CN111561929A - 一种用于车载mems惯性传感器的时延降噪方法 - Google Patents
一种用于车载mems惯性传感器的时延降噪方法 Download PDFInfo
- Publication number
- CN111561929A CN111561929A CN202010339248.6A CN202010339248A CN111561929A CN 111561929 A CN111561929 A CN 111561929A CN 202010339248 A CN202010339248 A CN 202010339248A CN 111561929 A CN111561929 A CN 111561929A
- Authority
- CN
- China
- Prior art keywords
- model
- vehicle
- time
- data
- mlr
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000009467 reduction Effects 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000035508 accumulation Effects 0.000 description 3
- 241001442495 Mantophasmatodea Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013106 supervised machine learning method 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
- 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
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Gyroscopes (AREA)
Abstract
本发明公开一种用于车载MEMS惯性传感器的时延降噪方法，包括如下步骤：实时测量和记录车辆行驶中的车载MEMS‑IMU数据，分为训练集S1和测试集S2；利用抽头延迟法建立时间延迟的多重线性回归数学模型TD‑MLR；以训练集S1代入TD‑MLR模型进行训练学习，求解确定该模型的最优参数；将测试集S2代入步骤3计算的最优参数下的TD‑MLR模型中进行验证，并评估降噪结果。本发明采用TD‑MLR模型来降低车载MEMS惯性传感器的信号噪声和误差，所建立的模型复杂程度低、降噪效果好，能够快速获取车载MEMS传感器的精准信号，极大改善低成本MEMS惯性传感器的应用效果。
Description
技术领域
本发明属于车载传感器信号处理领域，尤其涉及一种用于车载MEMS惯性传感器的时延降噪方法。
背景技术
基于微机电系统(Micro-Electro-Mechanical System，MEMS)的惯性传感器具有体积小、重量轻、成本低、功耗低、响应快、灵敏度高和易生产等特点，以及微型化和集成化的优势，目前已经逐渐取代传统机电技术传感器，而广泛应用于汽车领域，是实现车辆导航、定向和运动控制等功能的重要部件。但现有的MEMS陀螺仪性能由于漂移和累积误差等问题，使得其精度还比不上传统光纤陀螺仪，因此在实际应用中仍需要进行误差补偿来提高其测量精度。
CN201710561498.2公开了一种基于对合并式MEMS加速计传感器斩波的降噪方法及电子电路，其主要面向的是加速度计信号的降噪和滤波，没有评估对于陀螺仪信号的滤波效果；CN201810777853.4公开了一种基于改进阈值小波降噪的MEMS粗对准方法，能够提高整个MEMS粗对准系统对准速度，并有效减小误差，但其效果依赖于阈值的选定。
CN201810779491.2公开了一种基于归一化LMS算法的MEMS陀螺仪在线降噪方法，能够改善MEMS陀螺仪实时输出值的期望不可预知的问题，实现陀螺仪信号的在线降噪，但是当陀螺仪信号发生突变导致时，该方法的收收敛性变差。随着机器学习领域研究的不断深入，理论上已经具备利用该技术对MEMS传感器进行有效的降噪，但目前仍未有成熟的技术方案出现。
发明内容
针对现有技术中存在的不足，本发明提供了一种用于车载MEMS惯性传感器的时延降噪方法，采用时间延迟的多重线性回归(Time-delayed multiple linear regression，TD-MLR)来降低低成本车载MEMS惯性传感器的信号噪声和误差，该方法模型复杂度低、降噪性能好，可极大地改善低成本MEMS惯性传感器的性能。
一种用于车载MEMS惯性传感器的时延降噪方法，包括以下步骤：
步骤1，实时测量和记录车辆行驶中的车载MEMS-IMU数据，分为训练集S1和测试集S2；
步骤2，利用抽头延迟法建立TD-MLR的数学模型；
步骤3，以训练集S1代入TD-MLR的数学模型进行训练学习，求解确定模型的最优参数；
步骤4，将测试集S2代入步骤3计算的最优参数下的TD-MLR数学模型中进行验证，并评估降噪结果。
作为改进的是，步骤1中训练集S1和测试集S2为同一段道路上进行的不同时间段的测试，所述车载MEMS-IMU数据是指安装于车辆的一个六轴MEMS-IMU单元对其所在车辆测量的三个方向加速度和三个方向角速度，每个方向轴的数据均可看作是一个时间序列，假设xt＝[x1,x2,…,xn]表示该MEMS-IMU在任意一个方向的数据，t表示时间单位，n表示该时间序列的长度，记
表示由另一个六轴IMU单元提供的与原IMU数据xt相一一对应的参照数据；
作为改进的是，步骤2中抽头延迟线法(Tapped Delay Line Method，TDLM)利用延迟线抽头提取出延迟线内的信号，并与其他抽头求和以形成输出信号，即输出信号被表示为来自同一源信号的多个时间段的相应累加；基于该方法进行多重线性回归建模(TD-MLR)的步骤具体如下：
首先，将车载MEMS传感器的真值信号视为模型估计值与一个残差之和，可表示为：
yt＝F(xt)+∈t (1)
其中，yt表示传感器在第t个时间单位的真值信号；F(xt)表示一个任意监督学习模型的对信号xt的估计值；∈t则是yt与F(xt)之间的残差；
其次，采用抽头延迟线法方法，采集之前s个时间单位采集的惯性数据，对其中每个惯性数据增加权重系数，可将F(xt)改写为：
F(xt)＝α+βLq(xt) (2)
其中，α是第t个单位时间段的截距项；β表示滞后权重，为随q变化的时变参数；表达式Lq(xt)代表xt变量的延迟线变换过程；q表示在一个t时间段内自定义的滞后单位时间数。公式(2)是一个拟合线性方程，必须估计不同q中的每个单位时间信号的系数β；
最后，将公式(2)代入公式(1)，生成完整的TD-MLR模型，所述模型框架可表述为：
其中，xt-s表示对xt进行s个时间单位的时间延迟，βs表示新模型的滞后权重；在回归模型的训练过程中yT表示采集到的真实值，在建模后的测试阶段yT为模型输出的预测值，模型公式(3)中的α、∈T、βs为未知参数，需要通过步骤三进行寻优求解。
作为改进的是，步骤3中TD-MLR模型最优参数的求解流程，采用一种排序选择法来确定，具体步骤如下：
步骤3.1，将步骤1中所得的原MEMS-IMU数据代入到公式(3)中，此时公式(3)的预测输出yt与同一时刻的参照IMU单元的输出
之间的差值定义为损失函数f；
步骤3.2，第一次排序选择：将滞后单位时间数q按照由小至大的顺序输入TD-MLR模型，即q＝[q1,q2,,…,qi,…,qc]，q1＜q2＜…＜qc，下标i和c分别表示第i个q和q的个数，对每一个q进行单独测试，测试方法见步骤3.3；
步骤3.3，采用十折交叉验证方式，计算步骤3.2中每个q所对应的模型的均方根误差，具体如下：根据每个不同q值，可将数据S1随机划分为10等份得到S1_1,S1_2,…,S1_10,依次将S1_1,S1_2,…,S1_10中的每1个作为测试集，其余的9个作为训练集，重组可得共10组数据，以步骤3.1中损失函数f最小化为目的，利用最小二乘法对每组数据进行权重β的估计，可分别计算出10个均方根误差，记作Rq＝[rmse1,rmse2,…,rmse10]，其中rmse表示每次计算的均方根误差，Rq表示q对应的10个均方根误差的集合；
步骤3.4第二次排序选择：将步骤3.3中所得每个均方根误差数据集中元素由大至小进行排列,记作RDq＝DESC(Rq)，其中，DESC表示对原Rq的降序排列过程；计算Rq中10个均方根误差的平均值，记作
移除RDq中大于
的值，此时，剩余rmse所对应的模型即为每个q为所需模型；
步骤3.5进一步优选模型：对步骤3.4中每个q的所需模型进行方差分析，选择显著性差异低于0.05的模型为当前q值的最优模型，对每一个q重复该过程；
步骤3.6将步骤3.5模型优选后获取每个参数q及其对应的β带入公式(3)，就可以得到最终的TD-MLR模型。
有益效果：
本发明提供了一种用于车载MEMS惯性传感器的时延降噪方法，采用抽头延迟线方法将一个原始信号分解为多个时间段的累加，并采用多元线性回归将这些延迟信号整合、重建出一个完整的模型，能够很好的移除MEMS传感器的信号噪声和漂移误差，获得高质量的原始测量信号。现有的车载惯性传感器的降噪模型多为非线性的、且算法复杂度较高，抑或是对陀螺仪和加速度计的硬件性能要求较高，这直接导致了惯性传感器的应用成本增加，本发明方法解决了这些问题，特别适用于低成本较低性能的车载MEMS传感器，且可快速获得更加精准的信号，极大提高现有MEMS惯性传感器的应用效果。
附图说明
图1为本发明的基本算法框架和原理；
图2为抽头延迟线方法流程图；
图3为TD-MLR模型参数确定过程；
图4为四个试验MEMS-IMU的X轴方向不同q值的平均RMSE；
图5为X轴方向四个试验IMU的实际RMSE值和与Honeywel IMU值的偏差。
具体实施方式
实施例1
一种用于车载MEMS惯性传感器的时延降噪方法，包括以下步骤：
步骤1，实时测量和记录车辆行驶中的车载MEMS-IMU数据，分为训练集S1和测试集S2；
步骤2，利用抽头延迟法建立TD-MLR的数学模型；
步骤3，以训练集S1代入TD-MLR的数学模型进行训练学习，求解确定模型的最优参数；
步骤4，将测试集S2通过步骤3计算的最优参数下的TD-MLR的数学模型，并评估降噪结果。
其中，步骤1中车辆行驶过程采集的数据S1和S2为同一段道路上进行的不同时间段的测试，所述车载MEMS-IMU数据是指安装于车辆的一个六轴MEMS-IMU单元对其所在车辆测量的三个方向加速度和三个方向角速度，每个方向轴的数据均可看作是一个时间序列，假设xt＝[x1,x2,…,xn]表示该MEMS-IMU在任意一个方向的数据，t表示时间单位，n表示该时间序列的长度；为了进行回归建模，车上还另外安装一个六轴IMU单元作为标准参照，记
为该参照IMU单元输出的与原IMU单元xt相一一对应的数据。
步骤2中抽头延迟线法(Tapped Delay Line Method，TDLM)利用延迟线抽头提取出延迟线内的信号，并与其他抽头求和以形成输出信号，即输出信号被表示为来自同一源信号的多个时间段的相应累加，如图2所示，基于该方法进行多重线性回归建模(TD-MLR)的步骤具体如下：
首先，将车载MEMS传感器的真值信号视为模型估计值与一个残差之和，可表示为：
yt＝F(xt)+∈t (1)
其中，yt表示传感器在第t个时间单位的真值信号；F(xt)表示一个任意监督学习模型的对信号xt的估计值；∈t则是yt与F(xt)之间的残差；
其次，采用抽头延迟线法方法，采集之前s个时间单位采集的惯性数据，对其中每个惯性数据增加权重系数，可将F(xt)改写为：
F(xt)＝α+βLq(xt) (2)
其中，α是第t个单位时间段的截距项；β表示滞后权重，为随q变化的时变参数；表达式Lq(xt)代表xt变量的延迟线变换过程；q表示在一个t时间段内自定义的滞后单位时间数。公式(2)是一个拟合线性方程，必须估计不同q中的每个单位时间信号的系数β；
最后，将公式(2)代入公式(1)，生成完整的TD-MLR模型，所述模型框架可表述为：
其中，xt-s表示对xt进行s个时间单位的时间延迟，βs表示新模型的滞后权重；在回归模型的训练过程中yt表示采集到的真实值，在建模后的测试阶段yt为模型输出的预测值，模型公式(3)中的α、∈t、βs为未知参数，需要通过步骤3进行寻优求解。
对于步骤3而言，TD-MLR模型最优参数的求解流程如图3所示，采用一种排序选择法来确定，具体步骤如下：
步骤3.1，将步骤1中所得的原MEMS-IMU数据输入到公式(3)中，此时公式(3)的预测输出yt与同一时刻的参照IMU单元的输出
之间的差值定义为损失函数f；
步骤3.2，第一次排序选择：将滞后单位时间数q按照由小至大的顺序输入TD-MLR模型，即q＝[q1,q2,,…，qi，…,qc]，q1＜q2＜…＜qc，下标i和c分别表示第i个q和q的个数，对每一个q进行单独测试，测试方法见步骤3.3；
步骤3.3，采用十折交叉验证方式，计算步骤3.2中每个q所对应的模型的均方根误差，具体如下：根据每个不同q值，可将数据S1随机划分为10等份得到S1_1,S1_2,…,S1_10,依次将S1_1,S1_2,…,S1_10中的每1个作为测试集，其余的9个作为训练集，重组可得共10组数据，以步骤3.1中损失函数f最小化为目标，利用最小二乘法对每组数据进行权重β的估计，可分别计算出10个均方根误差，记作Rq＝[rmse1，rmse2，…，rmse10]，其中rmse表示每次计算的均方根误差，Rq表示q对应的10个均方根误差的集合；
步骤3.4第二次排序选择：将步骤3.3中所得每个均方根误差数据集中元素由大至小进行排列,记作RDq＝DESC(Rq)，其中，DESC表示对原Rq的降序排列过程；计算Rq中10个均方根误差的平均值，记作
移除RDq中大于
的值，此时，剩余rmse所对应的模型即为每个q为所需模型；
步骤3.5进一步优选模型：对步骤3.4中每个q的所需模型进行方差分析，选择显著性差异低于0.05的模型为当前q值的最优模型，对每一个q重复该过程；
步骤3.6将步骤3.5模型优选后获取每个参数q及其对应的β带入公式(3)，就可以得到最终的TD-MLR模型。
步骤4，将测试集S2代入步骤3计算的最优参数下的TD-MLR的数学模型中进行验证，并评估降噪结果。
实施例2
在实施例1的基础上，为了验证本发明方法试验效果，步骤1中选取了四个不同的MEMS-IMU惯性单元做测试，分别为XSens MTi10(Xsens),Crossbow IMU400CD(Cross-bow),Crista IMU(Crista)和Gladiator Landmark10(Gladiator)，同时还使用一个参照IMU传感器Honey-well H764G-1(Honeywell)作为本发明多重线性回归建模的样本，多重线性回归属于一种监督式机器学习方法。每个MEMS-IMU数据集内插匹配Honey-well IMU的工作频率(250Hz)和采样时间，即该Honey-well的IMU传感器性能优于由前面4个，属于更高等级的参照。行驶过程S1、S2在同一段公路上进行，行驶过程S1根据路况随机进行加减速或匀速，实时速度在20-80km/h之间，在50m*20m的场地内，行驶轨迹为“8”形，持续15分钟；行驶过程S2为沿路正常行驶，持续5分钟。
实施例3
在实施例2的基础上，我们进一步验证。
如图4所示为按照步骤2和步骤3方法进行操作后，计算得到四个试验MEMS-IMU在不同q下的x轴加速度数据的rmse均值。这里选用了一个自定义的范围在[1,100]，间隔为5的q值，此时一共有21个不同的q值以[1,5,10,15,…,95,100]顺序作为输入，可分别对四个MEMS-IMU的采集数据按照步骤2和步骤3的方式进行处理，求解时采用普通最小二乘法对TD-MLR模型的滞后权重参数β进行训练，最终获得的每个抽头滞后权重β在(0，1)内最优。同时，为了验证TD-MLR模型的可靠性，还另外采用了移动平均线(Moving Average,MA)和多层感知器(multi-layer perceptron,MLP)两个模型作为对比实验，其中，MLP隐藏层设定为[5,10,20,30,50,60,80,100],MLP的训练遍数即epoch设定为200。
实施例4
在实施例3的基础上，我们进一步验证。
如图5所示为按照步骤4所示，将四个传感器在S1数据集的X轴加速度数据对模型进行训练后，将S2过程的中X轴加速度数据作为测试进行评估，从图中可得MLP与TD-MLR两种方法的性能均相近。但TD-MLR在每个传感器上均优于MA，并发现TD-MLP与诸如MLP的非线性技术相比，以更低的复杂度实现了这种噪声降低，可以极大地改善使用低成本车载MEMS惯性传感技术的应用效果。
本发明提供一种用于车载MEMS惯性传感器的时延降噪方法，主要解决的技术问题是提供一种时延多重线性回归(TD-MLR)模型改善MEMS惯性传感器性能，具有较低的复杂度，较高的降噪性能，可以极大地改善使用低成本惯性传感器的应用效果。
以上所述仅为本发明的一个实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所做的等同替换，均应包含在本发明的保护范围之内。本发明未做详细阐述的内容属于本专业领域技术人员公知的已有技术。
Claims (4)
1.一种用于车载MEMS惯性传感器的时延降噪方法，其特征在于，包括以下步骤：
步骤1，实时测量和记录车辆行驶中的车载MEMS-IMU数据，分为训练集S1和测试集S2；
步骤2，利用抽头延迟法建立TD-MLR的数学模型；
步骤3，以训练集S1代入TD-MLR的数学模型进行训练学习，求解确定模型的最优参数；
步骤4，将测试集S2代入步骤3计算的最优参数下的TD-MLR的数学模型中进行验证，并评估降噪结果。
2.根据权利要求1所述的一种用于车载MEMS惯性传感器的时延降噪方法，其特征在于，步骤1中训练集S1和测试集S2为同一段道路上进行的不同时间段的测试，所述车载MEMS-IMU数据是指安装于车辆的一个六轴MEMS-IMU单元对其所在车辆测量的三个方向加速度和三个方向角速度，每个方向轴的数据均可看作是一个时间序列，假设xt＝[x1,x2,…,xn]表示该MEMS-IMU在任意一个方向的数据，t表示时间单位，n表示该时间序列的长度，记
表示由另一个六轴IMU单元提供的与原IMU数据xt相一一对应的参照数据。
3.根据权利要求1所述的一种用于车载MEMS惯性传感器的时延降噪方法，其特征在于，步骤2中抽头延迟线法TDLM利用延迟线抽头提取出延迟线内的信号，并与其他抽头求和以形成输出信号，即输出信号被表示为来自同一源信号的多个时间段的相应累加；如图2所示，基于该方法进行多重线性回归建模TD-MLR的步骤具体如下：
首先，将车载MEMS传感器的真值信号视为模型估计值与一个残差之和，可表示为
yt＝F(xt)+∈t (1)
其中，yt表示传感器在第t个时间单位的真值信号；F(xt)表示一个任意监督学习模型的对信号xt的估计值；∈t则是yt与F(xt)之间的残差；
其次，采用抽头延迟线法方法，采集之前s个时间单位采集的惯性数据，对其中每个惯性数据增加权重系数，可将F(xt)改写为：
F(xt)＝α+βLq(xt) (2)
其中，α是第t个单位时间段的截距项；β表示滞后权重，为随q变化的时变参数；表达式Lq(xt)代表xt变量的延迟线变换过程；q表示在一个t时间段内自定义的滞后单位时间数。公式(2)是一个拟合线性方程，必须估计不同q中的每个单位时间信号的系数β；
最后，将公式(2)代入公式(1)，生成完整的TD-MLR模型，所述模型框架可表述为：
其中，xt-s表示对xt进行s个时间单位的时间延迟，βs表示新模型的滞后权重；在回归模型的训练过程中yt表示采集到的真实值，在建模后的测试阶段yt为模型输出的预测值，模型公式(3)中的α、∈t、βs为未知参数，需要通过步骤三进行寻优求解。
4.根据权利要求1所述的一种用于车载MEMS惯性传感器的时延降噪方法，其特征在于，步骤3中TD-MLR模型最优参数的求解流程如图3所示，采用一种排序选择法来确定，具体步骤如下：
步骤3.1，将步骤1中所得的原MEMS-IMU数据代入到公式(3)中，此时公式(3)的预测输出yt与同一时刻的参照IMU单元的输出
之间的差值定义为损失函数f；
步骤3.2，第一次排序选择：将滞后单位时间数q按照由小至大的顺序输入TD-MLR模型，即q＝[q1，q2，,…,qi,…,qc]，q1＜q2＜…＜qc，下标i和c分别表示第i个q和q的个数，对每一个q进行单独测试，测试方法见步骤3.3；
步骤3.3，采用十折交叉验证方式，计算步骤3.2中每个q所对应的模型的均方根误差，具体如下：根据每个不同q值，可将数据S1随机划分为10等份得到S1_1,S1_2,…,S1_10,依次将S1_1,S1_2,…,S1_10中的每1个作为测试集，其余的9个作为训练集，重组可得共10组数据，以步骤3.1中损失函数最小化为目的利用最小二乘法对每组数据进行权重β的估计，可分别计算出10个均方根误差，记作Rq＝[rmse1,rmse2,…,rmse10]，其中rmse表示每次计算的均方根误差，Rq表示q对应的10个均方根误差的集合；
步骤3.4第二次排序选择：将步骤3.3中所得每个均方根误差数据集中元素由大至小进行排列,记作RDq＝DESC(Rq)，其中，DESC表示对原Rq的降序排列过程；计算Rq中10个均方根误差的平均值，记作
移除RDq中大于
的值，此时，剩余rmse所对应的模型即为每个q为所需模型；
步骤3.5进一步优选模型：对步骤3.4中每个q的所需模型进行方差分析，选择显著性差异低于0.05的模型为当前q值的最优模型，对每一个q重复该过程；
步骤3.6将步骤3.5模型优选后获取每个参数q及其对应的β带入公式(3)，就可以得到最终的TD-MLR模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010339248.6A CN111561929B (zh) | 2020-04-26 | 2020-04-26 | 一种用于车载mems惯性传感器的时延降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010339248.6A CN111561929B (zh) | 2020-04-26 | 2020-04-26 | 一种用于车载mems惯性传感器的时延降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111561929A true CN111561929A (zh) | 2020-08-21 |
| CN111561929B CN111561929B (zh) | 2022-05-03 |
Family
ID=72071565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010339248.6A Active CN111561929B (zh) | 2020-04-26 | 2020-04-26 | 一种用于车载mems惯性传感器的时延降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111561929B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326063A (zh) * | 2022-07-07 | 2022-11-11 | 江苏大块头智驾科技有限公司 | 一种基于深度学习的惯性器件信号滤波方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040015461A1 (en) * | 2002-07-13 | 2004-01-22 | Lo James Ting-Ho | Risk-averting method of training neural networks and estimating regression models |
| US20090319228A1 (en) * | 2007-04-25 | 2009-12-24 | Xiaoji Niu | Methods and Systems for Evaluating the Performance of MEMS-based Inertial Navigation Systems |
| CN105118333A (zh) * | 2015-09-30 | 2015-12-02 | 中国民用航空总局第二研究所 | 一种基于多重回归模型的空中交通管制模拟仿真异常检测方法和装置 |
| CN109855653A (zh) * | 2019-03-08 | 2019-06-07 | 哈尔滨工程大学 | 一种冗余式mems-imu的降噪处理后的标定方法 |
| CN110728357A (zh) * | 2019-09-19 | 2020-01-24 | 东南大学 | 一种基于循环神经网络的imu数据去噪方法 |
| 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 |
-
2020
- 2020-04-26 CN CN202010339248.6A patent/CN111561929B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040015461A1 (en) * | 2002-07-13 | 2004-01-22 | Lo James Ting-Ho | Risk-averting method of training neural networks and estimating regression models |
| US20090319228A1 (en) * | 2007-04-25 | 2009-12-24 | Xiaoji Niu | Methods and Systems for Evaluating the Performance of MEMS-based Inertial Navigation Systems |
| CN105118333A (zh) * | 2015-09-30 | 2015-12-02 | 中国民用航空总局第二研究所 | 一种基于多重回归模型的空中交通管制模拟仿真异常检测方法和装置 |
| CN109855653A (zh) * | 2019-03-08 | 2019-06-07 | 哈尔滨工程大学 | 一种冗余式mems-imu的降噪处理后的标定方法 |
| CN110728357A (zh) * | 2019-09-19 | 2020-01-24 | 东南大学 | 一种基于循环神经网络的imu数据去噪方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 陈伟: ""卫星遮挡交通环境下车辆融合定位策略研究"", 《中国优秀博士学位伦文全文数据库工程科技II辑》 * |
| 隋天宇等: "一种自适应均衡器最优阶数确定方法", 《仪器仪表学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326063A (zh) * | 2022-07-07 | 2022-11-11 | 江苏大块头智驾科技有限公司 | 一种基于深度学习的惯性器件信号滤波方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111561929B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330149B (zh) | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 | |
| CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
| CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
| CN107560849A (zh) | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
| CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
| CN109615860B (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
| CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
| CN113901379B (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
| CN113820003B (zh) | 一种适用于桥梁振动监测的加速度实时重构动态位移方法 | |
| CN104048676B (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
| CN113447021B (zh) | 基于lstm神经网络模型的mems惯性导航系统定位增强方法 | |
| Kim et al. | Structural fault detection of bridges based on linear system parameter and MTS method | |
| CN111521398A (zh) | 基于bp神经网络和主元分析法的齿轮箱故障诊断方法及系统 | |
| CN113609955A (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 | |
| CN113353085B (zh) | 一种基于卡尔曼滤波理论的路面不平度识别方法 | |
| CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
| CN111561929B (zh) | 一种用于车载mems惯性传感器的时延降噪方法 | |
| CN113203464A (zh) | 一种动态车载称重系统的传感器故障检测方法 | |
| CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
| CN111198032A (zh) | 汽车质量实时估算方法 | |
| CN104102127A (zh) | 一种机载气动参数辨识系统 | |
| CN108982096A (zh) | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 | |
| CN104990717A (zh) | 一种磁浮列车传感器信号处理方法 | |
| CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
| CN117454100A (zh) | 一种面向工程结构的缺失数据重构方法 |
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 |