CN108960406B - 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 - Google Patents

一种基于bfo小波神经网络的mems陀螺随机误差预测方法 Download PDF

Info

Publication number
CN108960406B
CN108960406B CN201810311469.5A CN201810311469A CN108960406B CN 108960406 B CN108960406 B CN 108960406B CN 201810311469 A CN201810311469 A CN 201810311469A CN 108960406 B CN108960406 B CN 108960406B
Authority
CN
China
Prior art keywords
neural network
wavelet neural
data
wavelet
bfo
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.)
Active
Application number
CN201810311469.5A
Other languages
English (en)
Other versions
CN108960406A (zh
Inventor
左庆
张书文
曹海波
刘俊池
刘亦男
李棒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Original Assignee
Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd filed Critical Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Priority to CN201810311469.5A priority Critical patent/CN108960406B/zh
Publication of CN108960406A publication Critical patent/CN108960406A/zh
Application granted granted Critical
Publication of CN108960406B publication Critical patent/CN108960406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Operations Research (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，用于对MEMS陀螺的随机误差进行预测，包括，对MEMS陀螺的原始输出数据进行确定性误差标定；将数据组分为训练数据组和测试数据组，确定输入数据和输出数据；构建小波神经网络与BFO算法的映射关系；设计小波神经网络并根据映射关系对其进行训练，获得MEMS陀螺的随机误差预测小波神经网络网络；保存小波神经网络网络并将其用于对MEMS陀螺进行预测。发明技术方案的方法，针对目前MEMS陀螺的随机误差预测收敛速度慢、容易产生局部动荡以及容易陷入极小值的情况，利用经细菌觅食优化算法(BFO)优化的小波神经网络对MEMS的随机误差进行预测，可以有效提高MEMS陀螺的随机误差预测精度。

Description

一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法
技术领域
本发明属于陀螺误差校正领域，具体涉及一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法。
背景技术
近些年，随着微电子加工技术的发展，MEMS惯性传感器、特别是陀螺仪的精度已得到大幅提高，MEMS陀螺凭借其在体积、成本、功耗和抗冲击能力等方面的优势，利用MEMS陀螺的惯性导航技术有了广泛的应用场景，如无人机控制导航技术，机器人运动控制，具有动作识别的可穿戴设备等。基于MEMS陀螺的惯性系统己成为当今惯性技术领域的一个重要的研究热点。
然而低成本的MEMS陀螺虽然瞬态性能较好，但误差漂移会随着时间逐渐累积，对测量精度影响很大。MEMS陀螺误差的增大无疑会对整个设备的测量精度产生影响，尤其是在高度依赖MEMS的情况下，这种影响会直接导致测量设备的可靠性，如何提高MEMS陀螺的精度一直以来是研究人员们比较关注的一个重要问题。根据观察，MEMS陀螺的误差包括确定性误差和随机误差，即陀螺的漂移。对确定性误差，可以比较容易的用代数方程来表示，并通过标定补偿。而随机误差由于制造工艺及使用环境的影响，存在很大的不确定性，是影响其精度的一个重要原因。因此，对MEMS陀螺进行随机误差补偿是提高其精度的一个重要手段。
在现有的陀螺随机误差建模中，通常采用的是Allan方差和ARMA模型的建模方法。一般来说，在分析振荡器的相位和频率不稳定性，高稳定度振荡器的频率稳定度的时域表征时会采用Allan方差，但是这种方法仅适用于非平稳的随机信号。ARMA模型是研究时间序列的重要方法，由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成，其要求数据必须是平稳、线性的。针对这个问题，现有技术中CN103900610A公开了一种“基于灰色小波神经网络的MEMS陀螺随机误差预测方法”中，其中提出利用对非线性函数具有更强适应性的小波神经网络对MEMS陀螺的随机误差进行预测。其预测效果虽然比传统方法有所改进，但其学习算法存在收敛速度慢、易产生局部动荡以及易陷入局部极小值等问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，至少可以部分解决上述问题。本发明技术方案的方法，针对目前MEMS陀螺的随机误差预测收敛速度慢、容易产生局部动荡以及容易陷入极小值的情况，利用经细菌觅食优化算法(BFO)优化的小波神经网络对MEMS的随机误差进行预测，可以有效提高MEMS陀螺的随机误差预测精度。
为实现上述目的，按照本发明的一个方面，提供了一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，用于对MEMS陀螺的随机误差进行预测，其特征在于，包括，
S1采集MEMS陀螺的原始输出数据，对原始输出数据进行确定性误差标定，去除噪声数据，获得MEMS陀螺的输出数据集合；
S2将输出数据集合分为若干数据组，确定输入数据和目标输出数据，将数据组分为训练数据组和测试数据组，形成小波神经网络的训练数据；
S3对小波神经网络的输入层、隐含层和输出层数进行设置，确定小波神经网络的精度值要求，构建小波神经网络与BFO算法的映射关系；
S4利用所述训练数据对小波神经网络进行训练和优化，获得MEMS陀螺的随机误差预测小波神经网络网络，利用测试数据组中的数据对其进行测试，判断小波神经网络精度是否达到预定值，是则进入步骤S5，否则改变隐含层数进入步骤S4；
S5保存MEMS陀螺的随机误差预测小波神经网络网络并将其用于对MEMS陀螺进行预测。
作为本发明技术方案的一个优选，步骤S2包括，
S21对输出数据集合中的数据进行归一化处理，获得归一化数据集；
S22将归一化数据集中的数据划分为至少两个数据组，每个数据组中至少包括两个数据；将每组数据的最后一个数据确定为目标输出数据，剩余数据为对应的输入数据；
S23将数据组分为训练数据组和测试数据组，所述训练数据组和测试数据组数量分别不少于一组。
作为本发明技术方案的一个优选，步骤S3包括，
S31设定小波神经网络输入层、隐含层和输出层参数以确定小波神经网络结构；
S32确定小波神经网络的权值矩阵，包括输入层到隐含层的权值矩阵和隐含层到输出层的权值矩阵，以及小波基函数平移系数向量和小波基函数伸缩系数向量；
S33确定细菌种群数量和BFO小波神经网络的隐含层激励函数，并根据小波神经网络结构获得细菌个体维度；
S34根据小波神经网络结构以及权值矩阵、函数及向量参数获得与细菌个体维度相对应的细菌个体向量，通过细菌个体向量确定小波神经网络与BFO算法的映射关系。
作为本发明技术方案的一个优选，步骤S4包括，
S41根据小波神经网络对细菌个体进行编码，获取细菌个体向量，将细菌个体向量的取值区间赋予BFO算法的种群；确定小波神经网络的输出数据与该测试数据组对应的目标输出之间的均方误差为BFO算法的适应度函数；
S42依次向小波神经网络中输入每个训练数据组的输入数据，控制小波神经网络对应输出每个训练数据组的目标输出数据，根据适应度函数确定细菌个体向量的最优解；
S43对最优解进行反向解码，根据解码结果对应获得小波神经网络结构以及权值矩阵、函数及向量参数，更新小波神经网络；
S44依次向更新后的小波神经网络中输入每个测试数据组的输入数据，判断初始小波神经网络的输出数据是否达到精度阈值，若是则进入步骤S5，否则改变小波神经网络隐含层参数进入步骤S42。
作为本发明技术方案的一个优选，步骤S5中包括，
S51将MEMS陀螺的输出数据输入小波神经网络，获得小波网络的输出数据；
S52对小波神经网络的输出数据进行反归一化处理，获得MEMS陀螺随机误差的预测值。
作为本发明技术方案的一个优选，步骤S21中优选采用下式对MEMS陀螺的输出数据进行归一化，
Figure BDA0001622485010000031
其中，xmax、xmin分别为MEMS陀螺的输出数据集合中的最大和最小值，x为输出数据集合中的数据。
作为本发明技术方案的一个优选，步骤S32中所述输入层到隐含层的权值矩阵为
Figure BDA0001622485010000041
隐含层到输出层的权值矩阵为
Figure BDA0001622485010000042
小波基函数平移系数向量为
B＝[b1 b2 ... bn]T；
小波基函数伸缩系数向量为
A＝[α1 α2 ... αn]T；
式中，m为输入层数，n为隐含层数；ωij(i＝1,2,……,n，j＝1,2,……,m)为第i输入层与第j个隐含层之间的连接权值；vij(i＝1,2,……,k，j＝1,2,……,n)为第i个隐含层与第j个输入层之间的连接权值；bi(i＝1,2,……,n)为第i个隐含层的小波基函数平移系数，ai(i＝1,2,……,n)为第i个隐含层的小波基函数伸缩系数。
作为本发明技术方案的一个优选，BFO小波神经网络隐含层激励函数优选Morlet小波基函数。
作为本发明技术方案的一个优选，细菌个体维度优选为：
D＝n×m+k×n+n+n；
其中，D为细菌个体维度，m为输入层数，n为隐含层数，k为输出层数。
作为本发明技术方案的一个优选，步骤S41所述BFO算法参数包括细菌种群规模、细菌趋化行为次数、繁殖次数、趋化操作中在一个方向上前进的最大步数、细菌迁徙行为次数以及基本迁徙概率。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1)本发明技术方案的方法，采用BFO算法对小波神经网络进行优化，小波神经网络具有对非线性函数适应性更强的特点，经过BFO算法优化后，小波神经网络更加合理，搜索能力更强，预测性能更优，可以对MEMS陀螺的随机误差进行精确预测；
2)本发明技术方案的方法，在对采集到的MEMS陀螺输出数据进行了确定性误差标定后，对其进一步采用了归一化处理，归一化处理可以缩小mems陀螺输出数据之间的极差，可有效降低由于小波基函数具有的饱和非线性等特性而导致输出结果的导数值出现趋于零的极小值，进而有效克服网络麻痹的情况，提高了BFO算法对小波神经网络的优化效果。
附图说明
图1是本发明技术方案的实施例中采用的BFO算法流程图；
图2是本发明技术方案的实施例中利用BFO算法训练小波神经网络流程图；
图3是本发明技术方案的实施例中基于BFO小波神经网络的MEMS陀螺随机误差预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
细菌觅食优化算法(BFO)是一种通过趋化、复制和驱散三种行为来实现寻优的新型群体智能优化算法，其具有并行搜索、全局寻优的能力，且其搜索特性具有自组织、自适应、信息共享、涌现性等优点。为此，本发明采用细菌觅食优化算法进一步优化小波神经网络，使整个网络更加合理，泛华能力和搜索能力更强，预测性能更优。细菌觅食优化算法属于现有技术中有常规算法，属于业内公知的技术内容，在此不再赘述。下面具体对利用BFO算法对小波神经网络进行优化以获得符合要求的MEMS陀螺随机误差预测小波神经网络的具体步骤进行进一步的说明。
如图3所示，本实施例中提供的基于BFO小波神经网络的MEMS陀螺随机误差预测方法，包括以下步骤：
步骤1：采集MEMS陀螺的输出，进行确定性误差标定及噪声数据去除，并构建陀螺输出数据集S。步骤1中具体包括以下子步骤：
(1)以固定的采样速率采集MEMS陀螺的输出；
(2)对采集到的陀螺输出数据进行确定性误差标定；
(3)去除陀螺输出数据中的奇点数据、趋势项数据、周期项数据，形成陀螺输出数据集S。
对于MEMS陀螺来说，可以通过确定性误差标定和噪声数据剔除等方式对其数据数据存在的确定性误差进行处理，但是这些处理方式无法对MEMS陀螺输出数据的随机误差进行处理，经过确定性误差处理的输出数据仍然存在诸多的随机误差。
步骤2：对数据集S进行分组，确定输入数据和目标输出数据，并将数据集S分组结果分为训练数据组和测试数据组。步骤2中具体包括以下子步骤：
(1)将集合S中的数据逐一进行归一化处理，构建归一化数据集S’。本实施例中优选按照以下归一化公式进行归一化：
Figure BDA0001622485010000061
式中，xmax、xmin分别为集合S中的最大和最小值，x为原始样本数据；X构成数据集S’。归一化的处理，可以将具有随机误差的MEMS陀螺输出数据转化为无量纲的数据量，简化了计算，缩小了量值。
(2)将数据集S’中的数据顺次按照m+1个一组分为M组。每组数据中，将前m个数据x1,x2,...,xm作为输入数据，第m+1个数据xm+1作为本组输入数据对应的目标输出数据。进一步的，将前R组(x1，x2，...，xm，xm+1)1，(x1，x2，...，xm，xm+1)2，...，(x1，x2，...，xm，xm+1)R数据样本作为训练样本，后Q组(x1，x2，...，xm，xm+1)1，(x1，x2，...，xm，xm+1)2，...，(x1，x2，...，xm，xm+1)Q数据样本用来预测，其中m≥1，R≥1，Q≥1，且m、M、Q、R均为整数，本实施例中，优选R+Q＝M。
也就是说，对于MEMS陀螺输出数据集来说，本实施例优选将其分为两部分，一部分用于对小波神经网络进行训练，使得小波神经网络通过训练数据的学习具有一定的预测能力；然后利用测试数据对小波神经网络的学习结果进行检测，具体来说就是检测小波神经网络经过学习后的输出数据(模拟预测数据)与目标数据之间的差别来判断其是否满足预测精度(即为小波神经网络的预测精度)的要求。
步骤3：构建小波神经网络与BFO算法的映射关系。也就是构建初始小波神经网络，并且将小波神经网络的预测精度与BFO算法相对应，使得通过BFO算法可以获得具有较高精度的小波神经网络。换而言之，就是将小波神经网络的参数以BFO算法可以识别的字符结构(如向量)的形式进行表达，一定结构的小波神经网络对应具有一定的向量参数，BFO根据小波神经网络的测量精度对代表着小波神经网络的向量参数进行优化，以获得符合预测精度的小波神经网络。一般来说，BFO算法是以细菌为研究对象，本实施例中可以认为具有一定结构的小波神经网络即为BFO所研究的细菌对象，在BFO算法中，小波神经网络优选以一个具有一定维度的向量进行表示。也就是说，细菌个体即为小波神经网络，细菌个体向量即为小波神经网络在BFO算法中的表现形式。在小波神经网络的精度要求下，获得了细菌个体向量的最优解，即获得了符合精度要求的小波神经网络。作为本实施例的优选，步骤3中具体包括以下步骤：
(1)设小波神经网络输入层数为m，隐含层数为n，输出层数为k。本实施例中，在进行BFO算法优化之前，需要对小波神经网络进行初始赋值(初始化细菌)，即设定一定结构的小波神经网络，这个小波神经网络就是BFO算法的优化对象。
(2)设输入层到隐含层的权值矩阵为W，隐含层到输出层的权值矩阵为V，小波基函数平移系数向量为B，小波基函数伸缩系数向量A。其中，
Figure BDA0001622485010000071
且，B＝[b1 b2 ... bn]T，A＝[α1 α2 ... αn]T。
其中，m为输入层数，n为隐含层数；ωij(i＝1,2,……,n，j＝1,2,……,m)为第i输入层与第j个隐含层之间的连接权值；vij(i＝1,2,……,k，j＝1,2,……,n)为第i个隐含层与第j个输入层之间的连接权值；bi(i＝1,2,……,n)为第i个隐含层的小波基函数平移系数，ai(i＝1,2,……,n)为第i个隐含层的小波基函数伸缩系数。小波神经网络的内部传递函数决定了小波神经网络的运算性质。
(3)根据小波神经网络的层结构、权值矩阵和内部传递函数等参数，可以确定单个细菌在维度上的顺序编码，进而确定小波神经网络的向量形式，本实施例中优选为：
H＝[ω11 ... ωnm υ11 ... υkn b1 ... bn a1 ... αn]；
即在本实施例中，小波神经网络与BFO算法的映射关系优选为：BFO算法种群的维度分量分别对应于小波神经网络中的具体连接权值和小波基函数平移系数及伸缩系数。
步骤4：在步骤3的基础上，进一步设计BFO小波神经网络并进行优化。步骤3中主要是通过小波神经网络的参数化表达确定了小波神经网络与BFO算法之间的映射关系，即将小波神经网络以参数向量的形式表达为BFO算法可识别的形式，也就是将小波神经网络表达为向量形式。本实施例中，步骤4具体包括以下步骤：
(1)本实施例中，设计BFO小波神经网络网络结构的输入层数为5，输出层数为1，隐含层数(小波基函数个数)优选为10；选取细菌种群数量20作为本实施例的细菌种群数；本实施例中，优选采用常用的Morlet小波基函数作为BFO小波神经网络隐含层激励函数；
(2)根据本实施例中所设计的网络结构，优选通过下列公式计算细菌个体维度：
D＝n×m+k×n+n+n；
其中，D为细菌个体维度，根据本实施例步骤4中子步骤(1)的小波神经网络网络结构设计，细菌个体维度为
D＝10×5+1×10+10+10＝180。
(3)在一个优选的实施例中，设置细菌初始值向量H中的各参数设置为(-1，1)之间的均匀分布的随机数、细菌种群规模S为20、细菌趋化行为次数Nc为40、繁殖次数Nre为4、趋化操作中在一个方向上前进的最大步数(游动次数)Ns为4、细菌迁徙行为次数Ned为4、基本迁徙概率Ped为0.1以及最大训练次数为1280次。
步骤5：训练BFO小波神经网络，图1为本发明实施例提供的BFO算法流程图，图2为本发明实施例提供的BFO算法训练小波神经网络流程图。根据训练数据组对上述结构的小波神经网络进行训练学习，获得一个初始小波神经网络后，再利用测试数据对初始小波神经网络的学习效果进行检测，即检测经过训练的小波神经网络的模拟预测数据是否能够满足预测精度的要求，若符合要求则保存该初始小波神经网络以对MEMS陀螺的随机误差进行预测，若不符合要求，则需要利用BFO算法对小波神经网络的结构进行优化(即对小波神经网络对应的细菌个体向量进行优化)，直至最终获得符合预测精度要求的小波神经网络。具体的，步骤5中包括以下步骤：
(1)按照设定参数初始化参数S、Nc、Ns、Nre、Ned、Ped；
(2)将小波神经网络各项系数编码为BFO算法中的细菌个体，对编码后细菌个体，获取其所对应的向量H并将其取值区间赋予BFO算法的种群；
(3)利用训练数据组对小波神经网络进行训练。确定小波神经网络的输出数据与对应的目标输出数据之间的均方差为BFO算法的适应度函数，根据适应度函数的值可以获得向量H的最优解。
具体来说，假设当前利用第N组数据(x1，x2，...，xm，xm+1)N对小波神经网络进行训练，输入数据为第N组数据的(x1，x2，...，xm)时，小波神经网络输出第N组数据为x’m+1，计算x’m+1与xm+1的均方差获得适应度函数值。对全部训练数据执行上述操作直至小波神经网络完成全部训练数据的训练学习，根据适应度函数获得向量H的最优解。
(4)将生成的最优解解码给小波神经网络各项系数，更新小波神经网络的结构，利用测试数据组对其训练和测试，更新小波神经网络并保存。根据小波神经网络与细菌个体向量之间的对应关系，可以根据最优解的解码结果对应确定小波神经网络的结构，即可以根据最优解对小波神经网络的权值矩阵进行优化，对优化后得到的小波神经网络，利用测量数据组对其进行精度检测，判断这个小波神经网络的预测结果是否符合预测精度要求，如果符合则将其保存并用于对MEMS陀螺输出数据的随机误差进行预测，否则需要进入下一步骤对小波神经网络的结构进行进一步的优化。
(5)更改小波神经网络的层结构，本实施例中优选改变小波神经网络的隐含层数。更改小波神经网络的结构后，继续利用训练数据组对其进行训练同时对权值矩阵进行更新，然后利用测试数据组对其进行精度检测，重复步骤5的子步骤(3)-(5)，直至获得精度满足要求的小波神经网络，将其保存并用于对MEMS陀螺输出数据的随机误差进行预测。
步骤6：利用S5中训练合格的小波神经网络对MEMS陀螺随机误差进行预测，本实施例中通过下列公式对预测结果进行反归一化处理后得到最终预测结果：
x＝X(xmax-xmin)+xmin；
根据上式最终获得MEMS陀螺的随机误差的预测结果，并将其用于对MEMS陀螺的随机误差预测。由于MEMS陀螺的输出数据是经过归一化后进入小波神经网络进行预测的，因此，小波神经网络的输出结果也需要经过反归一化处理后才能获得对MEMS陀螺的真实预测效果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，用于对MEMS陀螺的随机误差进行预测，其特征在于，包括，
S1采集MEMS陀螺的原始输出数据，对原始输出数据进行确定性误差标定，去除噪声数据，获得MEMS陀螺的输出数据集合；
S2将输出数据集合分为若干数据组，确定输入数据和目标输出数据，将数据组分为训练数据组和测试数据组，形成小波神经网络的训练数据；
S3对小波神经网络的输入层、隐含层和输出层数进行设置，确定小波神经网络的精度值要求，构建小波神经网络与BFO算法的映射关系；
S4利用所述训练数据对小波神经网络进行训练和优化，获得MEMS陀螺的随机误差预测小波神经网络网络，利用测试数据组中的数据对其进行测试，判断小波神经网络精度是否达到预定值，是则进入步骤S5，否则改变隐含层数进入步骤S4；
S5保存MEMS陀螺的随机误差预测小波神经网络，并将其用于对MEMS陀螺进行预测；
其中，步骤S3包括，
S31设定小波神经网络输入层、隐含层和输出层参数以确定小波神经网络结构；
S32确定小波神经网络的权值矩阵，包括输入层到隐含层的权值矩阵和隐含层到输出层的权值矩阵，以及小波基函数平移系数向量和小波基函数伸缩系数向量；
S33确定细菌种群数量和BFO小波神经网络的隐含层激励函数，并根据小波神经网络结构获得细菌个体维度；
S34根据小波神经网络结构以及权值矩阵、函数及向量参数获得与细菌个体维度相对应的细菌个体向量，通过细菌个体向量确定小波神经网络与BFO算法的映射关系；
其中，步骤S4包括，
S41根据小波神经网络对细菌个体进行编码，获取细菌个体向量，将细菌个体向量的取值区间赋予BFO算法的种群；确定小波神经网络的输出数据与该测试数据组对应的目标输出之间的均方误差为BFO算法的适应度函数；
S42依次向小波神经网络中输入每个训练数据组的输入数据，控制小波神经网络对应输出每个训练数据组的目标输出数据，根据适应度函数确定细菌个体向量的最优解；
S43对最优解进行反向解码，根据解码结果对应获得小波神经网络结构以及权值矩阵、函数及向量参数，更新小波神经网络；
S44依次向更新后的小波神经网络中输入每个测试数据组的输入数据，判断初始小波神经网络的输出数据是否达到精度阈值，若是则进入步骤S5，否则改变小波神经网络隐含层参数进入步骤S42。
2.根据权利要求1所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，其中，步骤S2包括，
S21对输出数据集合中的数据进行归一化处理，获得归一化数据集；
S22将归一化数据集中的数据划分为至少两个数据组，每个数据组中至少包括两个数据；将每组数据的最后一个数据确定为目标输出数据，剩余数据为对应的输入数据；
S23将数据组分为训练数据组和测试数据组，所述训练数据组和测试数据组数量分别不少于一组。
3.根据权利要求1所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，其中，步骤S5中包括，
S51将MEMS陀螺的输出数据输入小波神经网络，获得小波网络的输出数据；
S52对小波神经网络的输出数据进行反归一化处理，获得MEMS陀螺随机误差的预测值。
4.根据权利要求2所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，其中，所述步骤S21中优选采用下式对MEMS陀螺的输出数据进行归一化，
Figure FDA0002983422800000021
其中，xmax、xmin分别为MEMS陀螺的输出数据集合中的最大和最小值，x为输出数据集合中的数据。
5.根据权利要求1所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，其中，步骤S32中所述输入层到隐含层的权值矩阵为
Figure FDA0002983422800000022
隐含层到输出层的权值矩阵为
Figure FDA0002983422800000031
小波基函数平移系数向量为
B＝[b1 b2 ... bn]T；
小波基函数伸缩系数向量为
A＝[α1 α2 ... αn]T；
式中，m为输入层数，n为隐含层数；ωij(i＝1,2,……,n，j＝1,2,……,m)为第i输入层与第j个隐含层之间的连接权值；vij(i＝1,2,……,k，j＝1,2,……,n)为第i个隐含层与第j个输入层之间的连接权值；bi(i＝1,2,……,n)为第i个隐含层的小波基函数平移系数，ai(i＝1,2,……,n)为第i个隐含层的小波基函数伸缩系数。
6.根据权利要求1～5任一项所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，其中，所述BFO小波神经网络隐含层激励函数优选Morlet小波基函数。
7.根据权利要求1～5任一项所述的一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，其中，所述细菌个体维度优选为：
D＝n×m+k×n+n+n；
其中，D为细菌个体维度，m为输入层数，n为隐含层数，k为输出层数。
CN201810311469.5A 2018-04-09 2018-04-09 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 Active CN108960406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810311469.5A CN108960406B (zh) 2018-04-09 2018-04-09 一种基于bfo小波神经网络的mems陀螺随机误差预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810311469.5A CN108960406B (zh) 2018-04-09 2018-04-09 一种基于bfo小波神经网络的mems陀螺随机误差预测方法

Publications (2)

Publication Number Publication Date
CN108960406A CN108960406A (zh) 2018-12-07
CN108960406B true CN108960406B (zh) 2021-06-04

Family

ID=64498707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810311469.5A Active CN108960406B (zh) 2018-04-09 2018-04-09 一种基于bfo小波神经网络的mems陀螺随机误差预测方法

Country Status (1)

Country Link
CN (1) CN108960406B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457768B (zh) * 2019-07-18 2022-12-13 东南大学 考虑工艺误差下基于可靠性的mems器件参数的配置方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Application of bacterial foraging technique trained artificial and wavelet neural networks in load forecasting;M.Ulagammai,P.Venkatesh,P.S.Kannan,Narayana Prasad Padhy;《Neurocomputing》;20071031;全文 *
基于小波神经网络的MEMS陀螺输出预测方法;牛春峰，刘世平，王中原;《海军工程大学学报》;20120430;全文 *
细菌觅食优化算法的改进及应用;刘小龙;《信息科技辑》;20120630;正文第115-120页 *
细菌觅食优化算法的改进及应用研究;胡洁;《基础科学辑》;20121130;正文第66-72页 *

Also Published As

Publication number Publication date
CN108960406A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
Calzolari et al. Deep learning to replace, improve, or aid CFD analysis in built environment applications: A review
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
Khajavi et al. Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms
CN109120462B (zh) 机会网络链路的预测方法、装置及可读存储介质
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN111310965A (zh) 一种基于lstm网络的飞行器航迹预测方法
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN103593538A (zh) 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
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN111542841A (zh) 一种内容识别的系统和方法
CN113469470B (zh) 基于电力大脑中枢的用能数据与碳排放量关联分析方法
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN111141879A (zh) 一种深度学习的空气质量监测方法以及装置、设备
CN116432037A (zh) 一种在线迁移学习方法、装置、设备和存储介质
Legler et al. Combining data assimilation and machine learning to estimate parameters of a convective‐scale model
Zhai et al. Parameter estimation and modeling of nonlinear dynamical systems based on runge–kutta physics-informed neural network
CN108960406B (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
CN111539157B (zh) 一种基于多层感知机的动载荷时域识别方法
Springer et al. Robust parameter estimation of chaotic systems
Amemiya et al. Application of recurrent neural networks to model bias correction: Idealized experiments with the Lorenz‐96 model
Xu et al. Residual autoencoder-LSTM for city region vehicle emission pollution prediction
CN114723998B (zh) 基于大边界贝叶斯原型学习的小样本图像分类方法及装置

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