度计PSO优化的BP补偿前后全温下全局性的数据图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
名词解释,PSO:粒子群算法,也称粒子群优化算法或鸟群觅食算法(ParticleSwarm Optimization),缩写为PSO。
实施例1
参见图1至3所示,本实施例基于改进PSO优化神经网络的硅微加速度计温度补偿方法,包括:
S1在N个温度点下测量加速度计的多组加速度输出量和实时温度值,计算所述的加速度输出量和实时温度值的平均值作为PSO寻优和BP神经网络的训练样本;
S2基于训练样本构建BP神经网络,并设置BP神经网络输入、输出层及隐含层的神经元个数、各层传递函数以及网络训练参数,利用PSO优化出的最优极值点作为BP神经网络的模型的初始权值和阈值,对BP神经网络进行训练,判断是否达到BP神经网络训练的要求,若达到,则跳转到S3;若未达到,则使用BP神经网络训练函数对各层权值和阈值进行训练;
S3将S2中得到的补偿模型参数存在微处理器的存储器中,编写程序,通过调用参数建立BP神经网络,实现对硅微加速度计的实时温度补偿并输出。
本实施例中,粒子群初始化,设置粒子群参数,包括:粒子数、粒子群维度、粒子初始位置及初始速度、迭代次数、惯性权重以及学习因子;初试化一群粒子,每个粒子代表极值优化问题的一个潜在最优解,用位置、速度和适应度值三项指标表示粒子的特征。粒子每更新一次位置,就计算一次适应度值,并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。
针对每个粒子当前位置计算适应度值,记录每个粒子的历史极点位置以及种群历史最优极点位置;每个粒子根据下面的个式子更新自身的位置和速度。
式中,ω为惯性权重,c1,c2为学习因子,通常取值为2,r1,r2为[0,1]之间的随机数,β为约束因子,通常为1,和分别为粒子i在第k次迭代中的位置和速度,和分别为第k次迭代粒子i个体极值的位置和群体全局极值的位置。
判断粒子适应度是否达到要求或迭代次数是否达到最大,若达到,将优化后的权值和阈值作为神经网络训练的初始值。粒子通过适应度函数计算个体适应度fj。
式中fj为第j个体的适应度;m为BP神经网络的输出层节点数;yi为第i个节点的期望输出;为第i个节点的预测输出;k为常系数。
惯性权重较大时有利于搜索全局最优解,但是效率较低,算法开销比较大;惯性权重较小时收敛速度加快,但是容易陷入局部最优解。本发明采用了依据粒子适应度值自适应改变权重的粒子群优化算法,可根据粒子适应度值调节权重,在适应度较高时,增大惯性权重加速收敛,在适应度较低时,减小惯性权重以提高其全局搜索能力避免陷入局部最优解。具体计算公式如下:
ωmin和ωmax分别为惯性权重的最小值和最大值,f,fmin,fa分别为当前粒子适应度值,适应度最小值和平均值。
粒子群优化算法收敛速度快,具有很强的通用性,但同时存在着容易早熟收敛、搜索精度较低、后期迭代效率不高等缺点。在PSO中引入变异操作,即对某些变量以一定的概率重新初始化。变异操作拓展了在迭代中不断缩小的种群搜索空间,使粒子能够跳出先前搜索到的最优值位置,在更大的空间中开展搜索,同时保持了种群的多样性,提高了算法寻找到最优值的可能性。在普通粒子群算法中引入了简单的变异算子,基本思想就是粒子每次更新后,以一定的概率重新初始化粒子,MATLAB代码如下:
if rand>0.9
k=ceil(2*rand);
pop(j,k)=rand;
end
根据所得的训练样本,优选BP神经网络为三层,隐含层神经元为15个。其中应用梯度下降和高斯牛顿法修改权值的准则如下:
Δw=(JTJ+μI)-1×JTe
w(t+1)=w(t)+Δw
式中:J为网络误差对权值导数的雅可比矩阵;e为误差向量;μ为自适应调整标量。
网络目标误差函数为
当网络训练误差小于预先设定误差或者网络学习次数达到预先设定值时,将自适应出一组网络模型权值和阈值参数,分别为
Wih=net.iw{1,1}
Who=net.iw{2,1}
bh=net.b{1}
bo=net.b{2}
式中:Wih为15×2矩阵;Who为1×15矩阵;bh为1×15矩阵;bo为1×1矩阵。
在MATLAB上编程实现,设置粒子群算法种群规模为40,迭代次数300,速度更新参数c1,c2为2,最大惯性权重和最小惯性权重分别为0.90和0.30,设置BP神经网络训练次数为2500次,学习步长为0.15,最小均方误差为10-13,最小梯度为10-11,通过训练得出全局最优的网络权值和阈值参数如下:
实施例2
本实施例基于改进PSO优化神经网络的硅微加速度计温度补偿系统,包括:控温箱、微处理器;
所述控温箱,设置N个逐次升高的温度,分别在N个温度点下测量硅微加速度计的多组加速度输出量和实时温度值,作为PSO极值点寻优和BP神经网络的训练样本,将训练样本输出至微处理器;
所述微处理器,包括:PSO寻优单元、BP神经网络单元、补偿单元,
所述PSO寻优单元,运行粒子群优化算法优化出最优极值点;
所述BP神经网络单元,构建BP神经网络,设置BP神经网络输入、输出层及隐含层的神经元个数、各层传递函数以及网络训练参数,对BP神经网络进行训练,通过BP神经网络自学习得到加速度计的温度补偿模型参数;判断是否达到BP神经网络训练的要求,若达到,将所述PSO寻优单元得到的最优极值点作为BP神经网络的模型的初始权值和阈值,将得到的补偿模型参数输出至补偿单元;若未达到,则使用BP神经网络训练函数对各层权值和阈值进行训练;
所述补偿单元,存储所述补偿模型参数,通过调用参数建立BP神经网络,实现对硅微加速度计的实时温度补偿并输出。
本实施例中,所述PSO寻优单元包括:
初始化模块,用于粒子群初始化,设置粒子群参数,具体包括:粒子数、粒子群维度、粒子初始位置及初始速度、迭代次数、惯性权重以及学习因子;
位置确定模块,针对每个粒子当前位置计算适应度值,粒子每更新一次位置,就计算一次适应度,记录每个粒子的历史极点位置以及种群历史最优极点位置;
判断模块,用于判断粒子适应度是否达到要求或迭代次数是否达到最大,若达到,将优化后的权值和阈值作为神经网络训练的初始值。
本实施例,还包括权重调节模块,用于根据粒子适应度值调节权重,在适应度较高时,增大惯性权重加速收敛,在适应度较低时,减小惯性权重,计算公式如下:
ωmin和ωmax分别为惯性权重的最小值和最大值,f,fmin,fa分别为当前粒子适应度值,适应度最小值和平均值。粒子位置初始化模块,用于在PSO算法中引入变异操作,即对粒子初始位置以预定的概率重新初始化。
本实施例所述的系统采用上述实施例1所述的方法运行,其运行的优点与上述实施例1中记载的优点相同,在此不再赘述。
参见图4所示,本发明以带温箱双轴转台为测试平台,离心机滑环输出的数据经RS232串口读入到工控机,经相关数据处理软件求得输出结果。本发明采用集成了温度传感器和低功耗的ASIC专用接口电路的扭摆式硅微加速度计为补偿对象,在全温测试时,测试程序控制温箱温度从-25℃分别以5℃、10℃间隔升高到60℃,总共设置12个温度采集点,并在每个温度采集点保温一小时后,控制转台从-20g以2g为间隔逐步升高至20g,加速度稳定10s后进行数据采集。将采集到的数据作为BP神经网络以及PSO寻优的训练样本。
参见图3所示,为微处理器运行程序流程图。首先程序初始化,微处理器控制模数转换器ADC进行采样并读取加速度计输出的加速度信号V和温度信号T,将这两路信号作为PSO_BP神经网络的输入,然后调用上面训练得到的模型权值与阈值参数,运行BP神经网络模型得到补偿后加速度a,将补偿后的加速度值a代入输入输出模型得到补偿后的电压输出值:
式中:SF0为标度因数的标定常量;Bias0为零偏的标定常量;为加速度计温度补偿后输出。
计算得到补偿值,最后进行数字输出,设置输出速率为200Hz;为了方便补偿前后数据的比较和数据传输的准确性,设计数字接口发送数据结构为帧头(2个字节)+补偿之前输出(3个字节)+温度(3个字节)+补偿之后输出(3个字节)+校验(1个字节)。
参见图5所示,本发明基于改进PSO优化神经网络的硅微加速度计温度补偿系统在实际应用中搭建的电路框图,包括硅微加速度计、高精度AD数据采集单元、微处理器单元、数字接口单元、电源管理单元、DA转换单元,将加速度传感器、数据采集单元、微处理器单元和数字接口单元依次连接,实现补偿后的电压实时输出。
本发明的微处理器芯片采用ST公司的STM32F405RG,数据采集单元采用AD公司的AD7190,MAXIN公司的MAX491作为RS_422的数字输出接口芯片。
参见图6所示,为本系统电源管理单元模块,加速度计、AD芯片、DA芯片、数字接口芯片、放大器采用采用LT1962EMS8-5基准源提供5V供电,采用高精度低噪声基准源ADR441BRZ-ND为加速度计提供精准的2.5V偏置电压,采用高精度低噪声基准源ADR4550ARZ为高精度AD芯片和DA芯片提供精准的5V参考电压,采用基准源ADP3338AKCZ-3.3为微控制器提供3.3V电压。
参见图7所示,为系统的数据采集单元模块,系统采用24位高精度低噪声的AD7190,采用ADR4550ARZ作为5V基准源,并采用ADP3338AKCZ-3.3提供3.3V数字电源,各电源端和基准源端接入滤波电容,滤除纹波的影响。设置AD工作在双路差分工作模式,采集加速度计的电压输出和温度输出,通过SPI接口与微控制器通信,输出速率设置2400Hz,满足加速度计工作频率要求。
参见图8所示,为数字输出接口单元模块,包括RS_422的数字输出接口芯片MAX491,以及为方便与外部连线进行测量和安装,在整个系统中提供的电路板供电电源、ARM电路下载和RS_422数字输出接线端口。
参见图9所示,为本系统数模转换模块,系统采用18位高精度DAC9881,通过SPI通信接口与微控制器进行数据通信,将微控制器补偿后的数字电压输出转换成模拟电压输出。
参见图10至图12所示,为系统补偿前后全温下的非线性度、标度因数温度系数、全温零偏、全局最优性的对比显示,证明了补偿后各性能均得到了改善。
本发明测试结果表明,通过该方法补偿后的标度因数温度系数、全温零偏极差和非线性分别由141ppm/℃、109.11mg和3333ppm下降为13.21ppm/℃、7.5mg和308ppm,分别将性能大约提高10、15和10倍,补偿效果明显优于已公开报道的成果。
本发明通过实时调整粒子的惯性权重平衡粒子群算法的全局寻优和局部寻优的能力,提高BP神经网络的全局寻优能力以及稳定性。在PSO算法中引入变异操作,粒子每次更新后以一定的概率重新初始化粒子。变异操作拓展了在迭代中不断缩小的种群搜索空间,使粒子能够跳出先前搜索到的最优值位置,在更大的空间中开展搜索,同时保持了种群多样性,提高了算法寻优到更优值的可能性,能够跳出局部极小值点,从而解决了求解最优补偿结果以及温度全局性的问题,最终实现硅微加速度计补偿精度的提升以及全局性改善。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于改进PSO优化神经网络的硅微加速度计温度补偿方法,其特征在于,包括:
S1分别测量硅微加速度计在N个不同温度点下的多组加速度输出量和实时温度值,作为PSO极值点寻优和BP神经网络的训练样本;
S2构建BP神经网络,设置BP神经网络输入、输出层及隐含层的神经元个数、各层传递函数以及网络训练参数,通过BP神经网络自学习得到加速度计的温度补偿模型参数;判断是否达到BP神经网络训练的要求,若达到,利用PSO优化出的最优极值点作为BP神经网络的模型的初始权值和阈值,跳转到S3;若未达到,则使用BP神经网络训练函数对各层权值和阈值进行训练;
S3存储得到的补偿模型参数,通过调用参数建立BP神经网络,实现对硅微加速度计的实时温度补偿并输出。
2.根据权利要求1所述的基于改进PSO优化神经网络的硅微加速度计温度补偿方法,其特征在于,BP神经网络的模型的初始权值和阈值的确定方法包括:
粒子群初始化,设置粒子群参数,包括:粒子数、粒子群维度、粒子初始位置及初始速度、迭代次数、惯性权重以及学习因子;
针对每个粒子当前位置计算适应度值,粒子每更新一次位置,就计算一次适应度,记录每个粒子的历史极点位置以及种群历史最优极点位置;
判断粒子适应度是否达到要求或迭代次数是否达到最大,若达到,将优化后的权值和阈值作为神经网络训练的初始值。
3.根据权利要求2所述的基于改进PSO优化神经网络的硅微加速度计温度补偿方法,其特征在于,根据粒子适应度值调节权重,在适应度较高时,增大惯性权重加速收敛,在适应度较低时,减小惯性权重,计算公式如下:
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>min</mi>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
<mo>(</mo>
<mi>f</mi>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>&le;</mo>
<msub>
<mi>f</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>&GreaterEqual;</mo>
<msub>
<mi>f</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
ωmin和ωmax分别为惯性权重的最小值和最大值,f,fmin,fa分别为当前粒子适应度值,适应度最小值和平均值。
4.根据权利要求3所述的基于改进PSO优化神经网络的硅微加速度计温度补偿方法,其特征在于,在PSO算法中引入变异操作,即对粒子初始位置以预定的概率重新初始化。
5.根据权利要求2所述的基于改进PSO优化神经网络的硅微加速度计温度补偿方法,其特征在于,每个粒子更新自身位置和速度通过如下公式确定:
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>&omega;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>g</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
式中,ω为惯性权重,c1,c2为学习因子,r1,r2为[0,1]之间的随机数,β为约束因子,和分别为粒子i在第k次迭代中的位置和速度,和分别为第k次迭代粒子i个体极值的位置和群体全局极值的位置。
6.根据权利要求2所述的基于改进PSO优化神经网络的硅微加速度计温度补偿方法,其特征在于,粒子通过适应度函数计算个体适应度fj,具体公式表示如下:
<mrow>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中,fj为第j个体的适应度;m为BP神经网络的输出层节点数;yi为第i个节点的期望输出;为第i个节点的预测输出;k为常系数。
7.一种基于改进PSO优化神经网络的硅微加速度计温度补偿系统,其特征在于,包括:控温箱、微处理器;
所述控温箱,设置N个逐次升高的温度,分别在N个温度点下测量硅微加速度计的多组加速度输出量和实时温度值,作为PSO极值点寻优和BP神经网络的训练样本,将训练样本输出至微处理器;
所述微处理器,包括:PSO寻优单元、BP神经网络单元、补偿单元,
所述PSO寻优单元,运行粒子群优化算法优化出最优极值点;
所述BP神经网络单元,构建BP神经网络,设置BP神经网络输入、输出层及隐含层的神经元个数、各层传递函数以及网络训练参数,对BP神经网络进行训练,通过BP神经网络自学习得到加速度计的温度补偿模型参数;判断是否达到BP神经网络训练的要求,若达到,将所述PSO寻优单元得到的最优极值点作为BP神经网络的模型的初始权值和阈值,将得到的补偿模型参数输出至补偿单元;若未达到,则使用BP神经网络训练函数对各层权值和阈值进行训练;
所述补偿单元,存储所述补偿模型参数,通过调用参数建立BP神经网络,实现对硅微加速度计的实时温度补偿并输出。
8.根据权利要求7所述的基于改进PSO优化神经网络的硅微加速度计温度补偿系统,其特征在于,所述PSO寻优单元包括:
初始化模块,用于粒子群初始化,设置粒子群参数,具体包括:粒子数、粒子群维度、粒子初始位置及初始速度、迭代次数、惯性权重以及学习因子;
位置确定模块,针对每个粒子当前位置计算适应度值,粒子每更新一次位置,就计算一次适应度,记录每个粒子的历史极点位置以及种群历史最优极点位置;
判断模块,用于判断粒子适应度是否达到要求或迭代次数是否达到最大,若达到,将优化后的权值和阈值作为神经网络训练的初始值。
9.根据权利要求8所述的基于改进PSO优化神经网络的硅微加速度计温度补偿系统,其特征在于,还包括权重调节模块,用于根据粒子适应度值调节权重,在适应度较高时,增大惯性权重加速收敛,在适应度较低时,减小惯性权重,计算公式如下:
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>min</mi>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
<mo>(</mo>
<mi>f</mi>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>a</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>&le;</mo>
<msub>
<mi>f</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mo>&GreaterEqual;</mo>
<msub>
<mi>f</mi>
<mi>a</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
ωmin和ωmax分别为惯性权重的最小值和最大值,f,fmin,fa分别为当前粒子适应度值,适应度最小值和平均值。
10.根据权利要求9所述的基于改进PSO优化神经网络的硅微加速度计温度补偿系统,其特征在于,粒子位置初始化模块,用于在PSO算法中引入变异操作,即对粒子初始位置以预定的概率重新初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394079.0A CN108120451A (zh) | 2017-12-21 | 2017-12-21 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394079.0A CN108120451A (zh) | 2017-12-21 | 2017-12-21 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108120451A true CN108120451A (zh) | 2018-06-05 |
Family
ID=62230830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711394079.0A Pending CN108120451A (zh) | 2017-12-21 | 2017-12-21 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108120451A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
CN109685207A (zh) * | 2018-11-27 | 2019-04-26 | 电子科技大学 | 一种基于循环神经网络的多核芯片热管理方法 |
CN109738669A (zh) * | 2019-01-11 | 2019-05-10 | 北京麦斯泰克科技有限公司 | 一种压电式加速度传感器的温漂补偿方法 |
CN109934810A (zh) * | 2019-03-08 | 2019-06-25 | 太原理工大学 | 一种基于改进粒子群小波神经网络的缺陷分类方法 |
CN110695991A (zh) * | 2019-09-26 | 2020-01-17 | 南京理工大学 | 基于变异粒子群优化的自动手眼标定方法 |
CN111047002A (zh) * | 2019-11-22 | 2020-04-21 | 浙江工业大学 | 一种基于bp神经网络的校直行程预测方法 |
CN111158237A (zh) * | 2019-12-25 | 2020-05-15 | 南京理工大学 | 基于神经网络的工业炉炉温多步预测控制方法 |
CN111224677A (zh) * | 2018-11-27 | 2020-06-02 | 华为技术有限公司 | 编码方法、译码方法及装置 |
CN111308112A (zh) * | 2019-12-04 | 2020-06-19 | 电子科技大学 | 一种基于神经网络的温度补偿系统 |
CN111948273A (zh) * | 2020-08-21 | 2020-11-17 | 山东工商学院 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
CN112034197A (zh) * | 2020-08-26 | 2020-12-04 | 上海德意达电子电器设备有限公司 | 一种基于自适应算法的测量方法 |
CN112180122A (zh) * | 2020-09-28 | 2021-01-05 | 中国人民解放军海军航空大学 | 一种基于改进果蝇优化算法的mems加速度计无转台标定方法 |
CN112528556A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 |
CN112666831A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种机器人磨抛加工接触力的主动控制方法 |
CN112762962A (zh) * | 2020-12-29 | 2021-05-07 | 东方红卫星移动通信有限公司 | 基于温度滞后模型的微机电系统加速度计零偏补偿方法 |
CN112946318A (zh) * | 2021-03-24 | 2021-06-11 | 苏州康旺聚贤智能科技有限公司 | 一种加速度传感器的标定算法 |
CN113252069A (zh) * | 2021-04-02 | 2021-08-13 | 北京航天时代激光导航技术有限责任公司 | 一种基于梯度下降法的惯性仪表多项式温补方法 |
CN113376536A (zh) * | 2021-04-22 | 2021-09-10 | 安徽锐能科技有限公司 | 数据驱动型的高精度锂电池soc联合估计方法及系统 |
CN114199279A (zh) * | 2021-11-26 | 2022-03-18 | 北京航天自动控制研究所 | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 |
CN115994491A (zh) * | 2023-03-24 | 2023-04-21 | 湖南光华防务科技集团有限公司 | 一种灭火弹挂飞温度补偿方法和系统 |
CN116203830A (zh) * | 2022-11-21 | 2023-06-02 | 广东石油化工学院 | 一种空气流量不受控型加热炉温度pid优化控制方法 |
CN116879580A (zh) * | 2023-05-30 | 2023-10-13 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361153A (zh) * | 2014-10-27 | 2015-02-18 | 中国石油大学(北京) | 一种预测重油催化裂化沉降器结焦量的方法 |
CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 |
CN106503788A (zh) * | 2016-10-28 | 2017-03-15 | 中国矿业大学 | 基于自适应粒子群的最小二乘支持向量机预测方法 |
CN106815635A (zh) * | 2016-12-29 | 2017-06-09 | 华中科技大学 | 一种绝缘子表面等值附盐密度的预测系统及方法 |
CN107202950A (zh) * | 2017-05-12 | 2017-09-26 | 南京邮电大学 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
-
2017
- 2017-12-21 CN CN201711394079.0A patent/CN108120451A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361153A (zh) * | 2014-10-27 | 2015-02-18 | 中国石油大学(北京) | 一种预测重油催化裂化沉降器结焦量的方法 |
CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 |
CN106503788A (zh) * | 2016-10-28 | 2017-03-15 | 中国矿业大学 | 基于自适应粒子群的最小二乘支持向量机预测方法 |
CN106815635A (zh) * | 2016-12-29 | 2017-06-09 | 华中科技大学 | 一种绝缘子表面等值附盐密度的预测系统及方法 |
CN107202950A (zh) * | 2017-05-12 | 2017-09-26 | 南京邮电大学 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
张国祥 等: "基于改进PSO-BP神经网络的变压器故障诊断", 《上海电力学院学报》 * |
王辉 等: "基于粒子群遗传算法的泊车系统路径规划研究", 《工程设计学报》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
CN109685207A (zh) * | 2018-11-27 | 2019-04-26 | 电子科技大学 | 一种基于循环神经网络的多核芯片热管理方法 |
CN111224677B (zh) * | 2018-11-27 | 2021-10-15 | 华为技术有限公司 | 编码方法、译码方法及装置 |
CN111224677A (zh) * | 2018-11-27 | 2020-06-02 | 华为技术有限公司 | 编码方法、译码方法及装置 |
CN109738669B (zh) * | 2019-01-11 | 2020-12-25 | 北京麦斯泰克科技有限公司 | 一种压电式加速度传感器的温漂补偿方法 |
CN109738669A (zh) * | 2019-01-11 | 2019-05-10 | 北京麦斯泰克科技有限公司 | 一种压电式加速度传感器的温漂补偿方法 |
CN109934810A (zh) * | 2019-03-08 | 2019-06-25 | 太原理工大学 | 一种基于改进粒子群小波神经网络的缺陷分类方法 |
CN109934810B (zh) * | 2019-03-08 | 2023-05-02 | 太原理工大学 | 一种基于改进粒子群小波神经网络的缺陷分类方法 |
CN110695991A (zh) * | 2019-09-26 | 2020-01-17 | 南京理工大学 | 基于变异粒子群优化的自动手眼标定方法 |
CN110695991B (zh) * | 2019-09-26 | 2022-03-22 | 南京理工大学 | 基于变异粒子群优化的自动手眼标定方法 |
CN111047002B (zh) * | 2019-11-22 | 2023-04-07 | 浙江工业大学 | 一种基于bp神经网络的校直行程预测方法 |
CN111047002A (zh) * | 2019-11-22 | 2020-04-21 | 浙江工业大学 | 一种基于bp神经网络的校直行程预测方法 |
CN111308112A (zh) * | 2019-12-04 | 2020-06-19 | 电子科技大学 | 一种基于神经网络的温度补偿系统 |
CN111158237A (zh) * | 2019-12-25 | 2020-05-15 | 南京理工大学 | 基于神经网络的工业炉炉温多步预测控制方法 |
CN111158237B (zh) * | 2019-12-25 | 2022-07-19 | 南京理工大学 | 基于神经网络的工业炉炉温多步预测控制方法 |
CN111948273B (zh) * | 2020-08-21 | 2023-08-08 | 山东工商学院 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
CN111948273A (zh) * | 2020-08-21 | 2020-11-17 | 山东工商学院 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
CN112034197A (zh) * | 2020-08-26 | 2020-12-04 | 上海德意达电子电器设备有限公司 | 一种基于自适应算法的测量方法 |
CN112180122A (zh) * | 2020-09-28 | 2021-01-05 | 中国人民解放军海军航空大学 | 一种基于改进果蝇优化算法的mems加速度计无转台标定方法 |
CN112180122B (zh) * | 2020-09-28 | 2022-07-12 | 中国人民解放军海军航空大学 | 一种基于改进果蝇优化算法的mems加速度计无转台标定方法 |
CN112528556B (zh) * | 2020-11-30 | 2023-01-20 | 广东工业大学 | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 |
CN112528556A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 |
CN112666831A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种机器人磨抛加工接触力的主动控制方法 |
CN112762962A (zh) * | 2020-12-29 | 2021-05-07 | 东方红卫星移动通信有限公司 | 基于温度滞后模型的微机电系统加速度计零偏补偿方法 |
CN112946318A (zh) * | 2021-03-24 | 2021-06-11 | 苏州康旺聚贤智能科技有限公司 | 一种加速度传感器的标定算法 |
CN113252069A (zh) * | 2021-04-02 | 2021-08-13 | 北京航天时代激光导航技术有限责任公司 | 一种基于梯度下降法的惯性仪表多项式温补方法 |
CN113376536A (zh) * | 2021-04-22 | 2021-09-10 | 安徽锐能科技有限公司 | 数据驱动型的高精度锂电池soc联合估计方法及系统 |
CN114199279A (zh) * | 2021-11-26 | 2022-03-18 | 北京航天自动控制研究所 | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 |
CN116203830A (zh) * | 2022-11-21 | 2023-06-02 | 广东石油化工学院 | 一种空气流量不受控型加热炉温度pid优化控制方法 |
CN115994491A (zh) * | 2023-03-24 | 2023-04-21 | 湖南光华防务科技集团有限公司 | 一种灭火弹挂飞温度补偿方法和系统 |
CN116879580A (zh) * | 2023-05-30 | 2023-10-13 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
CN116879580B (zh) * | 2023-05-30 | 2024-04-26 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108120451A (zh) | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 | |
CN108073075A (zh) | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统 | |
CN104992225B (zh) | 一种大变形柔性体动态测量数据温度与湿度的补偿方法 | |
CN110749337B (zh) | 一种基于深度神经网络的mimu误差补偿方法 | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
CN104048676B (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
Ma et al. | A hybrid dynamic equivalent using ANN-based boundary matching technique | |
CN111368466B (zh) | 一种基于频响函数参数修正的机械振动预测方法 | |
Xu et al. | A temperature compensation method for MEMS accelerometer based on LM_BP neural network | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
CN105353789A (zh) | 连续振动信号时间历程复现控制方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN104950135A (zh) | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 | |
CN105469142A (zh) | 一种基于样本增量驱动的神经网络增量型前馈算法 | |
CN111413651B (zh) | 一种磁场总场的补偿方法、装置、系统及存储介质 | |
Gang-Qiang et al. | Real-time temperature drift compensation method of a MEMS accelerometer based on deep GRU and optimized monarch butterfly algorithm | |
CN104820757A (zh) | 基于物理模型的mems陀螺温漂特性神经网络建模方法 | |
CN108873701B (zh) | 一种基于fpaa模拟神经网络的空分装置快速模型预测控制方法 | |
CN113188715A (zh) | 基于机器学习的多维力传感器静态校准数据处理方法 | |
Mi et al. | Prediction of accumulated temperature in vegetation period using artificial neural network | |
CN111598215A (zh) | 一种基于神经网络的温度补偿方法和系统 | |
CN116678403A (zh) | 惯性测量装置的温度补偿方法、装置、设备及存储介质 | |
CN114147713B (zh) | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 | |
CN111475940B (zh) | 一种基于光纤光栅传感器和机翼模态的柔性基线动态预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180605 |
|
RJ01 | Rejection of invention patent application after publication |