CN112284366A - 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 - Google Patents
一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 Download PDFInfo
- Publication number
- CN112284366A CN112284366A CN202011159004.6A CN202011159004A CN112284366A CN 112284366 A CN112284366 A CN 112284366A CN 202011159004 A CN202011159004 A CN 202011159004A CN 112284366 A CN112284366 A CN 112284366A
- Authority
- CN
- China
- Prior art keywords
- polarized light
- angle
- neural network
- light compass
- lstm neural
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C17/00—Compasses; Devices for ascertaining true or magnetic north for navigation or surveying purposes
- G01C17/38—Testing, calibrating, or compensating of compasses
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于TG‑LSTM神经网络的偏振光罗盘航向角误差校正方法,首先建立TG‑LSTM神经网络模型;获取学习样本;训练TG‑LSTM神经网络模型;对偏振光罗盘的航向角误差进行补偿以获取准确的航向角。本发明适用于偏振光罗盘航向角测量,较之现有的多项式拟合技术,本发明提出的方法可通过建立倾角与数据采集周期非均匀等外部误差源与偏振光罗盘航向角误差之间复杂的非线性关系,有效消除因倾角和数据采集周期非均匀带来的误差,最终提高偏振光罗盘航向角测量精度。
Description
技术领域
本发明涉及偏振光罗盘信号处理领域,具体地说,是指一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法。
背景技术
近年来,偏振光定向技术通过获取天空偏振光中大气偏振模式进行航向测量得到广泛研究。在目前的航向测量中,偏振光罗盘都被假设为水平放置,然而在实际导航过程中偏振光罗盘的姿态即倾角会随载体运动时刻发生变化,这种假设会导致非常大的航向角测量误差,进而降低导航精度。因此,如何有效降低偏振光罗盘在实际导航过程中因倾角和数据采集周期非均匀导致输出航向角误差较大的问题至关重要。
现有提高偏振光罗盘航向角测量精度的方法主要包括:(1)改进航向角算法提高偏振光罗盘在各种天气条件下测量的鲁棒性;(2)获得高精度的偏振光罗盘校准方法;(3)将偏振光罗盘与其他导航手段相结合以提高导航系统的环境适应性和导航信息的完整性。但是偏振光罗盘在实际工作过程中,其航向角误差与偏振光罗盘的倾角及数据采集周期相关,上述方法均不能解决该问题。此外,偏振光罗盘的倾角及数据采集周期与航向角误差之间的关系具有高度非线性,传统的多项式拟合等简单方法很难精确地描述这种关系,目前尚无使用神经网络建模的方法进行偏振光罗盘航向角误差补偿。
神经网络模型作为一种通用灵活的函数逼近器,被广泛应用于非线性系统和数据建模中,因此可被应用于偏振光罗盘航向角误差校正。然而偏振光罗盘数据采集周期具有非均匀性,传统的神经网络如BP神经网络、Elman神经网络和径向基函数RBF神经网络等无法有效地处理该问题。
发明内容
发明目的:为了解决现有技术存在的因偏振光罗盘的倾角及数据采集周期非均匀导致航向角存在误差的问题,本发明提供一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法。
技术方案:一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法,包括以下步骤:
步骤一:将偏振光罗盘的倾角及数据采集周期作为神经网络的输入,所述倾角包括俯仰角及横滚角,将航向角误差作为神经网络的输出,构建三输入一输出的TG-LSTM神经网络模型;
步骤二:将偏振光罗盘固定在三轴转台上,将三轴转台的仰俯角、横滚角分别作为偏振光罗盘的俯仰角、横滚角,将偏振光罗盘连续两次输出航向角的时间差作为数据采集周期,作为学习样本的输入;采集三轴转台水平时偏正光罗盘输出的航向角,采集三轴转台倾斜时偏振光罗盘输出的航向角,将水平时的航向角与倾斜时的航向角之差作为学习样本的输出;通过不断改变三轴转台倾斜的角度丰富样本数量;
步骤三:根据步骤一得到的TG-LSTM神经网络模型和步骤二得到的学习样本,对各组学习样本分别采用TG-LSTM算法训练神经网络得到最优模型参数,获得训练好的TG-LSTM神经网络模型;
步骤四:测量偏振光罗盘工作过程中的实际俯仰角、横滚角,并与偏振光罗盘数据采集周期共同输入训练好的TG-LSTM神经网络模型中,通过计算预测航向角的误差,将偏振光罗盘输出的航向角减去预测的误差,得到补偿后的航向角。
进一步地,步骤二中,将三轴转台的俯仰角、横滚角分别从0°至180°变化,每隔3°进行一次数据采集,使学习样本覆盖所有倾角的测量范围。
进一步地,步骤三中,在训练过程中,采用时间反向传播算法更新TG-LSTM神经网络的所有权值矩阵。
本发明提供的一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法,相比较现有技术,存在以下优点:(1)采用神经网络建模的方法,即通过建立倾角与数据采集周期非均匀等外部误差源与偏振光罗盘航向角误差之间复杂的非线性关系,消除偏振光罗盘航向角的测量误差;(2)通过利用TG-LSTM神经网络中的额外时间门作为非线性标度因子,能够精确表征倾角及非均匀数据采集周期对航向角误差的影响,最终提高偏振光罗盘航向角误差建模精度,有效提高了偏振光罗盘航向角测量精度。
附图说明
图1是本发明的方法流程图;
图2是TG-LSTM神经网络训练图;
图3(a)是理想大气偏振模式下航向角误差;
图3(b)TG-LSTM神经网络建模的航向角误差;
图3(c)是图3(a)和图3(b)的差值;
图4是各种神经网络模型补偿后偏振光罗盘航向角误差对比效果图。
具体实施方式
下面结合附图和实例对本发明的具体实施方式作进一步的详细说明。
如图1所示,一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法,包括以下几个步骤:
步骤一:建立TG-LSTM神经网络模型
本实施例中,选取偏振光罗盘的倾角即俯仰角θ、横滚角δ以及数据采集周期Δtu为神经网络的输入,航向角误差为神经网络的输出,构建三输入一输出的TG-LSTM神经网络模型。采用所述神经网络建模的方法建立了倾角与数据采集周期非均匀等外部误差源与偏振光罗盘航向角误差之间复杂的非线性关系。
步骤二:获取学习样本
将偏振光罗盘固定在三轴转台上,以三轴转台的俯仰角θ、横滚角δ,以及偏振光罗盘连续两次输出航向角的时间间隔,也就是上一次输出和当前时刻输出航向角的时间差,即数据采集周期Δtu作为学习样本的输入,以三轴转台水平时与倾斜时偏振光罗盘输出的航向角之差作为学习样本的输出,通过控制三轴转台不同的倾斜角度,使学习样本覆盖所有可倾斜角度的测量范围;
本实施例中,具体地,控制三轴转台的俯仰角θ、横滚角δ分别从0°~180°连续变化,每隔3°进行一次包括俯仰角θ、横滚角δ、数据采集周期Δtu、三轴转台水平时与倾斜时偏振光罗盘输出的航向角之差在内的数据采集,丰富学习样本的数量,使学习样本覆盖所有可倾斜角度的测量范围。
步骤三:训练TG-LSTM神经网络模型
在步骤一得到的神经网络模型和步骤二获取的学习样本基础上,对各组学习样本分别采用TG-LSTM算法训练该神经网络得到最优模型参数;
本实施例中,图2是通过时间反向传播算法更新TG-LSTM神经网络所有权值矩阵的训练图。通过引入具有损失函数(LF)的随机梯度下降(SGD)方法不断修正神经网络模型参数,使损失函数(LF)最小化从而提高模型精度。对于TG-LSTM神经网络,计算时间门权重矩阵的梯度下降和输入权重矩阵的梯度下降至关重要,这两个向量的外积<·>通过以下公式计算:
通过上述过程反复训练,建立了一个稳定收敛的TG-LSTM神经网格模型。
本实施例中,图3(a)为理想大气偏振模式状态下航向角误差,图3(b)为通过步骤三训练好的TG-LSTM神经网络模型输出的航向角误差,图3(c)为(a)和(b)的差值,对比可以观察利用本模型实现的效果。
步骤四:对偏振光罗盘的航向角误差进行补偿以获取准确的航向角
采用惯性测量单元获取偏振光罗盘实际工作过程中的俯仰角θ与横滚角δ,并与偏振光罗盘数据采集周期Δtu共同输入至已训练好的TG-LSTM神经网络模型中,通过计算得到预测的航向角误差偏振光罗盘输出的航向角减去TG-LSTM神经网络模型预测的航向角误差即为准确的航向角。
本实施例中,图4为采用步骤四所述方法使用各种神经网络对偏振光罗盘航向角误差进行建模补偿后的对比结果,并对其均值、标准方差和均方根误差进行了计算,结果如下表所示:
Claims (3)
1.一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法,其特征在于,包括以下步骤:
步骤一:将偏振光罗盘的倾角及数据采集周期作为神经网络的输入,所述倾角包括俯仰角及横滚角,将航向角误差作为神经网络的输出,构建三输入一输出的TG-LSTM神经网络模型;
步骤二:将偏振光罗盘固定在三轴转台上,将三轴转台的仰俯角、横滚角分别作为偏振光罗盘的俯仰角、横滚角,将偏振光罗盘连续两次输出航向角的时间差作为数据采集周期,作为学习样本的输入;采集三轴转台水平时偏正光罗盘输出的航向角,采集三轴转台倾斜时偏振光罗盘输出的航向角,将水平时的航向角与倾斜时的航向角之差作为学习样本的输出;通过不断改变三轴转台倾斜的角度丰富样本数量;
步骤三:根据步骤一得到的TG-LSTM神经网络模型和步骤二得到的学习样本,对各组学习样本分别采用TG-LSTM算法训练神经网络得到最优模型参数,获得训练好的TG-LSTM神经网络模型;
步骤四:测量偏振光罗盘工作过程中的实际俯仰角、横滚角,并与偏振光罗盘数据采集周期共同输入训练好的TG-LSTM神经网络模型中,通过计算预测航向角的误差,将偏振光罗盘输出的航向角减去预测的误差,得到补偿后的航向角。
2.根据权利要求1所述的基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法,其特征在于,步骤二中,将三轴转台的俯仰角、横滚角分别从0°至180°变化,每隔3°进行一次数据采集,使学习样本覆盖所有倾角的测量范围。
3.根据权利要求1或2所述的基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法,其特征在于,步骤三中,在训练过程中,采用时间反向传播算法更新TG-LSTM神经网络的所有权值矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011159004.6A CN112284366B (zh) | 2020-10-26 | 2020-10-26 | 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011159004.6A CN112284366B (zh) | 2020-10-26 | 2020-10-26 | 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112284366A true CN112284366A (zh) | 2021-01-29 |
CN112284366B CN112284366B (zh) | 2022-04-12 |
Family
ID=74373267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011159004.6A Active CN112284366B (zh) | 2020-10-26 | 2020-10-26 | 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112284366B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115014313A (zh) * | 2022-05-30 | 2022-09-06 | 中北大学 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5390122A (en) * | 1993-05-07 | 1995-02-14 | Lectron Products, Inc. | Method and apparatus for calibrating a vehicle compass system |
US5654906A (en) * | 1995-07-06 | 1997-08-05 | Youngquist; John S. | Rate gyro error correction and use as heading source |
US6269306B1 (en) * | 2000-06-13 | 2001-07-31 | Ford Global Tech. | System and method for estimating sensor errors |
CN1888384A (zh) * | 2006-07-21 | 2007-01-03 | 北京航空航天大学 | 一种基于神经网络的钻井测斜仪方位角误差补偿方法 |
US20080154495A1 (en) * | 1997-10-22 | 2008-06-26 | Intelligent Technologies International, Inc. | Inertial Measurement Unit for Aircraft |
CN104931028A (zh) * | 2015-06-30 | 2015-09-23 | 北京联合大学 | 一种基于深度学习的三轴磁电子罗盘误差补偿方法 |
CN106959121A (zh) * | 2017-02-28 | 2017-07-18 | 北京联合大学 | 一种自主反向调优的超限学习算法在磁罗盘误差补偿中的应用方法 |
CN107063170A (zh) * | 2017-03-31 | 2017-08-18 | 中国人民解放军国防科学技术大学 | 复杂环境下基于大气偏振角模式的航向角估计方法 |
CN107389049A (zh) * | 2017-08-10 | 2017-11-24 | 北京联合大学 | 一种基于类卡尔曼因子的磁罗盘误差实时补偿方法 |
US20180010923A1 (en) * | 2015-10-13 | 2018-01-11 | Shanghai Huace Navigation Technology Ltd | Precision calibration method of attitude measuring system |
WO2018117872A1 (en) * | 2016-12-25 | 2018-06-28 | Baomar Haitham | The intelligent autopilot system |
CN108764475A (zh) * | 2018-08-01 | 2018-11-06 | 北斗航天卫星应用科技集团有限公司 | 遗传小波神经网络的陀螺随机误差补偿方法及系统 |
CH715309A2 (fr) * | 2018-09-10 | 2020-03-13 | Tissot Sa | Calibration ou réglage de magnétomètre. |
CN111156987A (zh) * | 2019-12-18 | 2020-05-15 | 东南大学 | 基于残差补偿多速率ckf的惯性/天文组合导航方法 |
CN111190211A (zh) * | 2019-12-30 | 2020-05-22 | 南京长峰航天电子科技有限公司 | 一种gps失效位置预测定位方法 |
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN111504312A (zh) * | 2020-07-02 | 2020-08-07 | 中国人民解放军国防科技大学 | 一种基于视觉惯性偏振光融合的无人机位姿估计方法 |
-
2020
- 2020-10-26 CN CN202011159004.6A patent/CN112284366B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5390122A (en) * | 1993-05-07 | 1995-02-14 | Lectron Products, Inc. | Method and apparatus for calibrating a vehicle compass system |
US5654906A (en) * | 1995-07-06 | 1997-08-05 | Youngquist; John S. | Rate gyro error correction and use as heading source |
US20080154495A1 (en) * | 1997-10-22 | 2008-06-26 | Intelligent Technologies International, Inc. | Inertial Measurement Unit for Aircraft |
US6269306B1 (en) * | 2000-06-13 | 2001-07-31 | Ford Global Tech. | System and method for estimating sensor errors |
CN1888384A (zh) * | 2006-07-21 | 2007-01-03 | 北京航空航天大学 | 一种基于神经网络的钻井测斜仪方位角误差补偿方法 |
CN104931028A (zh) * | 2015-06-30 | 2015-09-23 | 北京联合大学 | 一种基于深度学习的三轴磁电子罗盘误差补偿方法 |
US20180010923A1 (en) * | 2015-10-13 | 2018-01-11 | Shanghai Huace Navigation Technology Ltd | Precision calibration method of attitude measuring system |
WO2018117872A1 (en) * | 2016-12-25 | 2018-06-28 | Baomar Haitham | The intelligent autopilot system |
CN106959121A (zh) * | 2017-02-28 | 2017-07-18 | 北京联合大学 | 一种自主反向调优的超限学习算法在磁罗盘误差补偿中的应用方法 |
CN107063170A (zh) * | 2017-03-31 | 2017-08-18 | 中国人民解放军国防科学技术大学 | 复杂环境下基于大气偏振角模式的航向角估计方法 |
CN107389049A (zh) * | 2017-08-10 | 2017-11-24 | 北京联合大学 | 一种基于类卡尔曼因子的磁罗盘误差实时补偿方法 |
CN108764475A (zh) * | 2018-08-01 | 2018-11-06 | 北斗航天卫星应用科技集团有限公司 | 遗传小波神经网络的陀螺随机误差补偿方法及系统 |
CH715309A2 (fr) * | 2018-09-10 | 2020-03-13 | Tissot Sa | Calibration ou réglage de magnétomètre. |
CN111156987A (zh) * | 2019-12-18 | 2020-05-15 | 东南大学 | 基于残差补偿多速率ckf的惯性/天文组合导航方法 |
CN111190211A (zh) * | 2019-12-30 | 2020-05-22 | 南京长峰航天电子科技有限公司 | 一种gps失效位置预测定位方法 |
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN111504312A (zh) * | 2020-07-02 | 2020-08-07 | 中国人民解放军国防科技大学 | 一种基于视觉惯性偏振光融合的无人机位姿估计方法 |
Non-Patent Citations (6)
Title |
---|
CHONG SHEN ET AL.: "Comprehensive Heading Error Processing Technique Using Image Denoising and Tilt-Induced Error Compensation for Polarization Compass", 《IEEE ACCESS》 * |
FRANCESCO BATTISTONE ET AL.: "TGLSTM: A time based graph deep learning approach to gait recognition", 《PATTERN RECOGNITION LETTERS》 * |
GUOLIANG HAN ET AL.: "Design and Calibration of a Novel Bio-Inspired Pixelated Polarized Light Compass", 《SENSORS》 * |
范成叶 等: "电子罗盘安装误差标定与补偿方法研究", 《传感技术学报》 * |
赵成帅 等: "基于EMD-TFPF的仿生偏振光罗盘去噪方法", 《导航定位与授时》 * |
邵婷婷 等: "基于RBF神经网络的电子罗盘误差补偿研究", 《电子测量技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115014313A (zh) * | 2022-05-30 | 2022-09-06 | 中北大学 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
CN115014313B (zh) * | 2022-05-30 | 2023-08-22 | 中北大学 | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112284366B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101783050B1 (ko) | 3축 자계 센서의 교정 방법 및 장치 | |
CN111397755B (zh) | 一种温度测量仪绝对误差的修正方法 | |
CN107271081B (zh) | 基于两阶段最小二乘拟合的硅压阻式压力变送器温度补偿方法及装置 | |
CN109211219B (zh) | 一种光纤陀螺仪温度补偿方法 | |
CN110516350B (zh) | 一种基于各向异性加权的ers点误差修正方法 | |
CN112284366B (zh) | 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法 | |
CN110705002A (zh) | 一种仿真试验的补偿系统及方法 | |
CN113639737B (zh) | 一种光纤陀螺零偏确定方法 | |
CN111044077A (zh) | 星敏感器测量坐标系与基准立方镜坐标系间的标定方法 | |
CN110553667A (zh) | 一种对星敏感器进行热变形补偿的方法 | |
CN102654515B (zh) | 三轴加速度传感器的z敏感轴的校准方法 | |
CN115704697A (zh) | 陀螺仪的温度标定补偿方法、装置、设备及介质 | |
CN106897480B (zh) | 一种抑制光纤陀螺标度因数模型迟滞效应的建模方法 | |
CN113503813A (zh) | 六自由度运动平台线位移定位精度测量与误差补偿方法 | |
CN110193673B (zh) | 振镜式激光加工的网格分区域补偿方法 | |
CN109633205B (zh) | 一种石英谐振加速度计温度补偿方法 | |
CN110657821B (zh) | 一种轨道检测惯性测量装置的标定方法 | |
CN104142299A (zh) | 红外甲烷传感器的压力补偿方法 | |
CN110955013B (zh) | 主镜位置控制方法、装置、大口径望远镜及可读存储介质 | |
CN115238454A (zh) | 数据校正的方法和装置 | |
CN111220179B (zh) | 一种光学导航敏感器的惯性基准时空精确对准方法 | |
CN114018235A (zh) | 一种大量程光纤陀螺全温全动态脉冲补偿方法 | |
CN109974750B (zh) | 一种基于模糊逻辑系统的环形激光器温度建模及补偿方法 | |
CN112711736A (zh) | 大气密度探测数据的标校方法、装置、存储介质和处理器 | |
CN113848453B (zh) | 一种i/f电路线性度校准方法及系统 |
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 |