CN111598215A - 一种基于神经网络的温度补偿方法和系统 - Google Patents
一种基于神经网络的温度补偿方法和系统 Download PDFInfo
- Publication number
- CN111598215A CN111598215A CN202010258921.3A CN202010258921A CN111598215A CN 111598215 A CN111598215 A CN 111598215A CN 202010258921 A CN202010258921 A CN 202010258921A CN 111598215 A CN111598215 A CN 111598215A
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature compensation
- model
- layer
- experimental data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 52
- 239000000470 constituent Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010923 batch production Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
-
- 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)
- 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
本发明公开了一种基于神经网络的温度补偿方法和系统，本发明的方法包括步骤S1，对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；步骤S2，对步骤S1采集的每一个MEMS加速度计的实验数据进行预处理；步骤S3，采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；步骤S4，采用步骤S3得到的神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温度补偿。本发明的方法利用神经网络学习温度变化对传感器输出电压变化的关系，从而对MEMS传感器进行温度补偿。
Description
技术领域
本发明涉及MEMS技术领域，具体涉及一种基于神经网络的温度补偿方法和系统。
背景技术
随着MEMS技术的发展，惯性传感器在过去的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，而且其导致MEMS加速度计的性能大幅度的降低。
现有的温度补偿方法大多采用多项式函数(y＝a0+a1x+a2x2+…)和三角函数(y＝a0+a1 sin x+a2 cos x)。采用多项式函数的温度补偿技术由于多项式函数可以采用线性最小二乘法拟合，因此有成熟的实现方法。然而多项式函数也存在一定的局限性，由于温度曲线具有非线性的特点，当面对较为复杂的温度曲线时，需要用特高阶函数去拟合，实现起来非常复杂。另外，三角函数的温度补偿技术也比较常用。三角函数泰勒展开式能够达到多项式高阶数拟合的效果，但也只能拟合单个MEMS加速度计特性曲线，无法实现对不同MEMS加速度计的温度补偿。
发明内容
为了解决上述现有技术中存在的技术问题，本发明提供了一种基于神经网络的温度补偿方法。本发明利用神经挽留过学习温度变化对传感器输出电压变化的关系，从而实现对MEMS加速度计的问题补偿，还能够实现对多个传感器同时进行温度补偿。
本发明通过下述技术方案实现：
一种基于神经网络的温度补偿方法，该方法包括以下步骤：
步骤S1，对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；
步骤S2，对步骤S1采集的每一个MEMS加速度计的实验数据进行预处理；
步骤S3，采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；
步骤S4，采用步骤S3得到的神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温度补偿。
优选的，本发明的步骤S1中的实验数据采集具体为将温度控制在一定范围内变化，测量MEMS加速度计输出电压。
优选的，本发明的步骤S2中的预处理包括：对每一个MEMS加速度计的实验数据进行等间隔采样获得多组样本数据，然后将所有样本数据分批处理和归一化处理。
优选的，本发明的步骤S3中的神经网络模型包括n层，第1层的映射函数为：A[1]＝tanh(W[1]X+b[1])，第2至n层的映射函数为：A[j]＝tanh(W[j]A[j-1]+b[j])；其中，2≤j≤n，n为大于等于3的正整数，X表示神经网络的输入，A[1]表示第1层的映射函数，W[1]和b[1]表示第1层的参数，A[j]表示第j层的映射函数，W[j]和b[j]表示第j层的参数；第n层的映射函数输出A[n]作为预测值。
优选的，本发明的步骤S3的模型训练具体包括：
步骤S31，将预处理之后的m个MEMS加速度计的实验数据作为初始神经网络模型的输入，得到m个MEMS加速度计的预测值；
步骤S32，对步骤S32得到的预测值进行评估，评估函数为：
其中，cost表示神经网络模型输出的电压与理想的电压的趋近程度，Y(i)是第i个样本的标准输出，A[n](i)是第i个样本的预测值；
步骤S33，更新神经网络模型的参数，重新执行步骤S31和步骤S32；
步骤S34，按照预设迭代次数迭代执行步骤S31至步骤S33，最后得到训练好的神经网络温度补偿模型。
另一方面，本发明还提出了一种基于神经网络的温度补偿系统，该系统包括数据采集模块、预处理模块、神经网络模型训练模块和温度补偿模块；其中，数据采集模块用于对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；预处理模块用于对每一个MEMS加速度计的实验数据进行预处理；神经网络训练模块采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；温度补偿模块采用神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温度补偿。
优选的，本发明的数据采集模块具体在一定温度范围内，测量m个MEMS加速度计的输出电压即为实验数据。
优选的，本发明的预处理模块具体对每一个MEMS加速度计的实验数据进行等间隔采样获得多组样本数据，然后将所有样本数据分批处理和归一化处理。
优选的，本发明的神经网络训练模块包括神经网络模型、评估模块和模型参数优化模块；其中，预处理模块的输出作为神经网络模型的输入，神经网络模型的输出作为评估模块的输入，模型参数优化模块的输出用于对神经网络模型的参数进行更新；神经网络模型包括n层，第1层的映射函数为：A[1]＝tanh(W[1]X+b[1])，第2至n层的映射函数为：A[j]＝tanh(W[j]A[j-1]+b[j])；其中，2≤j≤n，n为大于等于3的正整数，X表示神经网络的输入，A[1]表示第1层的映射函数，W[1]和b[1]表示第1层的参数，A[j]表示第j层的映射函数，W[j]和b[j]表示第j层的参数；第n层的映射函数输出A[n]作为预测值。
优选的，本发明的神经网络训练模块的训练过程具体为：将预处理之后的m个MEMS加速度计的实验数据作为神经网络模型的输入，得到m个MEMS加速度计的预测值；所述评估模块对预测值进行评估，评估函数为：
其中，cost表示神经网络模型输出的电压与理想的电压的趋近程度，Y(i)是第i个样本的标准输出，A[n](i)是第i个样本的预测值；
所述模型参数优化模块对神经网络模型的参数进行更新，迭代执行相同的训练过程，最后得到训练好的神经网络温度补偿模型。
本发明具有如下的优点和有益效果：
1、本发明采用的神经网络模型采用tanh＝(ex-e-x)/(ex+e-x)函数作为激活函数，与数据相吻合，并且具有较高的非线性，从而达到非常好的拟合效果。
2、本发明通过神经网络训练、自动学习和优化参数，能够模拟非常复杂的函数关系。因此神经网络可以通过对大量MEMS加速度计输出电压随温度变化数据的学习来对不同的MEMS加速度计进行温度补偿。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的温度补偿方法流程示意图。
图2为本发明的神经网络训练结构示意图。
图3为本发明的温度补偿系统结构示意图。
图4为本发明的五层神经网络训练结构示意图。
图5为本发明的模拟拟合效果图。
图6为本发明的温度补偿效果图。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提出了一种基于神经网络的温度补偿方法，具体如图1所示，本实施例的方法包括以下步骤：
步骤S1，对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；具体为将温度控制在一定范围内变化，测量MEMS加速度计的输出电压。
步骤S2，对步骤S1采集的每一个MEMS加速度计的实验数据进行预处理；预处理具体是对实验数据等间隔采样，将采样的数据分批处理和归一化处理。
步骤S3，采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；具体为：建立神经网络模型，初始化模型参数，通过神经网络训练，从而实现对预处理的实验数据的学习，得到多MEMS加速度计输出电压随温度变化的近似关系。
本实施例中建立的神经网络模型包括n层，第1层的映射函数为：A[1]＝tanh(W[1]X+b[1])，第2至n层的映射函数为：A[j]＝tanh(W[j]A[j-1]+b[j])；其中，2≤j≤n，n为大于等于3的正整数，X表示神经网络的输入，A[1]表示第1层的映射函数，W[1]和b[1]表示第1层的参数，A[j]表示第j层的映射函数，W[j]和b[j]表示第j层的参数；第n层的映射函数输出A[n]作为预测值。
具体如图2所示，X输入至神经网络模型的第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：
Y(i)是第i个样本的标准输出，A[n](i)是第n层第i个样本的预测值。通过模型参数优化更新每层的参数W[i]、b[i]，重新计算cost，然后以相同的计算流程迭代n次得到输出
和训练好的神经网络模型。
步骤S4，采用步骤S3得到的神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温度补偿。
实施例2
根据上述实施例1的温度补偿方法，本实施例2还提出了一种基于神经网络的温度补偿系统，包括数据采集模块、预处理模块、神经网络模型训练模块和温度补偿模块；其中，数据采集模块用于对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；预处理模块用于对每一个MEMS加速度计的实验数据进行预处理；神经网络训练模块采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；温度补偿模块采用神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温度补偿。
实施例3
采用上述实施例1提出的温度补偿方法和实施例2提出的温度补偿系统对200个MEMS加速度计的输出电压进行温度补偿，具体过程如下：
1、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，得到温度对应的输出电压数据集。
2、对每一个MEMS加速度计等间隔采样1024组数据，然后将所有样本分批处理和归一化处理，加快收敛速度。
3、根据上述实施例所述(如图2所示)建立5层神经网络模型(如图4所示)，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，初始化参数，将上一步处理过后的数据作为【神经网络模型】的输入X，通过5层映射函数输出模型的预测值A[5]。
4、设计评估函数为：
Y(i)是第i个样本的标准输出，A[5](i)是第5层第i个样本的预测值。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。
4、利用训练好的神经网络模型(即神经网络温度补偿模块)对200个MEMS加速度计的测试数据进行补偿得到补偿后的结果。最终补偿结果如图5和图6所示，单个传感器最大误差不超过4.632967e-07，实现了对多个传感器的温度补偿。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的温度补偿方法，其特征在于，该方法包括以下步骤：
步骤S1，对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；
步骤S2，对步骤S1采集的每一个MEMS加速度计的实验数据进行预处理；
步骤S3，采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；
步骤S4，采用步骤S3得到的神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温度补偿。
2.根据权利要求1所述的一种基于神经网络的温度补偿方法，其特征在于，所述步骤S1中的实验数据采集具体为将温度控制在一定范围内变化，测量MEMS加速度计输出电压。
3.根据权利要求2所述的一种基于神经网络的温度补偿方法，其特征在于，所述步骤S2中的预处理包括：对每一个MEMS加速度计的实验数据进行等间隔采样获得多组样本数据，然后将所有样本数据分批处理和归一化处理。
4.根据权利要求1-3任一项所述的一种基于神经网络的温度补偿方法，其特征在于，所述步骤S3中的神经网络模型包括n层，第1层的映射函数为：A[1]＝tanh(W[1]X+b[1])，第2至n层的映射函数为：A[j]＝tanh(W[j]A[j-1]+b[j])；其中，2≤j≤n，n为大于等于3的正整数，X表示神经网络的输入，A[1]表示第1层的映射函数，W[1]和b[1]表示第1层的参数，A[j]表示第j层的映射函数，W[j]和b[j]表示第j层的参数；第n层的映射函数输出A[n]作为预测值。
5.根据权利要求4所述的一种基于神经网络的温度补偿方法，其特征在于，所述步骤S3的模型训练具体包括：
步骤S31，将预处理之后的m个MEMS加速度计的实验数据作为初始神经网络模型的输入，得到m个MEMS加速度计的预测值；
步骤S32，对步骤S32得到的预测值进行评估，评估函数为：
其中，cost表示神经网络模型输出的电压与理想的电压的趋近程度，Y(i)是第i个样本的标准输出，A[n](i)是第i个样本的预测值；
步骤S33，更新神经网络模型的参数，重新执行步骤S31和步骤S32；
步骤S34，按照预设迭代次数迭代执行步骤S31至步骤S33，最后得到训练好的神经网络温度补偿模型。
6.一种基于神经网络的温度补偿系统，其特征在于，该系统包括数据采集模块、预处理模块、神经网络模型训练模块和温度补偿模块；其中，数据采集模块用于对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；预处理模块用于对每一个MEMS加速度计的实验数据进行预处理；神经网络训练模块采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；温度补偿模块采用神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温度补偿。
7.根据权利要求6所述的一种基于神经网络的温度补偿系统，其特征在于，所述数据采集模块具体在一定温度范围内，测量m个MEMS加速度计的输出电压即为实验数据。
8.根据权利要求7所述的一种基于神经网络的温度补偿方法，其特征在于，所述预处理模块具体对每一个MEMS加速度计的实验数据进行等间隔采样获得多组样本数据，然后将所有样本数据分批处理和归一化处理。
9.根据权利要求6-8任一项所述的一种基于神经网络的温度补偿系统，其特征在于，所述神经网络训练模块包括神经网络模型、评估模块和模型参数优化模块；其中，预处理模块的输出作为神经网络模型的输入，神经网络模型的输出作为评估模块的输入，模型参数优化模块的输出用于对神经网络模型的参数进行更新；神经网络模型包括n层，第1层的映射函数为：A[1]＝tanh(W[1]X+b[1])，第2至n层的映射函数为：A[j]＝tanh(W[j]A[j-1]+b[j])；其中，2≤j≤n，n为大于等于3的正整数，X表示神经网络的输入，A[1]表示第1层的映射函数，W[1]和b[1]表示第1层的参数，A[j]表示第j层的映射函数，W[j]和b[j]表示第j层的参数；第n层的映射函数输出A[n]作为预测值。
10.根据权利要求9所述的一种基于神经网络的温度补偿系统，其特征在于，所述神经网络训练模块的训练过程具体为：将预处理之后的m个MEMS加速度计的实验数据作为神经网络模型的输入，得到m个MEMS加速度计的预测值；所述评估模块对预测值进行评估，评估函数为：
其中，cost表示神经网络模型输出的电压与理想的电压的趋近程度，Y(i)是第i个样本的标准输出，A[n](i)是第i个样本的预测值；
所述模型参数优化模块对神经网络模型的参数进行更新，迭代执行相同的训练过程，最后得到训练好的神经网络温度补偿模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010258921.3A CN111598215A (zh) | 2020-04-03 | 2020-04-03 | 一种基于神经网络的温度补偿方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010258921.3A CN111598215A (zh) | 2020-04-03 | 2020-04-03 | 一种基于神经网络的温度补偿方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598215A true CN111598215A (zh) | 2020-08-28 |
Family
ID=72181717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010258921.3A Pending CN111598215A (zh) | 2020-04-03 | 2020-04-03 | 一种基于神经网络的温度补偿方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598215A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107144275A (zh) * | 2017-07-17 | 2017-09-08 | 四川知微传感技术有限公司 | 一种微机械惯性传感器抗温漂结构 |
| 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 |
-
2020
- 2020-04-03 CN CN202010258921.3A patent/CN111598215A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107144275A (zh) * | 2017-07-17 | 2017-09-08 | 四川知微传感技术有限公司 | 一种微机械惯性传感器抗温漂结构 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|---|
| CN108827299B (zh) | 一种基于改进四元数二阶互补滤波的飞行器姿态解算方法 | |
| CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
| CN111539132B (zh) | 一种基于卷积神经网络的动载荷时域识别方法 | |
| CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
| CN110554606B (zh) | 一种用于高超音速飞行器的自适应容错控制方法 | |
| CN108537327B (zh) | 一种基于时间序列bp神经网络预测方法及装置 | |
| 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 | |
| CN111598215A (zh) | 一种基于神经网络的温度补偿方法和系统 | |
| 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 | |
| CN108255786B (zh) | 一种称重结果的干扰补偿计算方法及系统 | |
| CN104950135A (zh) | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 | |
| CN111896029A (zh) | 一种基于组合算法的mems陀螺随机误差补偿方法 | |
| CN108256238A (zh) | 一种基于深度学习的光纤光栅波长解调方法及装置 | |
| CN113176022A (zh) | 一种分段式神经网络压力传感器压力检测方法及系统 | |
| CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
| CN105550457B (zh) | 动态演化模型校正方法及系统 | |
| CN111596006A (zh) | 一种大气在线监测仪的校准方法及监测仪 | |
| CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
| CN111308112A (zh) | 一种基于神经网络的温度补偿系统 | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN117273217A (zh) | 一种空间碎片轨道预报方法、系统及电子设备 | |
| CN110489800B (zh) | 一种基于矩阵正则化的结构动荷载稀疏识别方法 | |
| US11537846B2 (en) | Neural network architecture with concurrent uncertainty output | |
| CN112368717A (zh) | 计算处理系统、传感器系统、计算处理方法及程序 | |
| Supriyati et al. | Recognition system of Indonesia sign language based on sensor and artificial neural network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |