CN110987002B - 惯导数据优化方法、训练方法、模型、设备及存储介质 - Google Patents
惯导数据优化方法、训练方法、模型、设备及存储介质 Download PDFInfo
- Publication number
- CN110987002B CN110987002B CN201911164072.9A CN201911164072A CN110987002B CN 110987002 B CN110987002 B CN 110987002B CN 201911164072 A CN201911164072 A CN 201911164072A CN 110987002 B CN110987002 B CN 110987002B
- Authority
- CN
- China
- Prior art keywords
- inertial navigation
- data
- navigation data
- optimization
- optimization model
- 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.)
- Expired - Fee Related
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 143
- 238000012549 training Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Navigation (AREA)
Abstract
本申请提供一种惯导数据优化方法、训练方法、模型、设备及存储介质。方法包括:获得多个惯导系统在同一温度下各自测得的惯导数据;通过预设的惯导数据优化模型处理所述惯导数据,获得在所述温度下的一个惯导优化数据。通过将多个惯导系统在同一温度下各自测得的惯导数据输入惯导数据优化模型处理,并得到一个最终的惯导优化数据。故可以由于各惯导系统的补偿各不相同而避免无法确定最优补偿的问题。此外,由于惯导优化数据是基于多个惯导数据的融合处理得到,故还可以使得最终的惯导优化数据更加准确。
Description
技术领域
本申请涉及惯性导航技术领域,具体而言,涉及一种惯导数据优化方法、训练方法、模型、设备及存储介质。
背景技术
惯性导航系统(简称“惯导系统”)是一种利用例如陀螺仪、加速度传感器等惯性元件测量安装该惯导系统的载体的位置和姿态等数据的导航系统。由于其利用惯性元件进行导航的特点,无需依赖于卫星定位导航,故广泛运用于航空、航天等国防军事领域中。
但目前,惯导系统的问题在于当工作的环境温度发生变化时,惯性元件会产生较大的零偏误差(零偏误差即是在惯导数据实际为零时测得的惯导数据不为零),导致惯导系统输出导航信息的精度受到严重的影响。因此,必须采取一定的温度补偿措施来消除零偏误差,提高系统输出精度。
针对此问题,现有的一些做法是针对每套惯导系统进行误差补偿,以使每套惯导系统的输出更精确。但这样做的问题在于,由于各惯导系统的补偿各有不同,导致其难以确定哪一个结果才是更准确。
发明内容
本申请实施例的目的在于提供一种惯导数据优化方法、训练方法、模型、设备及存储介质,用以实现更准确的确定出对惯导系统的补偿,提高惯导系统的导航精度。
第一方面,本申请实施例提供了一种惯导数据的优化方法,所述方法包括:
获得多个惯导系统在同一温度下各自测得的惯导数据;
通过预设的惯导数据优化模型处理所述惯导数据,获得在所述温度下的一个惯导优化数据。
在本申请实施例中,通过将多个惯导系统在同一温度下各自测得的惯导数据输入惯导数据优化模型处理,并得到一个最终的惯导优化数据。故可以由于各惯导系统的补偿各不相同而避免无法确定最优补偿的问题。此外,由于惯导优化数据是基于多个惯导数据的融合处理得到,故还可以使得最终的惯导优化数据更加准确。
结合第一方面,在第一种可能的实现方式中,通过预设的惯导数据优化模型处理所述惯导数据,获得在所述温度下的一个惯导优化数据,包括:
将所述惯导数据按所述惯导数据优化模型需要的数量比例输入所述惯导数据优化模型;
获得所述惯导数据优化模型输出的所述惯导优化数据。
在本申请实施例中,通过将惯导数据按惯导数据优化模型需要的数量比例输入惯导数据优化模型,使得惯导数据优化模型能够更好的处理惯导数据,以获得更准确的结果。
第二方面,本申请实施例提供了一种模型的训练方法,所述方法包括:
获得多个惯导系统各自的训练样本集,其中,每个所述训练样本集包括对应的一个所述惯导系统在各温度下测得的零偏数据;
从所述训练样本集中抽取出所述多个惯导系统在同一温度下各自测得的零偏数据,并利用所述各自测得的零偏数据训练预设的惯导数据优化模型。
在本申请实施例中,通过多个训练样本集中抽取出多个惯导系统在同一温度下各自测得的零偏数据来训练惯导数据优化模型,使得训练后的惯导数据优化模型能够以数据融合的方式进行处理。以实现在实际中,训练后的惯导数据优化模型能够处理多个惯导系统在同一温度下各自测得的惯导数据,并得到一个最终的惯导优化数据,从而解决无法确定最优补偿的问题。
结合第二方面,在第一种可能的实现方式中,从所述训练样本集中抽取出所述多个惯导系统在同一温度下各自测得的零偏数据,包括:
从多个所述训练样本集中抽取出满足所述惯导数据优化模型需要的数量比例的所述各自测得的零偏数据。
在本申请实施例中,由于输入惯导数据优化模型的各惯导数据的比例满足惯导数据优化模型需要的数量比例,使得惯导数据优化模型能够更好的处理这些数据,以实现更好的训练效果。
结合第二方面,在第二种可能的实现方式中,在利用所述各自测得的零偏数据训练预设的惯导数据优化模型之前,所述方法还包括:
构建出所述惯导数据优化模型的输入层、与所述输入层连接的隐含层、以及与所述隐含层连接的输出层;
配置所述隐含层的网络参数。
在本申请实施例中,通过预先构建惯导数据优化模型各层结构,在训练时便无需再对模型的结构进行调整,以便训练的顺利进行。
结合第二方面的第二种可能的实现方式,在第三种可能的实现方式中,利用所述各自测得的零偏数据训练预设的惯导数据优化模型,包括:
利用所述惯导数据优化模型处理所述各自测得的零偏数据,获得在所述同一温度下的零偏优化数据;
利用所述零偏优化数据以及大小为零的预设数据,调整所述网络参数。
在本申请实施例中,通过调整网络参数能够实现快速便捷的训练优化惯导数据优化模型。
第三方面,本申请实施例提供了一种惯导数据优化模型,包括:
输入层,所述输入层用于获取多个惯导系统在同一温度下各自测得的惯导数据;
与所述输入层连接的隐含层,所述隐含层用于对所述惯导数据执行如第一方面或第一方面的第一种可能的实现方式所述的惯导数据的优化方法,获得惯导优化数据;
以及,与所述隐含层连接的输出层;所述输出层用于将所述惯导优化数据输出。
第四方面,本申请实施例提供了一种电子设备,包括:数据接口、存储器、与所述存储器连接的处理器;
所述数据接口,用于采集到多个惯导系统各自测得的惯导数据;
所述存储器,用于存储程序;
所述处理器,所述处理器中部署有惯导数据优化模型,所述处理器用于调用并运行所述程序,以利用所述惯导数据优化模型对所述惯导数据执行如第一方面、第一方面的第一种可能的实现方式、第二方面或第二方面的任一种可能的实现方式所述的方法。
第四方面,本申请实施例提供了一种具有计算机可执行的非易失程序代码的计算机可读存储介质,所述程序代码使所述计算机执行如第一方面、第一方面的第一种可能的实现方式、第二方面或第二方面的任一种可能的实现方式所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的结构框图;
图2为本申请实施例提供的一种模型的训练方法的流程图;
图3为本申请实施例提供的一种惯导数据优化模型的结构框图;
图4为本申请实施例提供的一种惯导数据的优化方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
请参阅图1,本申请实施例提供了一种电子设备10,该电子设备可以是设置在载体例如车、飞机、轮船等上的终端或者服务器,其中,终端可以是个人电脑(PersonalComputer,PC)、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)等;服务器可以为网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。
可选的,电子设备10可以包括连接到载体上的多个惯导系统的数据接口11、用于执行程序指令的一个或多个处理器12、总线13、和不同形式的存储器14,例如,磁盘、ROM、RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。
数据接口11,用于实时的采集多个惯导系统各自测得的惯导数据。
存储器14,用于存储程序。
处理器12中部署有惯导数据优化模型。在惯导数据优化模型的训练过程中,处理器12用于调用并运行存储器14中的程序以利用数据接口11采集的惯导数据对惯导数据优化模型进行训练;而在惯导数据优化模型的实际使用中,处理器12用于调用并运行存储器14中的程序以利用惯导数据优化模型对数据接口11采集的惯导数据进行处理,以获得消除惯导系统零偏误差的惯导优化数据。
下面将分别从实际使用前训练模型的角度,以及实际中使用模型的角度详细说明本申请的技术方案。
请参阅图2,在训练过程中,本申请实施例提供的一种模型的训练方法,该模型的训练方法可以由电子设备10执行,该模型的训练方法的方法流程可以包括:
步骤S100:获得多个惯导系统各自的训练样本集,其中,每个训练样本集包括对应的一个惯导系统在各温度下测得的零偏数据。
步骤S200:从多个训练样本集中抽取出多个惯导系统在同一温度下各自测得的零偏数据,并利用该零偏数据训练预设的惯导数据优化模型。
下面将依次对上述流程进行详细说明。
首先需要说明的是,为更顺利的完成对模型的训练,在训练前可以预先构建出惯导数据优化模型的各层结构,这样在训练过程中便无需对惯导数据优化模型的结构再做调整,以便训练过程能够顺利完成。
如图3所示,作为构建惯导数据优化模型100的各层结构的示例性方式,在目前的各种模型或者网络中,小波神经网络是将小波分析理论和神经网络相结合的一种神经网络,其可以实现将时域和频域融合分析,并具有较强的学习能力和任意函数逼近能力,故惯导数据优化模型100可以采用小波神经网络。
在构建小波神经网络的各层结构的过程中,电子设备10可以先构建出小波神经网络的各层结构例如构建出输入层110、隐含层120以及输出层130,再将各层结构按顺序连接例如将隐含层120分别与输入层110和输出层130连接。除此之外,电子设备10也可以构建出每一层便建立该层与其它层的连接,例如电子设备10先构建出输入层110再构建出隐含层120,并将该隐含层120与输入层110连接,最后电子设备10构建出输出层130,并将其与隐含层120连接。
在构建并将各层连接后,电子设备10可以随机初始化设置隐含层120中的网络参数,即随机初始化设置隐含层120的伸缩因子、平移因子和网络连接权值等参数。
值得注意的是,隐含层120的数量可以根据实际需求设定,例如在电子设备10的性能较为强大的基础上,可以设置多个相互连接的隐含层120,以使惯导数据优化模型100能够具备更好处理效果,输出更准确的惯导优化数据。又例如在电子设备10的性能一般的情况下,可以设置一个或者两个相互连接的隐含层120,以使惯导数据优化模型100的处理效果在满足需求的基础上,有效控制惯导数据优化模型100给电子设备10造成的负荷。
构成好惯导数据优化模型100后,电子设备10可以执行步骤S100。
步骤S100:获得多个惯导系统各自的训练样本集,其中,每个训练样本集包括对应的一个惯导系统在各温度下测得的零偏数据。
本实施例中,电子设备10可以周期性的实时采集每个惯导系统的零偏数据,例如电子设备10可以以1分钟、2分钟或者5分钟为一个周期,在每个周期的开始或结束的时刻采集每个惯导系统的零偏数据。与此同时,为便于训练,电子设备10在采集到每个惯导系统的零偏数据时,电子设备10还可以根据采集该零偏数据时该惯导系统所在环境的温度,为该零偏数据打上该温度的标签,并将该打上该温度的标签的零偏数据归到该惯导系统的训练样本集中。
由于随着采样时间的不断推移环境的温度也在不断发生变化,在获得多个惯导系统各自的训练样本集后,每个训练样本集中的数据为对应的一个惯导系统在各温度下测得的零偏数据。
假设,惯导系统A的训练样本集X中包括:温度t1下惯导系统A的零偏数据A1、温度t2下惯导系统A的零偏数据A2、温度t3下惯导系统A的零偏数据A3……温度t100下惯导系统A的零偏数据A100、温度t101下惯导系统A的零偏数据A101。
而惯导系统B的训练样本集Y中包括:温度t1下惯导系统B的零偏数据B1、温度t2下惯导系统B的零偏数据B2、温度t3惯导系统B下的零偏数据B3……温度t100下惯导系统B的零偏数据B100、温度t101下惯导系统B的零偏数据B101。
当每个训练样本集中样本的数量足够多时,例如样本的数量达到1000个以上、10000个以上甚至100000个以上时,且训练样本集中的温度形成的温度区间能够覆盖到日常的最高或最低温度例如温度区间为-80℃到70℃时,电子设备10便可以利用这些训练样本集执行步骤S200对惯导数据优化模型100进行训练。
步骤S200:从多个训练样本集中抽取出多个惯导系统在同一温度下各自测得的零偏数据,并利用该零偏数据训练预设的惯导数据优化模型。
利用多个训练样本集中的大量数据,电子设备10可以对惯导数据优化模型100进行多次训练,例如电子设备10可以按照温度从高到低选择、从低到高选择或随机选择的方式,选择出每一次训练的温度,再从多个训练样本中依次抽取出在每一次选择出的温度下多个惯导系统各自测得的零偏数据,并利用依次抽取出的零偏数据依次对惯导数据优化模型100进行训练。
继续前述假设,温度从低到高的顺序依次是从温度t1到温度t101,那么训练的过程可以是:电子设备10从训练样本集X和训练样本集Y中抽取出温度t1下的零偏数据A1和零偏数据B1,并将零偏数据A1和零偏数据B1输入惯导数据优化模型100,以对惯导数据优化模型100进行训练。然后,电子设备10从训练样本集X和训练样本集Y中抽取出温度t2下的零偏数据A2和零偏数据B2,并将零偏数据A2和零偏数据B2输入惯导数据优化模型100,以继续对惯导数据优化模型100进行训练。再者,电子设备10从训练样本集X和训练样本集Y中抽取出温度t3下的零偏数据A3和零偏数据B3,并将零偏数据A3和零偏数据B3输入惯导数据优化模型100,以继续对惯导数据优化模型100进行训练。随着该训练过程的继续进行,一直到电子设备10从训练样本集X和训练样本集Y中抽取出温度t101下的零偏数据A101和零偏数据B101,并将零偏数据A101和零偏数据B101输入惯导数据优化模型100,以最后对惯导数据优化模型100进行训练。
需要说明的是,由于在采样时,电子设备10可以对某个惯导系统在同一温度的惯导数据进行多次采样。比如以前述假设为例进行说明,在T1时刻且温度为t1时,电子设备10采样惯导系统A的惯导数据A30、在T2时刻且温度也为t1时,电子设备10采样惯导系统A的惯导数据A40、以及在T3时刻且温度还为t1时,电子设备10采样惯导系统A的惯导数据A50。因此,在同一温度下,每个惯导系统的惯导数据都可以有多个。
由于惯导数据优化模型100输入层110构造可以决定输入惯导数据优化模型100的数据比例,故为便于惯导数据优化模型100的正常处理,电子设备10可以根据惯导数据优化模型100的输入层110构造,将同一温度下多个惯导系统的惯导数据按惯导数据优化模型100需要的数量比例输入该惯导数据优化模型100。
继续前述假设,在温度t1下惯导系统A的惯导数据包括:惯导数据A30、惯导数据A40和惯导数据A50,以及在温度t1下惯导系统B的惯导数据包括:惯导数据B23、惯导数据B24、惯导数据B77、惯导数据B84和惯导数据B89。
若惯导数据优化模型100需要的数量比例为惯导系统A/惯导系统B=2/3,那么电子设备10可以从惯导数据A30、惯导数据A40和惯导数据A50这3个数据中随机选择出2个数据输入惯导数据优化模型100,以及从惯导数据B23、惯导数据B24、惯导数据B77、惯导数据B84和惯导数据B89这5个数据中随机选择出3个数据输入惯导数据优化模型100。
值得指出的是,为实现惯导数据优化模型100的输出的惯导优化数据更准确,惯导数据优化模型100的数据比例可以设置为:在同一温度下每个惯导系统输入的惯导数据不止一个。这样,惯导数据优化模型100对惯导数据的处理不仅是将各惯导系统的惯导数据进行融合,且每个惯导系统自身的惯导数据也进行了融合,故可以得到更准确的惯导优化数据。
回到本实施例中,惯导数据优化模型100每一次处理多个惯导系统在同一温度下各自测得的零偏数据,都可以输出在该同一温度下的一个零偏优化数据。电子设备10可以根据每一次输出的零偏优化数据与大小为零的预设数据之间的LOSS,反向传播的去调节惯导数据优化模型100的网络参数,使得数据优化模型每一次输出的零偏优化数据越来越逼近0。
训练到最后,若惯导数据优化模型100输出各温度下的零偏优化数据都几乎为0,说明惯导数据优化模型100的准确度已经比较高,可以结束训练将该惯导数据优化模型100投入实际使用。
请参阅图4,在完成训练后,模型可以投入实际应用。在实际应用中,本申请实施例提供的一种惯导数据的优化方法,该惯导数据的优化方法可以由电子设备10执行,惯导数据的优化方法的流程包括:
步骤S101:获得多个惯导系统在同一温度下各自测得的惯导数据。
步骤S201:通过预设的惯导数据优化模型处理该惯导数据,获得在该温度下的一个惯导优化数据。
下面将依次对上述流程进行详细说明。
步骤S101:获得多个惯导系统在同一温度下各自测得的惯导数据。
在实际应用中,多个惯导系统可以周期性且同步的采集每个时刻时各自的惯导数据,其中,由于多个惯导系统同步采集数据,故多个惯导系统采集数据时的环境温度也相同。换言之,在每个时刻时,多个惯导系统各自的惯导数据为同一温度下的数据。
进一步的,当多个惯导系统采集到同一温度下各自测得的惯导数据时,多个惯导系统可以主动将该惯导数据发送给电子设备10,或者,电子设备10可以主动请求向多个惯导系统请求该惯导数据。这样,电子设备10便可以获得多个惯导系统在同一温度下各自测得的惯导数据。
步骤S201:通过预设的惯导数据优化模型处理该惯导数据,获得在该温度下的一个惯导优化数据。
电子设备10也按照惯导数据优化模型100所需的数据比例,将获得多个惯导系统在同一温度下各自测得的惯导数据按该数据比例输入到惯导数据优化模型100处理,进而获得惯导数据优化模型100输出在该温度下的惯导优化数据。
请参阅图3,基于同一发明构思,本申请实施例中还提供一种惯导数据优化模型100,该惯导数据优化模型100包括:
输入层110,所述输入层110用于获取多个惯导系统在同一温度下各自测得的惯导数据;
与所述输入层110连接的隐含层120,所述隐含层120用于对所述惯导数据执行前述的惯导数据的优化方法,获得惯导优化数据;
以及,与所述隐含层120连接的输出层130;所述输出层130用于将所述惯导优化数据输出。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的模型、系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读存储介质,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该计算机可读存储介质上存储有程序代码,该程序代码被计算机运行时执行上述任一实施方式的惯导数据的优化方法以及模型的训练方法的步骤。
本申请实施例所提供的惯导数据的优化方法以及模型的训练方法的程序代码产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
综上所述,本申请实施例提供了一种惯导数据优化方法、训练方法、模型、设备及存储介质。通过将多个惯导系统在同一温度下各自测得的惯导数据输入惯导数据优化模型处理,并得到一个最终的惯导优化数据。故可以由于各惯导系统的补偿各不相同而避免无法确定最优补偿的问题。此外,由于惯导优化数据是基于多个惯导数据的融合处理得到,故还可以使得最终的惯导优化数据更加准确。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种惯导数据的优化方法,其特征在于,所述方法包括:
获得多个惯导系统在同一温度下各自测得的惯导数据;
通过同一个预设的惯导数据优化模型处理所述惯导数据,获得在所述温度下的一个惯导优化数据;
其中,所述通过预设的惯导数据优化模型处理所述惯导数据,获得在所述温度下的一个惯导优化数据,包括:
将所述惯导数据按所述惯导数据优化模型需要的数量比例输入所述惯导数据优化模型;
获得所述惯导数据优化模型输出的所述惯导优化数据;
其中,所述将所述惯导数据按所述惯导数据优化模型需要的数量比例输入所述惯导数据优化模型之前,包括:将多个所述惯导系统自身测得的所述惯导数据进行融合;将多个所述惯导系统在同一温度下测得的所述惯导数据进行融合。
2.一种模型的训练方法,其特征在于,所述方法包括:
获得多个惯导系统各自的训练样本集,其中,每个所述训练样本集包括对应的一个所述惯导系统在各温度下测得的零偏数据;
从所述训练样本集中抽取出所述多个惯导系统在同一温度下各自测得的零偏数据,并利用所述各自测得的零偏数据训练预设的惯导数据优化模型;
其中,所述从所述训练样本集中抽取出所述多个惯导系统在同一温度下各自测得的零偏数据,包括:
从多个所述训练样本集中抽取出满足所述惯导数据优化模型需要的数量比例的所述各自测得的零偏数据。
3.根据权利要求2所述的模型的训练方法,其特征在于,在利用所述各自测得的零偏数据训练预设的惯导数据优化模型之前,所述方法还包括:
构建出所述惯导数据优化模型的输入层、与所述输入层连接的隐含层、以及与所述隐含层连接的输出层;
配置所述隐含层的网络参数。
4.根据权利要求3所述的模型的训练方法,其特征在于,利用所述各自测得的零偏数据训练预设的惯导数据优化模型,包括:
利用所述惯导数据优化模型处理所述各自测得的零偏数据,获得在所述同一温度下的零偏优化数据;
利用所述零偏优化数据以及大小为零的预设数据,调整所述网络参数。
5.一种惯导数据优化模型,其特征在于,包括:
输入层,所述输入层用于获取多个惯导系统在同一温度下各自测得的惯导数据;
与所述输入层连接的隐含层,所述隐含层用于对所述惯导数据执行如权利要求1所述的惯导数据的优化方法,获得惯导优化数据;
以及,与所述隐含层连接的输出层;所述输出层用于将所述惯导优化数据输出。
6.一种电子设备,其特征在于,包括:数据接口、存储器、与所述存储器连接的处理器;
所述数据接口,用于采集到多个惯导系统各自测得的惯导数据;
所述存储器,用于存储程序;
所述处理器,所述处理器中部署有惯导数据优化模型,所述处理器用于调用并运行所述程序,以利用所述惯导数据优化模型对所述惯导数据执行如权利要求1-4任一权项所述的方法。
7.一种具有计算机可执行的非易失程序代码的计算机可读存储介质,其特征在于,所述程序代码使所述计算机执行如权利要求1-4任一权项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164072.9A CN110987002B (zh) | 2019-11-25 | 2019-11-25 | 惯导数据优化方法、训练方法、模型、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164072.9A CN110987002B (zh) | 2019-11-25 | 2019-11-25 | 惯导数据优化方法、训练方法、模型、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110987002A CN110987002A (zh) | 2020-04-10 |
CN110987002B true CN110987002B (zh) | 2022-02-01 |
Family
ID=70086193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911164072.9A Expired - Fee Related CN110987002B (zh) | 2019-11-25 | 2019-11-25 | 惯导数据优化方法、训练方法、模型、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110987002B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813710A (zh) * | 2010-03-26 | 2010-08-25 | 浙江大学 | 一种改善微加速度计温度漂移性能的方法 |
CN102472632A (zh) * | 2009-10-26 | 2012-05-23 | 莱卡地球系统公开股份有限公司 | 惯性传感器的校准方法 |
CN103344257A (zh) * | 2013-06-28 | 2013-10-09 | 武汉大学 | 一种惯性测量单元的快速温度标定方法 |
CN108801292A (zh) * | 2017-04-27 | 2018-11-13 | 成都虚拟世界科技有限公司 | 一种陀螺仪数据校准方法及计算机可读存储介质 |
CN109459066A (zh) * | 2018-12-29 | 2019-03-12 | 中航电测仪器股份有限公司 | 一种传感器补偿的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9207079B2 (en) * | 2012-06-21 | 2015-12-08 | Innovative Solutions & Support, Inc. | Method and system for compensating for soft iron magnetic disturbances in a heading reference system |
-
2019
- 2019-11-25 CN CN201911164072.9A patent/CN110987002B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102472632A (zh) * | 2009-10-26 | 2012-05-23 | 莱卡地球系统公开股份有限公司 | 惯性传感器的校准方法 |
CN101813710A (zh) * | 2010-03-26 | 2010-08-25 | 浙江大学 | 一种改善微加速度计温度漂移性能的方法 |
CN103344257A (zh) * | 2013-06-28 | 2013-10-09 | 武汉大学 | 一种惯性测量单元的快速温度标定方法 |
CN108801292A (zh) * | 2017-04-27 | 2018-11-13 | 成都虚拟世界科技有限公司 | 一种陀螺仪数据校准方法及计算机可读存储介质 |
CN109459066A (zh) * | 2018-12-29 | 2019-03-12 | 中航电测仪器股份有限公司 | 一种传感器补偿的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110987002A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872242B (zh) | 信息推送方法和装置 | |
Wu et al. | Delay-dependent exponential stability analysis for discrete-time switched neural networks with time-varying delay | |
US20180060749A1 (en) | Content generation and targeting using machine learning | |
Guo et al. | Initial alignment for nonlinear inertial navigation systems with multiple disturbances based on enhanced anti-disturbance filtering | |
CN103118140A (zh) | 将文件分享给关系圈外其他用户终端的方法、系统及装置 | |
CN115130065B (zh) | 供应端特征信息处理方法、装置、设备和计算机可读介质 | |
CN103185886A (zh) | 卫星导航系统及实现方法 | |
Taylor et al. | Where is everywhere: Bringing location to the web | |
CN106323272B (zh) | 一种获取航迹起始轨迹的方法及电子设备 | |
JP2021120867A (ja) | 融合関係ネットワークの構築方法、融合関係ネットワークの構築装置、電子デバイス、記憶媒体及びプログラム | |
Kiliszek et al. | Accuracy of Precise Point Positioning (PPP) with the use of different International GNSS Service (IGS) products and stochastic modelling | |
CN110427574B (zh) | 路线相似度确定方法、装置、设备和介质 | |
CN111950791A (zh) | 一种航班延误预测方法、装置、服务器及存储介质 | |
CN110987002B (zh) | 惯导数据优化方法、训练方法、模型、设备及存储介质 | |
CN113918738A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
Koshkouei et al. | Discontinuous observers for non-linear time-delay systems | |
CN112765481B (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
Hajiyev | GNSS signals processing via linear and extended Kalman filters | |
CN110297948B (zh) | 关系网络构建方法以及装置 | |
Utomo et al. | Usability testing and evaluation of smart culinary system based on cyber-physical-social system | |
CN115049730B (zh) | 零件装配方法、装置、电子设备及存储介质 | |
CN106611100B (zh) | 一种用户行为分析方法和装置 | |
KR20210056700A (ko) | 인공지능을 활용한 소송 결과 예측 및 이를 이용한 법률 자문 서비스 방법 그리고 이를 이용한 시스템 | |
Editya et al. | Performance of IEEE 802.14. 5 and ZigBee protocol on realtime monitoring augmented reality based wireless sensor network system | |
CN113255769A (zh) | 化合物属性预测模型训练方法和化合物属性预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220201 |