CN112906185B - 一种基于人工智能的mems惯性传感器异构阵列及其设计方法 - Google Patents

一种基于人工智能的mems惯性传感器异构阵列及其设计方法 Download PDF

Info

Publication number
CN112906185B
CN112906185B CN202110054148.3A CN202110054148A CN112906185B CN 112906185 B CN112906185 B CN 112906185B CN 202110054148 A CN202110054148 A CN 202110054148A CN 112906185 B CN112906185 B CN 112906185B
Authority
CN
China
Prior art keywords
mems inertial
inertial sensor
array
different
heterogeneous
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.)
Active
Application number
CN202110054148.3A
Other languages
English (en)
Other versions
CN112906185A (zh
Inventor
凤瑞
郑宇�
周铭
商兴莲
宋金龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China North Industries Group Corp No 214 Research Institute Suzhou R&D Center
Original Assignee
China North Industries Group Corp No 214 Research Institute Suzhou R&D Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China North Industries Group Corp No 214 Research Institute Suzhou R&D Center filed Critical China North Industries Group Corp No 214 Research Institute Suzhou R&D Center
Priority to CN202110054148.3A priority Critical patent/CN112906185B/zh
Publication of CN112906185A publication Critical patent/CN112906185A/zh
Application granted granted Critical
Publication of CN112906185B publication Critical patent/CN112906185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Micromachines (AREA)

Abstract

本发明公开了一种基于人工智能的MEMS惯性传感器异构阵列设计方法，包括：将多个不同的MEMS惯性传感器芯片组合排列，形成MEMS惯性传感器异构阵列；所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标；构建输入与输出神经网络模型；对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练；通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。形成异构的MEMS惯性传感器阵列，通过神经网络构建的输入与输出模型进行计算，得出传感器阵列的输出值，可以大幅提升输出信号的信噪比。

Description

一种基于人工智能的MEMS惯性传感器异构阵列及其设计方法
技术领域
本发明属于MEMS惯性传感器领域，具体地涉及一种基于人工智能的MEMS惯性传感器异构阵列及其设计方法。
背景技术
MEMS（Micro Electro Mechanical System）传感器具有体积小、质量轻、功耗低、成本低等优点。MEMS惯性传感器是一种应用极为广泛的MEMS力学传感器。MEMS惯性传感器包括检测加速度的MEMS加速度传感器和检测角速度的MEMS陀螺仪，其可广泛的应用于军事和民用领域。在工业自动化领域，其主要应用于先进的自动安全系统、高性能的导航系统、航行稳定性、翻滚的检测和预防、以及安全气囊和制动系统。在消费电子产品领域，主要应用于手机、平板电脑等数码产品、摄影器材中的图像稳定、虚拟现实产品以及计算机游戏。在军事应用方面，主要运用于弹药的惯性制导、飞行器的导航和姿态控制、平台稳定、便携式单兵导航等。
一些应用场合要求MEMS惯性传感器既具备大的测量范围，又能实现很高的分辨精度。或者既有大的带宽，又有很低的噪声。而传感器受制于自身感知原理、检测电路等的限制，使得传感器各种指标之间存在一定的关联性。当提高某一指标时，另一些指标会降低。传感器设计时需要折中考虑多种因素，实现传感器的综合指标最优。
为了在不降低现有MEMS惯性传感器的量程、带宽等性能指标的同时，进一步提高MEMS惯性传感器的零偏稳定性、分辨率等指标，同时又不显著提升MEMS惯性传感器的体积、质量和成本。国内外相关研究人员提出了多种解决方案，采用MEMS惯性传感器阵列方式是提高MEMS惯性传感器零偏稳定性的众多方案中的一种。
国内外相关研究人员提出了多种多传感器组合阵列的解决方案：
1、申请号为200510087698.6的发明专利申请《微机电系统中求系统平均值的传感器重复系统和方法》提出一种至少包含两个重复的传感器的MEMS传感器系统，通过计算其输出的加权平均值，实现在不损害动力学性能的情况下，降低传感器的噪声。
2、申请号为201310676685.7的发明专利申请《多量程的MEMSCMOS叉指电容加速度计》提出一种分段工作的MEMSCMOS叉指电容加速度计，其设计了六个量程不同的加速度计结构。工作时，不同量程的六个加速度计单元进行分段加速度测量，进而实现用一个传感器覆盖较大测量范围的目的。其缺点是工作时，每次仅有一个结构在正常工作，该结构未能充分利用同一输入在不同结构产生的响应不同的特点进行数据融合。
综上所述，目前MEMS惯性传感器的阵列组合方案全部采用的是将相同的传感器进行简单的重复排列后形成阵列，如图1所示，然后进行卡尔曼滤波的方案。由于阵列中每个MEMS传感器的敏感机械结构部分和检测电路部分相同，其加工误差等各类误差特性和大小也基本相同，因此阵列中每个MEMS传感器的性能特性曲线（输出信号与输入信号关系）也几乎完全相同，仅由于制造误差存在微弱的差异。。以MEMS加速度传感器阵列为例，图2为各芯片相同的MEMS加速度传感器阵列的输出信号与输入信号关系（标度因数）曲线示意图，曲线401为不含误差的单个MEMS加速度计芯片标度因数曲线，包含误差后的标度因数曲线在虚线402a和402b之间。因为阵列中所有MEMS加速度计芯片均相同，故而整个阵列的标度因数曲线也在虚线402a和402b之间。
例如，申请号为201911059650.2的专利申请公开了一种阵列式MEMS磁传感器实时标定方法，该方法需要构建复杂的数学算法模型，再求解模型系数，该方法计算复杂，无法适用于该输入与输出值之间的高阶非线性函数关系。
对于相同的传感器组成的阵列，根据白噪声理论，对于由N*N的MEMS惯性传感器阵列，阵列组合后的信号噪声理论上只能降低1/N倍。而随着N的增大，MEMS惯性传感器阵列的体积、功耗、成本将迅速增大。因此简单的将MEMS惯性传感器进行重复排列后的阵列设计方法不能有效的大幅提升输出信号的信噪比。
发明内容
针对上述存在的技术问题，本发明目的是：提供了一种基于人工智能的MEMS惯性传感器异构阵列及其设计方法，将相同功能，但结构形式不同和（或）电路形式不同或参数不同的MEMS惯性传感器芯片组合排列，形成异构的MEMS惯性传感器阵列，通过神经网络构建的输入与输出模型进行计算，得出传感器阵列的输出值。可以弥补单一传感器难以同时兼顾满足多项指标要求的难题，大幅提升输出信号的信噪比。
本发明的技术方案是：
一种基于人工智能的MEMS惯性传感器异构阵列设计方法，包括以下步骤：
S01：将多个不同的MEMS惯性传感器芯片组合排列，形成MEMS惯性传感器异构阵列；所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标；
S02：构建输入与输出神经网络模型；
S03：对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；
S04：通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。
优选的技术方案中，所述步骤S01中MEMS惯性传感器具有不同的结构，所述MEMS惯性传感器结构包括敏感机械结构和检测电路，不同的结构的MEMS惯性传感器包括不同的敏感机械结构和/或不同的检测电路。
优选的技术方案中，所述步骤S01中每个MEMS惯性传感器芯片具有不相同的标度因数曲线或温度曲线或噪声频谱曲线。
本发明还公开了一种基于人工智能的MEMS惯性传感器异构阵列，所述MEMS惯性传感器异构阵列包括阵列分布的多个不同的MEMS惯性传感器芯片，所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标，所述MEMS惯性传感器异构阵列的输出端连接AI处理芯片，所述AI处理芯片内置有构建的输入与输出神经网络模型，对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。
优选的技术方案中，所述MEMS惯性传感器芯片具有不同的结构，所述MEMS惯性传感器结构包括敏感机械结构和检测电路，不同的结构的MEMS惯性传感器包括不同的敏感机械结构和/或不同的检测电路。
优选的技术方案中，每个MEMS惯性传感器芯片具有不相同的标度因数曲线或温度曲线或者噪声频谱曲线。
与现有技术相比，本发明的优点是：
将相同功能，但敏感机械结构形式不同或电路形式不同或参数不同的MEMS惯性传感器芯片组合排列，形成异构的MEMS惯性传感器阵列，通过神经网络构建的输入与输出模型进行计算，得出传感器阵列的输出值。可以弥补单一传感器难以同时兼顾满足多项指标要求的难题，大幅提升输出信号的信噪比。本设计方法通过充分利用异构MEMS惯性传感器的输入输出特性不一致的特点，大大提高了MEMS惯性传感器性能的目的。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为现有的相同芯片组成的MEMS加速度计传统阵列示意图；
图2为现有的相同芯片组成的MEMS加速度计传统阵列的标度因数曲线示意图；
图3为本发明基于人工智能的MEMS惯性传感器异构阵列设计方法的流程图；
图4为本发明基于人工智能的MEMS惯性传感器异构阵列的结构框图；
图5为本发明传感器异构阵列的神经网络模型示意图；
图6为本发明Z轴扭摆式MEMS电容加速度计敏感机械结构部分示意图；
图7为本发明Z轴扭摆式MEMS电容加速度计检测电路部分示意图；
图8为异构芯片组成的MEMS加速度计异构阵列示意图；
图9为异构芯片组成的MEMS加速度计异构阵列的标度因数曲线示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本设计方法通过充分利用异构MEMS惯性传感器的输入输出特性不一致的特点，实现提高MEMS惯性传感器性能的目的。通过设计将相同功能，但结构形式不同或电路形式不同或参数不同的MEMS惯性传感器芯片组合排列，形成异构的MEMS惯性传感器阵列。
采用人工智能的数据处理方法，先对传感器异构阵列进行已知输入条件的试验，得到传感器异构阵列的试验数据。将试验得到的数据输入给计算机，进行神经网络的训练。训练后得出该异构阵列输入与输出数学模型，即训练计算出该传感器阵列的神经网络。完成神经网络训练后，将神经网络各节点的系数写入到传感器异构阵列的处理器中。传感器阵列实际使用中，各子传感器检测输入信号，再经过已训练的神经网络计算，得出最终传感器阵列的测量输出值。
如图3所示，本发明公开了一种基于人工智能的MEMS惯性传感器异构阵列设计方法，包括以下步骤：
S01：将多个不同的MEMS惯性传感器芯片组合排列，形成MEMS惯性传感器异构阵列；所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标；
S02：构建输入与输出神经网络模型；
S03：对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练；
S04：通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。
步骤S01中每个MEMS惯性传感器芯片具有相同的功能，不同的性能指标，这里相同的功能指可以是测量加速度的加速度计、测量角速度的陀螺仪等等，这里不同的性能指标指不相同的标度因数曲线或者温度曲线或者噪声频谱曲线得到其他性能指标，一较佳的实施例中，性能指标为不相同的标度因数或者温度系数或者噪声系数。
MEMS惯性传感器芯片包括敏感机械结构和检测电路，为了实现不同的性能指标，MEMS惯性传感器芯片需要具有不同的结构，即具有不同的敏感机械结构和/或不同的检测电路。异构MEMS惯性传感器的设计可以是不同敏感结构形式，相同敏感结构形式但结构参数不同，相同敏感结构但检测电路不同等多种方式实现。
另一实施例中，如图4所示，一种基于人工智能的MEMS惯性传感器异构阵列，所述MEMS惯性传感器异构阵列包括阵列分布的多个（本实施例中个数为N2）不同的MEMS惯性传感器芯片S11-Snn，所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标，所述MEMS惯性传感器异构阵列的输出端连接AI处理芯片，所述AI处理芯片内置有构建的输入与输出神经网络模型，对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。
MEMS惯性传感器芯片具有相同的功能，不同的性能指标，这里相同的功能指可以是测量加速度的加速度计、测量角速度的陀螺仪等等，这里不同的性能指标指不相同的标度因数曲线或者温度曲线或者噪声频谱曲线得到其他性能指标，一较佳的实施例中，性能指标为不相同的标度因数或者温度系数或者噪声系数。
MEMS惯性传感器芯片包括敏感机械结构和检测电路，为了实现不同的性能指标，MEMS惯性传感器芯片需要具有不同的结构，即具有不同的敏感机械结构和/或不同的检测电路。异构MEMS惯性传感器的设计可以是不同敏感结构形式，相同敏感结构形式但结构参数不同，相同敏感结构但检测电路不同等多种方式实现。
本发明对具体的神经网络模型的结构不做限定，一般的，如图5所示，包括输入层（N2个传感器输入）、w层神经网络和一个传感器阵列输出，这里的神经网络包括隐藏层和激活层，拟合输入与输出值之间的高阶非线性函数关系。
先对传感器异构阵列进行已知输入条件的试验，得到传感器异构阵列的试验数据。将试验得到的数据输入给计算机，进行神经网络的训练。训练后得出该异构阵列输入与输出数学模型，即训练计算出该传感器阵列的神经网络。训练过程中计算交叉熵损失，算出交叉熵损失后，就要开始反向传播进行参数优化，得到最优参数。
完成神经网络训练后，将神经网络各节点的系数写入到传感器异构阵列的处理器中。传感器阵列实际使用中，各子传感器检测输入信号，再经过已训练的神经网络计算，得出最终传感器阵列的测量输出值。
本设计方法不仅适用于MEMS惯性传感器阵列，也适用于MEMS麦克风阵列、MEMS压力传感器阵列等其他MEMS传感器阵列。
下面以Z轴扭摆式MEMS电容加速度计为例，MEMS加速度计可分为敏感机械结构部分和检测电路部分。
MEMS加速度计敏感机械结构部分主要由质量块101、弹性梁103a和103b、锚点102a和102b、电极104a和104b，硅衬底等组成，如图6所示。弹性梁103a一端与质量块101连接，另一端与锚点102a连接。弹性梁103b一端与质量块101连接，另一端与锚点102b连接。锚点102a和102b固定连接在硅衬底上。质量块101通过弹性梁103和锚点102悬浮于硅衬底上。布置在质量块101下方两侧的电极104a和104b与质量块101构成一组差分电容对。设计将弹性梁103偏移质量块101的中心对称轴布置，使得关于弹性梁103两侧的质量不同。当外界输入Z轴加速度时，两侧不等的质量产生绕弹性梁（103a、103b）所在轴的扭转力矩，质量块101在Z轴加速度作用下绕弹性梁（103a、103b）发生偏转。
MEMS加速度计检测电路部分主要由高频调制信号电路201、电荷/电压转换电路202、解调电路203、低通滤波电路204等组成，如图7所示。高频调制信号电路201产生一对幅值相同、相位相反的高频调制信号输入到质量块下方两侧的电极104a和104b，质量块发生偏转后输出同频率电荷信号，电荷信号经电荷/电压转换模块202放大、转换后输出电压信号，再由解调电路203与输入的高频调制信号进行解调，最后经低通滤波模块204滤除高频信号后输出直流电压信号。最终根据输出的直流电压信号可以推算出Z轴输入加速度。
本设计方法通过充分利用异构MEMS惯性传感器的输出特性不一致的特点，实现提高MEMS惯性传感器性能的目的。通过设计将异构的MEMS加速度计芯片组合排列形成传感器阵列，如图8所示。芯片501、502、503、504是具备相同功能、但结构或电路的形式或参数各不相同的MEMS加速度计芯片，该四个芯片构成了一个2×2的异构MEMS加速度计阵列。
图9为该异构MEMS加速度计阵列的标度因数曲线示意图，图中曲线601、602、603、604分别对应为加速度计芯片501、502、503、504的标度因数曲线。可知，对于某一输入加速度，该2×2异构阵列的输出值为4个差异明显的输出值。由于每个芯片的差异化设计，使得每个芯片的性能特性曲线也各不相同。
通过借助于试验设备上的标定试验，可以测量得出，已知输入情况下的异构阵列的每个传感芯片输出。进行大量标定试验，可以得到大量的试验数据。该试验的数据为1个输入值对应N2个输出值。N2个输出值无法满足实际使用时输入与输出唯一对应的要求，因此需要将N2个输出值进行数据处理。传统的先建立数学模型，再求解模型系数的方法，较难准确描述该输入与输出值之间的高阶非线性函数关系。因此需要采用人工智能的方式进行模型建立。
采用机器学习的方式，先对传感器异构阵列进行已知输入条件的试验，得到传感器异构阵列的试验数据。将试验得到的数据输入给计算机，进行神经网络的训练。训练后得出该异构阵列输入与输出数学模型，即训练计算出该传感器阵列的神经网络。完成神经网络训练后，将神经网络各节点的系数写入到传感器异构阵列的处理器中。传感器阵列实际使用中，各子传感器检测输入信号，再经过已训练的神经网络计算，得出最终传感器阵列的测量输出值。
异构MEMS惯性传感器的设计可以是不同敏感结构形式，相同敏感结构形式但结构参数不同，相同敏感结构但检测电路不同等多种方式实现。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (4)

1.一种基于人工智能的MEMS惯性传感器异构阵列设计方法，其特征在于，包括以下步骤：
S01：将多个不同的MEMS惯性传感器芯片组合排列，形成MEMS惯性传感器异构阵列；所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标；
S02：构建输入与输出神经网络模型；
S03：对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；
S04：通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值；
所述步骤S01中MEMS惯性传感器具有不同的结构，所述MEMS惯性传感器结构包括敏感机械结构和检测电路，不同的结构的MEMS惯性传感器包括不同的敏感机械结构和/或不同的检测电路。
2.根据权利要求1所述的基于人工智能的MEMS惯性传感器异构阵列设计方法，其特征在于，所述步骤S01中每个MEMS惯性传感器具有不相同的标度因数曲线或温度曲线或者噪声频谱曲线。
3.一种基于人工智能的MEMS惯性传感器异构阵列，其特征在于，所述MEMS惯性传感器异构阵列包括阵列分布的多个不同的MEMS惯性传感器芯片，所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标，所述MEMS惯性传感器异构阵列的输出端连接AI处理芯片，所述AI处理芯片内置有构建的输入与输出神经网络模型，对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值；
所述MEMS惯性传感器芯片具有不同的结构，所述MEMS惯性传感器结构包括敏感机械结构和检测电路，不同的结构的MEMS惯性传感器包括不同的敏感机械结构和/或不同的检测电路。
4.根据权利要求3所述的基于人工智能的MEMS惯性传感器异构阵列，其特征在于，每个MEMS惯性传感器芯片具有不相同的标度因数曲线或温度曲线或噪声频谱曲线。
CN202110054148.3A 2021-01-15 2021-01-15 一种基于人工智能的mems惯性传感器异构阵列及其设计方法 Active CN112906185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110054148.3A CN112906185B (zh) 2021-01-15 2021-01-15 一种基于人工智能的mems惯性传感器异构阵列及其设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110054148.3A CN112906185B (zh) 2021-01-15 2021-01-15 一种基于人工智能的mems惯性传感器异构阵列及其设计方法

Publications (2)

Publication Number Publication Date
CN112906185A CN112906185A (zh) 2021-06-04
CN112906185B true CN112906185B (zh) 2024-04-30

Family

ID=76113522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110054148.3A Active CN112906185B (zh) 2021-01-15 2021-01-15 一种基于人工智能的mems惯性传感器异构阵列及其设计方法

Country Status (1)

Country Link
CN (1) CN112906185B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113607776B (zh) * 2021-07-21 2023-03-10 广州德芯半导体科技有限公司 一种阵列型mems多气体传感器的实现方法
CN113899393B (zh) * 2021-11-29 2024-03-19 武汉飞恩微电子有限公司 基于神经网络的mems传感器的检测方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1796954A (zh) * 2004-12-22 2006-07-05 中国科学院合肥智能机械研究所 柔性三维力触觉传感器
CN102288176A (zh) * 2011-07-07 2011-12-21 中国矿业大学(北京) 基于信息融合的煤矿救灾机器人导航系统及方法
CN102706347A (zh) * 2012-05-17 2012-10-03 南京航空航天大学 一种惯性传感器网络节点装置及其信息融合方法
CN105760825A (zh) * 2016-02-02 2016-07-13 深圳市广懋创新科技有限公司 一种基于切比雪夫前向神经网络的手势识别系统和方法
US10416755B1 (en) * 2018-06-01 2019-09-17 Finch Technologies Ltd. Motion predictions of overlapping kinematic chains of a skeleton model used to control a computer system
CN110749629A (zh) * 2019-10-25 2020-02-04 清华大学 Mems气体检测系统及方法
CN111076770A (zh) * 2019-12-09 2020-04-28 电子科技大学 一种传感元件与忆阻器结合的多模态智能传感器
CN111121820A (zh) * 2019-12-16 2020-05-08 南京理工大学 基于卡尔曼滤波的mems惯性传感器阵列融合方法
CN111149141A (zh) * 2017-09-04 2020-05-12 Nng软件开发和商业有限责任公司 用于收集并使用来自交通工具的传感器数据的方法和装置
CN111239194A (zh) * 2018-11-28 2020-06-05 乐金电子研发中心(上海)有限公司 一种基于传感器阵列的气味识别模块

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014182718A1 (en) * 2013-05-07 2014-11-13 Iotelligent Technology Ltd Inc Architecture for implementing an improved neural network

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1796954A (zh) * 2004-12-22 2006-07-05 中国科学院合肥智能机械研究所 柔性三维力触觉传感器
CN102288176A (zh) * 2011-07-07 2011-12-21 中国矿业大学(北京) 基于信息融合的煤矿救灾机器人导航系统及方法
CN102706347A (zh) * 2012-05-17 2012-10-03 南京航空航天大学 一种惯性传感器网络节点装置及其信息融合方法
CN105760825A (zh) * 2016-02-02 2016-07-13 深圳市广懋创新科技有限公司 一种基于切比雪夫前向神经网络的手势识别系统和方法
CN111149141A (zh) * 2017-09-04 2020-05-12 Nng软件开发和商业有限责任公司 用于收集并使用来自交通工具的传感器数据的方法和装置
US10416755B1 (en) * 2018-06-01 2019-09-17 Finch Technologies Ltd. Motion predictions of overlapping kinematic chains of a skeleton model used to control a computer system
CN111239194A (zh) * 2018-11-28 2020-06-05 乐金电子研发中心(上海)有限公司 一种基于传感器阵列的气味识别模块
CN110749629A (zh) * 2019-10-25 2020-02-04 清华大学 Mems气体检测系统及方法
CN111076770A (zh) * 2019-12-09 2020-04-28 电子科技大学 一种传感元件与忆阻器结合的多模态智能传感器
CN111121820A (zh) * 2019-12-16 2020-05-08 南京理工大学 基于卡尔曼滤波的mems惯性传感器阵列融合方法

Also Published As

Publication number Publication date
CN112906185A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN108020687B (zh) 一种mems加速度计
CN112906185B (zh) 一种基于人工智能的mems惯性传感器异构阵列及其设计方法
US10725068B2 (en) Identification and compensation of MEMS accelerometer errors
CN104166015B (zh) 基于单片集成的高精度、大量程光学nems微加速度计
CN104807454B (zh) 一种单片集成六自由度微惯性测量单元及其加工方法
US20140360268A1 (en) Anchor-tilt cancelling accelerometer
CN107991060B (zh) 基于自适应和迭代算法的载荷分布式光纤辨识方法
Shi et al. Design, fabrication and calibration of a high-G MEMS accelerometer
US20190025056A1 (en) Electrostatic offset correction
CN102297688A (zh) 一种交叉采样电荷二次求和的全差分电容读出电路
CN111076748A (zh) 基于mems加速度计的水平倾角仪误差补偿方法及系统
CN108731676A (zh) 一种基于惯性导航技术的姿态融合增强测量方法及系统
CN111121820B (zh) 基于卡尔曼滤波的mems惯性传感器阵列融合方法
CN115667941B (zh) 自测信号和线性加速度信号的实时隔离
CN102508503B (zh) 一种基于广义内模的三轴惯性稳定平台偏心力矩补偿方法
CN103454449A (zh) 一种三轴微机械加速度计
CN112067844B (zh) Mems传感器阵列式高精度输出控制方法
CN107782914B (zh) 一种三轴加速计
CN110737194B (zh) 一种多mems传感器组合测姿方法
US11268975B2 (en) Accelerometer sensitivity self-calibration with duty cycle control of drive signal
CN114348951A (zh) 一种抗高过载硅敏感单元、微加速度计及其制备方法
CN112014597A (zh) 三轴谐振电容式微机电加速度计
CN113219819A (zh) 一种基于Matlab/Simulink的静电悬浮加速度计落塔实验仿真系统
Zhang et al. Accuracy analysis of digital closed-loop quartz flex accelerometer based on differential capacitance detection technology
CN218349394U (zh) 一种新型倾角芯片

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