CN111308112A - 一种基于神经网络的温度补偿系统 - Google Patents
一种基于神经网络的温度补偿系统 Download PDFInfo
- Publication number
- CN111308112A CN111308112A CN201911228289.1A CN201911228289A CN111308112A CN 111308112 A CN111308112 A CN 111308112A CN 201911228289 A CN201911228289 A CN 201911228289A CN 111308112 A CN111308112 A CN 111308112A
- Authority
- CN
- China
- Prior art keywords
- temperature compensation
- neural network
- layer
- model
- module
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P1/00—Details of instruments
- G01P1/006—Details of instruments used for thermal compensation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
-
- 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
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于神经网络的温度补偿系统,该系统包括:加速度计数据采集模块、数据预处理模块、神经网络温度补偿模型模块、专有神经网络温度补偿数学模型模块、神经网络温度补偿模型数字电路和加速度计模块。利用专有神经网络建立的温度补偿模型可以对不同的加速度计进行补偿,待补偿的加速度计只需将数据输入到FPGA/ASIC中便能得到补偿数据,操作简单,适应性强;采用双曲正切函数tanh(x)=(ex‑e‑x)/(ex+e‑x)作为激活函数,与加速度计电压随温度变化的数据相吻合,并且具有较高的非线性,从而达到很好的拟合效果;利用FPGA/ASIC来实现专有神经网络训练得出的温度补偿模型,可以对不同传感器进行温度补偿,使得整个系统具有更强的灵活性。
Description
技术领域
本发明涉及温度补偿领域,尤其涉及一种基于神经网络的温度补偿系统。
背景技术
随着MEMS技术的发展,惯性传感器在过去几年中成为应用最广泛的微机电系统器件之一,其中微加速度计已经成为被广泛用于测量物体加速度的惯性装置,但是环境温度的变化是影响MEMS加速度计测量结果的最重要原因之一,将导致MEMS加速度计的性能大幅度降低。
现有的加速度计温度补偿系统主要采取的方法是采集加速度计对应温度变化的数据,利用多项式函数对这些数据进行拟合,最终得出加速度计输出与温度之间的函数关系和补偿参数。将这些补偿参数保存在温度补偿系统中对加速度计的输出进行温度补偿。这种方法的主要缺点是只能对固定的加速度计进行补偿,而不同的加速度计则需要重新采集整套温度变化的数据,才能再进行多项式拟合得出新的补偿参数,工作量大,具有局限性。
发明内容
针对上述问题,本发明提出了一种基于神经网络的温度补偿系统,该温度补偿系统是基于神经网络建立的温度补偿模型,并采集大量加速度计的数据对所述温度补偿模型进行训练,最后在FPGA(Field-Programmable Gate Array)现场可编程门阵列或ASIC(Application Specific Integrated Circuit)专用集成电路中实现这个温度补偿模型。
本发明提出的一种基于神经网络的温度补偿系统,其特征在于,该系统包括加速度计数据采集模块、数据预处理模块、神经网络温度补偿模型模块、专有神经网络温度补偿数学模型模块、神经网络温度补偿模型数字电路和加速度计模块;加速度计数据采集模块的功能是对大量加速度计进行数据采集,数据预处理模块的功能是对采集的数据进行预处理,神经网络温度补偿模型模块的功能是对预处理后的数据进行训练,专有神经网络温度补偿数学模型模块是在专有神经网络中训练生成温度补偿模型,神经网络温度补偿模型数字电路模块是将在专有神经网络中训练生成的温度补偿模型在现场可编程门阵列FPGA或专用集成电路ASIC中实现从而生成相应的数字电路,加速度计模块为需要进行温度补偿的传感器。
相比之前基于多项式函数进行温度补偿的系统来说,本温度补偿系统具有以下的优点:
1.利用专有神经网络建立的温度补偿模型可以对不同的加速度计进行补偿,待补偿的加速度计只需将数据输入到FPGA/ASIC中便能得到补偿数据,操作简单,适应性强。
2.采用双曲正切函数tanh(x)=(ex-e-x)/(ex+e-x)作为激活函数,与加速度计电压随温度变化的数据相吻合,并且具有较高的非线性,从而达到很好的拟合效果。
3.利用FPGA/ASIC来实现专有神经网络训练得出的温度补偿模型,可以对不同传感器进行温度补偿,使得整个系统具有更强的灵活性。
附图说明
图1为本发明神经网络温度补偿系统框架图
图2为本发明的神经网络温度补偿模型
图3为五层神经网络温度补偿模型
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示,本发明为一种基于神经网络的温度补偿系统。该温度补偿系统是基于神经网络建立的温度补偿模型,并采集大量加速度计的数据对所述温度补偿模型进行训练,最后在FPGA(Field-Programmable Gate Array)现场可编程门阵列或ASIC(Application Specific Integrated Circuit)专用集成电路中实现这个温度补偿模型。
如图1所示,本发明为一种基于神经网络的温度补偿系统,其系统包括【加速度计数据采集】模块、【数据预处理】模块、【神经网络温度补偿模型】模块、【专有神经网络温度补偿数学模型】模块、【神经网络温度补偿模型数字电路】和【加速度计】模块。【加速度计数据采集】的功能是对大量加速度计进行数据采集,【数据预处理】的功能是对采集的数据进行预处理,【神经网络温度补偿模型】的功能是对预处理后的数据进行训练,【专有神经网络温度补偿数学模型】是在专有神经网络中训练生成的模型,【神经网络温度补偿模型数字电路】是将神经网络中训练生成的温度补偿模型在FPGA/ASIC中实现而生成的数字电路,【加速度计】为需要进行温度补偿的传感器。
【加速度计数据采集】模块输出采集的实验数据【Data_in】传递给【数据预处理】模块进行预处理,然后将预处理后的实验数据作为【神经网络温度补偿模型】的输入X输入至该神经网络温度补偿模型的第1层L1,第1层的映射函数为A[1]=tanh(W[1]X+b[1]),W[1]、b[1]是所述神经网络温度补偿模型第1层的参数,通过第1层的映射函数输出A[1]作为第2层L2的输入,第2层的映射函数为A[2]=tanh(W[2]A[1]+b[2]),W[2]、b[2]是所述神经网络温度补偿模型第2层的参数,通过第2层的映射函数输出A[2]作为第3层L3的输入,第3层至n-3层按照同样的方式连接,通过第n-3层的映射函数输出A[n-3]作为第n-2层Ln-2的输入,第n-2层Ln-2的映射函数为A[n-2]=tanh(W[n-2]A[n-3]+b[n-2]),W[n-2]、b[n-2]是所述神经网络温度补偿模型第n-2层的参数,通过第n-2层的映射函数输出A[n-2]作为第n-1层Ln-1的输入,第n-1层的映射函数为A[n-1]=tanh(W[n-1]A[n-2]+b[n-1]),W[n-1]、b[n-1]是所述神经网络温度补偿模型第n-1层的参数,通过第n-1层的映射函数输出A[n-1]作为第n层Ln的输入,第n层的映射函数为A[n]=tanh(W[n]A[n-1]+b[n]),W[n]、b[n]是所述神经网络温度补偿模型第n层的参数,通过第n层的映射函数输出A[n]作为预测值,评估函数为:
其中,Y(i)是第i个训练样本的标准输出,A[n](i)是第n层第i个训练样本的预测值,m是实验数据中的训练样本总数。通过模型参数优化更新所述神经网络温度补偿模型每层的参数W[i]、b[i],重新计算cost,然后以相同的计算流程迭代r次得到输出和训练生成的【专有神经网络温度补偿数学模型】。
将【专有神经网络温度补偿数学模型】在FPGA/ASIC中实现并生成【神经网络温度补偿模型数字电路】。【加速度计】模块输出数字温度值【Digital Vin】和数字电压值【Digital Te mp_in】,并将这两个信号传递给FPGA/ASIC中的【神经网络温度补偿模型数字电路】,最终FPGA/ASIC输出温度补偿后的数字信号【Digital Vout】。
在本发明的实施例中,将200个含有温度传感器的MEMS加速度计在(-55℃,125℃)之间进行实验,【加速度计数据采集】模块采集温度对应的输出电压数据集;对每一个MEMS加速度计等间隔采样1024组数据以构成训练样本,然后将所有训练样本分批处理和归一化处理,加快收敛速度;根据图2所示建立的5层【神经网络温度补偿模型】如图3所示,该5层【神经网络温度补偿模型】的第一层的映射函数为A[1]=tanh(W[1]X+b[1]),W[1]、b[1]是模型第1层的参数,第2层的映射函数为A[2]=tanh(W[2]A[1]+b[2]),W[2]、b[2]是模型第2层的参数,第3层的映射函数为A[3]=tanh(W[3]A[2]+b[3]),W[3]、b[3]是模型第3层的参数,第4层的映射函数为A[4]=tanh(W[4]A[3]+b[4]),W[4]、b[4]是模型第4层的参数,第5层的映射函数为A[5]=tanh(W[5]A[4]+b[5]),W[5]、b[5]是模型第5层的参数,初始化上述参数,将上一步经过【数据预处理】模块预处理过后的数据作为【神经网络温度补偿模型】的输入X,通过5层映射函数输出模型的预测值A[5]。
1.设计评估函数为:
其中Y(i)是第i个训练样本的标准输出,A[5](i)是第5层第i个训练样本的预测值。通过模型参数优化分别更新参数W[5]、b[5]、W[4]、b[4]、W[3]、b[3]、W[2]、b[2]、W[1]、b[1],重新计算cost,然后以相同的计算流程迭代3000次得到输出和训练好的神经网络模型。
表1 20个加速度计补偿对比
为了测试系统的性能,使用本系统对20个加速度计进行温度补偿对比,表1列出的是用于测试的20个MEMS加速度计数据,20个加速度计补偿对比的结果如表1所示,其中常温输出电压表示未受温度影响的输出电压,补偿前输出电压表示受温度影响最大的输出电压,补偿后输出电压表示经过本系统温度补偿后的输出电压。经过对比,补偿效果最低的是sensor1,相对误差降低了10-2,补偿效果最好的是sensor15,相对误差降低了10-5。整体补偿精度提高,而且实现了对多个MEMS加速度计补偿。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围。凡采用等同替换或等效替换,这些变化是显而易见,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于神经网络的温度补偿系统,其特征在于,该系统包括加速度计数据采集模块、数据预处理模块、神经网络温度补偿模型模块、专有神经网络温度补偿数学模型模块、神经网络温度补偿模型数字电路和加速度计模块;加速度计数据采集模块的功能是对大量加速度计进行数据采集,数据预处理模块的功能是对采集的数据进行预处理,神经网络温度补偿模型模块的功能是对预处理后的数据进行训练,专有神经网络温度补偿数学模型模块是在专有神经网络中训练生成温度补偿模型,神经网络温度补偿模型数字电路模块是将在专有神经网络中训练生成的温度补偿模型在现场可编程门阵列FPGA或专用集成电路ASIC中实现从而生成相应的数字电路,加速度计模块为需要进行温度补偿的传感器;
具体地,加速度计数据采集模块输出采集的实验数据Data_in并传递给数据预处理模块进行预处理,然后将预处理后的实验数据作为神经网络温度补偿模型的输入X输入至该神经网络温度补偿模型的第1层L1,第1层L1的映射函数为A[1]=tanh(W[1]X+b[1]),W[1]、b[1]是所述神经网络温度补偿模型第1层L1的参数,通过第1层L1的映射函数输出A[1]作为第2层L2的输入,第2层L2的映射函数为A[2]=tanh(W[2]A[1]+b[2]),W[2]、b[2]是所述神经网络温度补偿模型第2层L2的参数,通过第2层的映射函数输出A[2]作为第3层L3的输入,第3层至n-3层按照同样的方式连接,通过第n-3层Ln-3的映射函数输出A[n-3]作为第n-2层Ln-2的输入,第n-2层Ln-2的映射函数为A[n-2]=tanh(W[n-2]A[n-3]+b[n-2]),W[n-2]、b[n-2]是所述神经网络温度补偿模型第n-2层Ln-2的参数,通过第n-2层的映射函数输出A[n-2]作为第n-1层Ln-1的输入,第n-1层的映射函数为A[n-1]=tanh(W[n-1]A[n-2]+b[n-1]),W[n-1]、b[n-1]是所述神经网络温度补偿模型第n-1层Ln-1的参数,通过第n-1层Ln-1的映射函数输出A[n-1]作为第n层Ln的输入,第n层的映射函数为A[n]=tanh(W[n]A[n-1]+b[n]),W[n]、b[n]是所述神经网络温度补偿模型第n层Ln的参数,通过第n层Ln的映射函数输出A[n]作为预测值,评估函数为:
其中,Y(i)是第i个训练样本的标准输出,A[n](i)是第n层第i个训练样本的预测值,m是实验数据中的训练样本总数;通过模型参数优化更新所述神经网络温度补偿模型每层的参数W[i]、b[i],重新计算cost,然后以相同的计算流程迭代r次得到输出和训练生成的专有神经网络温度补偿数学模型;
将专有神经网络温度补偿数学模型在FPGA或ASIC中实现并生成神经网络温度补偿模型数字电路,加速度计模块输出数字温度值Digital Vin和数字电压值Digital Temp_in,并将这两个信号传递给FPGA或ASIC中的神经网络温度补偿模型数字电路,最终FPGA或ASIC输出温度补偿后的数字信号Digital Vout。
2.根据权利要求1所述的基于神经网络的温度补偿系统,其特征在于,所述实验数据为将200个含有温度传感器的MEMS加速度计在温度(-55℃,125℃)之间进行实验,所述加速度计数据采集模块采集温度对应的输出电压数据集,并对每一个MEMS加速度计等间隔采样1024组数据以构成训练样本,然后将所有训练样本分批处理和归一化处理,加快收敛速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911228289.1A CN111308112A (zh) | 2019-12-04 | 2019-12-04 | 一种基于神经网络的温度补偿系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911228289.1A CN111308112A (zh) | 2019-12-04 | 2019-12-04 | 一种基于神经网络的温度补偿系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111308112A true CN111308112A (zh) | 2020-06-19 |
Family
ID=71157956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911228289.1A Pending CN111308112A (zh) | 2019-12-04 | 2019-12-04 | 一种基于神经网络的温度补偿系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111308112A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598215A (zh) * | 2020-04-03 | 2020-08-28 | 四川知微传感技术有限公司 | 一种基于神经网络的温度补偿方法和系统 |
CN113381759A (zh) * | 2021-06-21 | 2021-09-10 | 江南大学 | 一种用于神经网络存算阵列的温度补偿单元及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566483A (zh) * | 2009-05-22 | 2009-10-28 | 哈尔滨工程大学 | 光纤陀螺捷联惯性测量系统振动误差补偿方法 |
CN106314428A (zh) * | 2016-09-14 | 2017-01-11 | 中国科学院微电子研究所 | 一种避撞系统、避撞方法及机动车辆 |
CN107636683A (zh) * | 2015-03-27 | 2018-01-26 | 三星电子株式会社 | 利用加速计识别用户的活动的方法和装置 |
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 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 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 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 |
CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
CN109820515A (zh) * | 2019-03-01 | 2019-05-31 | 中南大学 | TensorFlow平台上基于LSTM神经网络的多传感跌倒检测的方法 |
-
2019
- 2019-12-04 CN CN201911228289.1A patent/CN111308112A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566483A (zh) * | 2009-05-22 | 2009-10-28 | 哈尔滨工程大学 | 光纤陀螺捷联惯性测量系统振动误差补偿方法 |
CN107636683A (zh) * | 2015-03-27 | 2018-01-26 | 三星电子株式会社 | 利用加速计识别用户的活动的方法和装置 |
CN106314428A (zh) * | 2016-09-14 | 2017-01-11 | 中国科学院微电子研究所 | 一种避撞系统、避撞方法及机动车辆 |
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 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 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 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 |
CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
CN109820515A (zh) * | 2019-03-01 | 2019-05-31 | 中南大学 | TensorFlow平台上基于LSTM神经网络的多传感跌倒检测的方法 |
Non-Patent Citations (1)
Title |
---|
庞作超: ""硅微加速度计温度补偿技术研究"", 《万方数据》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598215A (zh) * | 2020-04-03 | 2020-08-28 | 四川知微传感技术有限公司 | 一种基于神经网络的温度补偿方法和系统 |
CN113381759A (zh) * | 2021-06-21 | 2021-09-10 | 江南大学 | 一种用于神经网络存算阵列的温度补偿单元及方法 |
CN113381759B (zh) * | 2021-06-21 | 2024-05-03 | 江南大学 | 一种用于神经网络存算阵列的温度补偿单元及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109489853B (zh) | 基于恒流源的高精度多通道铂电阻测温模块及方法 | |
CN111308112A (zh) | 一种基于神经网络的温度补偿系统 | |
CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
Lei et al. | Design of data-glove and Chinese sign language recognition system based on ARM9 | |
CN115688288B (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN112257186B (zh) | 针对小型四旋翼飞行器气动参数的时域辨识方法 | |
CN108663584A (zh) | 故障判定电路及方法、检测装置、电子设备、移动体 | |
CN112762962A (zh) | 基于温度滞后模型的微机电系统加速度计零偏补偿方法 | |
CN111121820B (zh) | 基于卡尔曼滤波的mems惯性传感器阵列融合方法 | |
CN114280332A (zh) | 一种三轴加速度传感器校正方法 | |
CN104102127A (zh) | 一种机载气动参数辨识系统 | |
CN111598215A (zh) | 一种基于神经网络的温度补偿方法和系统 | |
Ye et al. | Optimum experimental design applied to MEMS accelerometer calibration for 9-parameter auto-calibration model | |
CN117147022A (zh) | 力传感器非线性补偿方法及系统 | |
JP2018159569A (ja) | 姿勢算出装置、姿勢計測システム、及び姿勢算出方法 | |
CN114061571B (zh) | 一种自适应梯度下降惯性测量单元的姿态解算方法及系统 | |
CN114018235B (zh) | 一种大量程光纤陀螺全温全动态脉冲补偿方法 | |
CN115455347A (zh) | 一种mems加速度计混合误差建模补偿方法 | |
Eren | Measurement, Instrumentation, and Sensors | |
CN105101031B (zh) | 麦克风的配置方法 | |
CN113008291A (zh) | 数据生成方法及装置、存储介质及电子装置 | |
Kannan et al. | Adaptive recalibration algorithm for removing sensor errors and its applications in motion tracking | |
Pietruszczak et al. | Analysis of Selected Dynamic Properties of Fractional Order Accelerometers for Application in Telematic Equipment | |
CN113173258B (zh) | 一种通航飞机及小型飞行器航姿的测量方法 | |
CN109521226B (zh) | 一种速度计算方法、系统、电子设备及可读存储介质 |
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: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |