CN113642249A - 陀螺仪零偏误差补偿方法 - Google Patents
陀螺仪零偏误差补偿方法 Download PDFInfo
- Publication number
- CN113642249A CN113642249A CN202111006218.4A CN202111006218A CN113642249A CN 113642249 A CN113642249 A CN 113642249A CN 202111006218 A CN202111006218 A CN 202111006218A CN 113642249 A CN113642249 A CN 113642249A
- Authority
- CN
- China
- Prior art keywords
- gyroscope
- value
- zero offset
- neural network
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 22
- 239000002184 metal Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Gyroscopes (AREA)
Abstract
本申请公开了一种陀螺仪零偏误差补偿方法。其中,该方法包括:获取当前时刻待检测陀螺仪的外壳内部的第一温度;将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,其中,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;将零偏误差值与标准零偏值相加,得到目标补偿值。本申请解决了由于相关技术中基于神经网络模型补偿陀螺仪的零偏,造成的拟合过度或者不足,以及预测结果不准确的技术问题。
Description
技术领域
本申请涉及陀螺仪校正领域,具体而言,涉及一种陀螺仪零偏误差补偿方法。
背景技术
现有的温度补偿方法包括两种,即常规的统计方法和人工智能方法。通过统计方法、模糊算法等手段建立陀螺的近似温度模型,如多项式模型,并应用此模型对陀螺零偏误差进行补偿。通常,热校准通过利用多项式拟合,找到适当的实验数据中的最小二乘多项式。在气候室内进行实验室测试时,多项式存在某些缺点,它适用于微机电陀螺仪校准,但不足以模拟突然变化的小范围温度间隔和传感器滞后的偏差趋势。还有一种温度补偿方法是通过PID控制算法实现陀螺仪的恒温控制,以及应用DSP硬件补偿系统将软硬件结合。随着技术的不断发展,神经网络技术、小波分析技术也得到了广泛的应用。但采用传统的方法进行温度误差补偿的过程中会产生庞大的工作量,并且在精度方面还有很大的提升空间。为了进一步对陀螺仪输出误差进行矫正,目前人工智能作为一种新兴技术,可以通过学习一种深层非线性网络结构,模拟更加复杂的函数,提高温度模型的准确性,为后续的温度误差补偿奠定了基础。但还是存在许多问题,有学者利用最小二乘法建立了一种零偏温度补偿模型,拟合出陀螺仪输出与温度之间的函数关系,并用该模型对新测的试验数据进行了预测补偿。多项式的次数越高就越精确,但系统的计算量亦会随之增大,因此需做权衡。随后针对传统的多项式模型难以精确表达零偏随温度变化的问题,有学者提出了一种基于灰色模型和RBF神经网络的MEMS陀螺温度补偿方法,用灰色模型对数据进行预处理,以减小原始数据的噪声,然后用降噪后的样本数据对RBF神经网络进行训练,并有效的进行温度补偿,另外,还可以利用BP神经网络良好的非线性建模能力来补偿陀螺仪的温度漂移,但这两种神经网络模型的泛化性能不佳,且熟练数据量较大,可能存在拟合不足和拟合过度的问题,因而造成预测结果不准确。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种陀螺仪零偏误差补偿方法,以至少解决由于相关技术中基于神经网络模型补偿陀螺仪的零偏,造成的拟合过度或者不足,以及预测结果不准确的技术问题。
根据本申请实施例的一个方面,提供了一种陀螺仪零偏误差补偿方法,包括:获取当前时刻待检测陀螺仪的外壳内部的第一温度;将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;将零偏误差值与标准零偏值相加,得到目标补偿值。
可选地,陀螺仪放置在温箱内,温箱的温度大于第一阈值且小于第二阈值,将第一温度输入至长短期记忆LSTM神经网络模型之前,方法还包括:检测陀螺仪金属外部的内部温度,在陀螺仪金属外部的内部温度达到第一阈值后,间隔第一预定时长后,每间隔第二预定时长采集内部温度的第一变化数据以及陀螺仪的第一输出值;在温箱的温度达到第二阈值后,间隔第三预定时长采集陀螺仪金属外部的内部温度的第二变化数据以及陀螺仪的第二输出值;将第一变化数据、第二变化、第一输出值以及第二输出值组成的数据集,确定为初始LSTM神经网络模型的训练集;基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型。
可选地,在基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型之后,方法还包括:选取预设指标,其中,预设指标包括:命中率和均方误差,其中,命中率用于指示误差的绝对值小于预设数值的样本数占总样本数的比率,均方误差用于指示误差的平均值;基于预设指标确定LSTM神经网络模型的预测效果等级,其中,预测效果等级至少包括:合格与不合格。
可选地,基于预设指标确定LSTM神经网络模型的预测效果等级,包括:在命中率大于预设命中率以及均方误差小于预设均方误差的情况下,确定LSTM神经网络模型为合格;基于合格的LSTM神经网络模型对陀螺仪的零偏误差值进行预测。
可选地,基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型,包括:确定初始LSTM神经网络模型的每个神经元正向传播参数;确定神经元的误差值,其中,误差值包括:延时间反向传播的误差值,以及延神经元上一层反向传播的误差值;根据误差值确定正向传播参数的梯度,基于随机梯度下降算法更新正向传播参数。
可选地,基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型之后,方法还包括:调用预设软件工具,将LSTM神经网络模型转换为控制器代码,其中,控制器设置在单片机中;运行控制器代码处理来自陀螺仪的数据。
根据本申请实施例的另一方面,还提供了一种陀螺仪零偏误差补偿装置,包括:获取模块,用于获取当前时刻待检测陀螺仪的外壳内部的第一温度;分析模块,用于将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,其中,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;第一确定模块,用于将零偏误差值与标准零偏值相加,得到目标补偿值。
可选地,陀螺仪放置在温箱内,温箱的温度大于第一阈值且小于第二阈值,装置还包括:检测模块,用于将第一温度输入至长短期记忆LSTM神经网络模型之前,检测陀螺仪金属外部的内部温度,在陀螺仪金属外部的内部温度达到第一阈值后,间隔第一预定时长后,每间隔第二预定时长采集内部温度的第一变化数据以及陀螺仪的第一输出值;采集模块,用于在温箱的温度达到第二阈值后,间隔第三预定时长采集陀螺仪金属外部的内部温度的第二变化数据以及陀螺仪的第二输出值;第二确定模块,用于将第一变化数据、第二变化、第一输出值以及第二输出值组成的数据集,确定为初始LSTM神经网络模型的训练集;第三确定模块,用于基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种陀螺仪零偏误差补偿方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种陀螺仪零偏误差补偿方法。
在本申请实施例中,采用LSTM神经网络模型预测零偏误差值的方式,通过获取当前时刻待检测陀螺仪的外壳内部的第一温度;将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;将零偏误差值与标准零偏值相加,得到目标补偿值,达到了准确的目的,从而实现了基于LSTM神经网络模型准确,自动预测零偏误差值的技术效果,进而解决了由于相关技术中基于神经网络模型补偿陀螺仪的零偏,造成的拟合过度或者不足,以及预测结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的陀螺仪零偏误差补偿方法的流程示意图;
图2是本申请一种可选的陀螺仪零偏补偿的流程示意图;
图3是根据本申请实施例的一种陀螺仪零偏误差补偿装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种陀螺仪零偏误差补偿方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的陀螺仪零偏误差补偿方法,如图1所示,该方法包括如下步骤:
步骤S102,获取当前时刻待检测陀螺仪的外壳内部的第一温度;
步骤S104,将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;
步骤S106,将零偏误差值与标准零偏值相加,得到目标补偿值。
该陀螺仪零偏误差补偿方法中,获取当前时刻待检测陀螺仪的外壳内部的第一温度;将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;将零偏误差值与标准零偏值相加,得到目标补偿值,达到了准确的目的,从而实现了基于LSTM神经网络模型准确,自动预测零偏误差值的技术效果,进而解决了由于相关技术中基于神经网络模型补偿陀螺仪的零偏,造成的拟合过度或者不足,以及预测结果不准确的技术问题。
本申请一些实施例中,陀螺仪放置在温箱内,温箱的温度大于第一阈值且小于第二阈值,将第一温度输入至长短期记忆LSTM神经网络模型之前,方法还包括:检测陀螺仪金属外部的内部温度,在陀螺仪金属外部的内部温度达到第一阈值后,间隔第一预定时长后,每间隔第二预定时长采集内部温度的第一变化数据以及陀螺仪的第一输出值;在温箱的温度达到第二阈值后,间隔第三预定时长采集陀螺仪金属外部的内部温度的第二变化数据以及陀螺仪的第二输出值;将第一变化数据、第二变化、第一输出值以及第二输出值组成的数据集,确定为初始LSTM神经网络模型的训练集;基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型。
本申请一些可选的实施例中,在基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型之后,可选取预设指标,其中,预设指标包括:命中率和均方误差,其中,命中率用于指示误差的绝对值小于预设数值的样本数占总样本数的比率,均方误差用于指示误差的平均值;基于预设指标确定LSTM神经网络模型的预测效果等级,其中,预测效果等级至少包括:合格与不合格。
本申请一些实施例中,基于预设指标确定LSTM神经网络模型的预测效果等级,具体地,在命中率大于预设命中率以及均方误差小于预设均方误差的情况下,确定LSTM神经网络模型为合格;基于合格的LSTM神经网络模型对陀螺仪的零偏误差值进行预测。
本申请一些可选的实施例中,可基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型,包括:确定初始LSTM神经网络模型的每个神经元正向传播参数;确定神经元的误差值,其中,误差值包括:延时间反向传播的误差值,以及延神经元上一层反向传播的误差值;根据误差值确定正向传播参数的梯度,基于随机梯度下降算法更新正向传播参数。
本申请一些实施例中,在基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型之后,可调用预设软件工具,将LSTM神经网络模型转换为控制器代码,其中,控制器设置在单片机中;运行控制器代码处理来自陀螺仪的数据。
图2是本申请一种可选的陀螺仪零偏补偿的流程示意图,如图2所示,具体的步骤可包括:
1.系统建模
(1)分析MEMS陀螺仪的温度特性:
通过分析MEMS陀螺仪温度特性,当温度发生变化时,MEMS陀螺的谐振频率变化,随之影响最终的角速度输出,因此,需要对MEMS陀螺仪进行温度误差补偿。
(2)利用热斜坡方法采集温度数据:
将MEMS陀螺仪放置于温箱内,打开测试设备电源,设置温箱程序,设定温度为-40℃~60℃。在测试过程中,温度是唯一环境量,通过热阻得到MEMS陀螺仪金属外壳内部的实时温度,其值与MEMS陀螺仪输出同步。温箱温度初始值设置为-40℃,待温度到达-40℃后,保温15分钟开始记录数据。温箱温度在-40℃保持1小时后将温度变化速率调至0.5℃/min,当温箱温度升高至60℃后保持1小时,以确保MEMS陀螺仪外壳内部的温度与温箱温度保持一致。随后停止记录,保存数据并关闭温箱。观察温度变化时的漂移现象。
(3)对深度学习的补偿框架进行研究:
①数据的选择:
选择传感器的温度测量值作为网络的输入,并选择误差信号作为网络的输出。每个传感器(三个加速度计和三个陀螺仪)都有六个不同的神经网络,并带有各自的参数。在补偿阶段,将传感器的测量值和相对应的温度提供给受过训练的网络,进而估计出相关的误差。传感器将这个估计的误差添加到测量值中,然后通过网络得出补偿值。
②模型参数的设定:
通过使用随机梯度下降法、自适应梯度下降法的反向传播等训练方法训练该算法模型。本方法拟采用3层LSTM网络、一层dropout和一层全连接神经网络。LSTM单元拟用128个神经元进行训练。输入为温度、输出为陀螺零偏误差数据。本文选用120000样本数据集为训练集,120000样本为测试集。输入维度为1,滑动窗口大小为200。然后需要调节的主要参数有存储单元数目、结构和训练集时间窗口大小。对每种情况训练100次,监测其命中率以及模型指标。
③模型指标:
本文选用的评价指标是命中率和均方误差。命中率是预测误差的绝对值小于或等于0.1的样本数占总样本数的比率,它体现预测模型的准确程度;均方误差指的是误差平方的平均值,它体现预测效果的稳定程度
(4)深度学习下补偿方法研究:
本方法提出运用LSTM网络对陀螺零偏进行补偿。
(5)LSTM神经网络的训练:
LSTM的训练算法是一种反向传播算法,主要分为以下三个步骤:
步骤1:计算每个神经元正向传播参数。对于LSTM,以下五个向量的值,,和。
步骤2:计算每个神经元的误差值δ。LSTM误差项的反向传播包括两个方向:一个是沿时间的反向传播,即每个时刻的误差项是根据当前时间t计算的;一个是沿上一层的反向传播。
步骤3:跟据相应的误差项计算每个权重的梯度。然后使用随机梯度下降更新权重。
(6)训练方法的优化:
本文通过测试随机梯度下降(SGD)的DAM优化算法和时间反向传播(BPTT)算法对模型指标影响的大小,从而选择出反向传播的方法。为了减少训练模型的误差,避免陷入局部最优解,首先对时间序列进行反向传播和归一化,然后对各层权值和学习率进行初始化,最后采用基于随机梯度下降(SGD)的DAM优化算法和时间反向传播(BPTT)算法对LSTM网络进行进一步训练。
2.仿真分析
通过温箱采集多组温度数据后,在温度区间内进行数据采样,得到陀螺零偏-温度的关系图,由于原始陀螺零偏与温度关系的数据过多,使得图像不精准。为了得到更精准的陀螺零偏-温度关系曲线图,需要在原始陀螺零偏与温度关系的数据中,每0.1℃在原始陀螺零偏-温度的关系曲线上取前后100个样本的平均值作为新的陀螺零偏-温度关系曲线的样本点。然后通过Matlab实现LSTM网络模型对MEMS陀螺仪的温度补偿。
3.网络的实现
对于深度学习网络在stm32上的实现,本文在stm32微控制器上用Cube ai的扩展包映射和运行预先训练的深度学习网络(LSTM)。
利用Cube ai部署深度学习网络分为5个步骤:
(1)首先利用温箱采集陀螺的原始数据和对应的温度数据并将数据进行预处理。
(2)标记数据并构建本文深度学习网络结构。
(3)训练深度学习网络(LSTM)模型。将在陀螺的原始数据和对应的温度数据输入到深度学习网络中,通过短时间内多次迭代,直到网络的输出可以最小化期望的误差标准。
(4)将深度学习网络转换为stm32 mcu的优化代码。借助stm32cube.ai软件工具,优化的代码使复杂度和内存需求最小化并且快速、自动地将预先培训好的人工神经网络转换成可以在单片机上运行的优化代码。
(5)使用训练有素的深度学习网络处理和分析实时数据。
4.测试与性能分析
经过数据采集、数据预处理、误差模型的建立等步骤,为了保证温度补偿的精确度,需要利用采集的多组数据,进行Matlab仿真和实物试验,针对每种模型温度补偿后的图进行分析,根据最大漂移、标准差、标准差减少百分比、零偏不稳定性、角速度随机游走等性能指标比较各个模型温度补偿性能的好坏。
可以理解的,与传统的神经网络模型相比,深度学习下的神经网络模型在网络层级部分进行了优化,利用其特有的网络层级对有限样本进行数据训练,使网络对非线性函数输出具有预测能力,并从算法中提取使陀螺仪零偏程度较小的最优权值,减少系统计算量,提高MEMS陀螺仪温度补偿效果。利用stm32集成开发板来实现深度学习的算法(LSTM)对MEMS陀螺的误差补偿。
图3是根据本申请实施例的一种陀螺仪零偏误差补偿装置,如图3所示,该装置包括:
获取模块40,用于获取当前时刻待检测陀螺仪的外壳内部的第一温度;
分析模块42,用于将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;
第一确定模块44,用于将零偏误差值与标准零偏值相加,得到目标补偿值。
该装置中,获取模块40,用于获取当前时刻待检测陀螺仪的外壳内部的第一温度;分析模块42,用于将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;第一确定模块44,用于将零偏误差值与标准零偏值相加,得到目标补偿值,达到了准确的目的,从而实现了基于LSTM神经网络模型准确,自动预测零偏误差值的技术效果,进而解决了由于相关技术中基于神经网络模型补偿陀螺仪的零偏,造成的拟合过度或者不足,以及预测结果不准确的技术问题。
需要说明的是,陀螺仪放置在温箱内,温箱的温度大于第一阈值且小于第二阈值,装置还包括:检测模块,用于将第一温度输入至长短期记忆LSTM神经网络模型之前,检测陀螺仪金属外部的内部温度,在陀螺仪金属外部的内部温度达到第一阈值后,间隔第一预定时长后,每间隔第二预定时长采集内部温度的第一变化数据以及陀螺仪的第一输出值;采集模块,用于在温箱的温度达到第二阈值后,间隔第三预定时长采集陀螺仪金属外部的内部温度的第二变化数据以及陀螺仪的第二输出值;第二确定模块,用于将第一变化数据、第二变化、第一输出值以及第二输出值组成的数据集,确定为初始LSTM神经网络模型的训练集;第三确定模块,用于基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种陀螺仪零偏误差补偿方法。
具体地,上述存储介质用于存储执行以下功能的程序指令,实现以下功能:获取当前时刻待检测陀螺仪的外壳内部的第一温度;将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,其中,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;将零偏误差值与标准零偏值相加,得到目标补偿值。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种陀螺仪零偏误差补偿方法。
具体地,上述处理器用于调用存储器中的程序指令,实现以下功能:获取当前时刻待检测陀螺仪的外壳内部的第一温度;将第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到待检测陀螺仪的零偏误差值,其中,零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值,其中,标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值;将零偏误差值与标准零偏值相加,得到目标补偿值。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种陀螺仪零偏误差补偿方法,其特征在于,包括:
获取当前时刻待检测陀螺仪的外壳内部的第一温度;
将所述第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到所述待检测陀螺仪的零偏误差值,其中,所述零偏误差值为在第一温度下所述待检测陀螺仪的零偏值与标准零偏值的差值,所述标准零偏值为所述待检测陀螺仪在预定温度下输入信号为零时的测量值;
将所述零偏误差值与所述标准零偏值相加,得到目标补偿值。
2.根据权利要求1所述的方法,其特征在于,所述陀螺仪放置在温箱内,所述温箱的温度大于第一阈值且小于第二阈值,将所述第一温度输入至长短期记忆LSTM神经网络模型之前,所述方法还包括:
检测所述陀螺仪金属外部的内部温度,在所述陀螺仪金属外部的内部温度达到所述第一阈值后,间隔第一预定时长后,每间隔第二预定时长采集所述内部温度的第一变化数据以及所述陀螺仪的第一输出值;
在所述温箱的温度达到所述第二阈值后,间隔第三预定时长采集所述陀螺仪金属外部的内部温度的第二变化数据以及所述陀螺仪的第二输出值;
将所述第一变化数据、所述第二变化、所述第一输出值以及所述第二输出值组成的数据集,确定为初始LSTM神经网络模型的训练集;
基于所述训练集对所述初始LSTM神经网络模型进行训练得到所述LSTM神经网络模型。
3.根据权利要求2所述的方法,其特征在于,在基于所述训练集对所述初始LSTM神经网络模型进行训练得到所述LSTM神经网络模型之后,所述方法还包括:
选取预设指标,其中,所述预设指标包括:命中率和均方误差,其中,所述命中率用于指示误差的绝对值小于预设数值的样本数占总样本数的比率,所述均方误差用于指示所述误差的平均值;
基于所述预设指标确定所述LSTM神经网络模型的预测效果等级,其中,所述预测效果等级至少包括:合格与不合格。
4.根据权利要求3所述的方法,其特征在于,基于所述预设指标确定所述LSTM神经网络模型的预测效果等级,包括:
在所述命中率大于预设命中率以及所述均方误差小于预设均方误差的情况下,确定所述LSTM神经网络模型为合格;
基于所述合格的LSTM神经网络模型对所述陀螺仪的零偏误差值进行预测。
5.根据权利要求2所述的方法,其特征在于,基于所述训练集对所述初始LSTM神经网络模型进行训练得到所述LSTM神经网络模型,包括:
确定所述初始LSTM神经网络模型的每个神经元正向传播参数;
确定所述神经元的误差值,其中,所述误差值包括:延时间反向传播的误差值,以及延所述神经元上一层反向传播的误差值;
根据所述误差值确定所述正向传播参数的梯度,基于随机梯度下降算法更新所述正向传播参数。
6.根据权利要求2所述的方法,其特征在于,基于所述训练集对所述初始LSTM神经网络模型进行训练得到所述LSTM神经网络模型之后,所述方法还包括:
调用预设软件工具,将所述LSTM神经网络模型转换为控制器代码,其中,所述控制器设置在单片机中;
运行所述控制器代码处理来自所述陀螺仪的数据。
7.一种陀螺仪零偏误差补偿装置,其特征在于,包括:
获取模块,用于获取当前时刻待检测陀螺仪的外壳内部的第一温度;
分析模块,用于将所述第一温度输入至长短期记忆LSTM神经网络模型进行分析,得到所述待检测陀螺仪的零偏误差值,其中,所述零偏误差值为在第一温度下所述待检测陀螺仪的零偏值与标准零偏值的差值,所述标准零偏值为所述待检测陀螺仪在预定温度下输入信号为零时的测量值;
第一确定模块,用于将所述零偏误差值与所述标准零偏值相加,得到目标补偿值。
8.根据权利要求7所述的装置,其特征在于,所述陀螺仪放置在温箱内,所述温箱的温度大于第一阈值且小于第二阈值,所述装置还包括:
检测模块,用于将所述第一温度输入至长短期记忆LSTM神经网络模型之前,检测所述陀螺仪金属外部的内部温度,在所述陀螺仪金属外部的内部温度达到所述第一阈值后,间隔第一预定时长后,每间隔第二预定时长采集所述内部温度的第一变化数据以及所述陀螺仪的第一输出值;
采集模块,用于在所述温箱的温度达到所述第二阈值后,间隔第三预定时长采集所述陀螺仪金属外部的内部温度的第二变化数据以及所述陀螺仪的第二输出值;
第二确定模块,用于将所述第一变化数据、所述第二变化、所述第一输出值以及所述第二输出值组成的数据集,确定为初始LSTM神经网络模型的训练集;
第三确定模块,用于基于所述训练集对所述初始LSTM神经网络模型进行训练得到所述LSTM神经网络模型。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至6中任意一项所述陀螺仪零偏误差补偿方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述陀螺仪零偏误差补偿方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006218.4A CN113642249A (zh) | 2021-08-30 | 2021-08-30 | 陀螺仪零偏误差补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006218.4A CN113642249A (zh) | 2021-08-30 | 2021-08-30 | 陀螺仪零偏误差补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642249A true CN113642249A (zh) | 2021-11-12 |
Family
ID=78424413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111006218.4A Pending CN113642249A (zh) | 2021-08-30 | 2021-08-30 | 陀螺仪零偏误差补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642249A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518109A (zh) * | 2022-01-31 | 2022-05-20 | 深圳市云鼠科技开发有限公司 | 一种陀螺仪的零偏补偿方法 |
CN115031763A (zh) * | 2022-04-25 | 2022-09-09 | 北京自动化控制设备研究所 | 一种基于角速率信息的旋转弹快速对准方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211219A (zh) * | 2018-10-23 | 2019-01-15 | 中船航海科技有限责任公司 | 一种新型光纤陀螺仪温度补偿方法 |
CN111879339A (zh) * | 2020-07-30 | 2020-11-03 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种mems陀螺仪温度误差补偿方法 |
CN112880705A (zh) * | 2021-01-22 | 2021-06-01 | 重庆邮电大学 | 基于粒子群优化径向基神经网络的mems陀螺仪温度补偿方法 |
CN113203429A (zh) * | 2021-04-02 | 2021-08-03 | 同济大学 | 一种陀螺仪温度漂移误差的在线估计及补偿方法 |
-
2021
- 2021-08-30 CN CN202111006218.4A patent/CN113642249A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211219A (zh) * | 2018-10-23 | 2019-01-15 | 中船航海科技有限责任公司 | 一种新型光纤陀螺仪温度补偿方法 |
CN111879339A (zh) * | 2020-07-30 | 2020-11-03 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种mems陀螺仪温度误差补偿方法 |
CN112880705A (zh) * | 2021-01-22 | 2021-06-01 | 重庆邮电大学 | 基于粒子群优化径向基神经网络的mems陀螺仪温度补偿方法 |
CN113203429A (zh) * | 2021-04-02 | 2021-08-03 | 同济大学 | 一种陀螺仪温度漂移误差的在线估计及补偿方法 |
Non-Patent Citations (3)
Title |
---|
HAOQIANG SHI 等: "LSTM based prediction algorithm and abnormal change detection for temperature in aerospace gyroscope shell", 《INTERNATIONAL JOURNAL OF INTELLIGENT COMPUTING AND CYBERNETICS》 * |
孙伟 等: "最小二乘法在微机电陀螺温度补偿中的应用", 《导航定位学报》 * |
顾春雷 等: "基于 GA-BP 神经网络的光纤陀螺温度补偿", 《仪表技术与传感器》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518109A (zh) * | 2022-01-31 | 2022-05-20 | 深圳市云鼠科技开发有限公司 | 一种陀螺仪的零偏补偿方法 |
CN114518109B (zh) * | 2022-01-31 | 2024-01-30 | 深圳市云鼠科技开发有限公司 | 一种陀螺仪的零偏补偿方法 |
CN115031763A (zh) * | 2022-04-25 | 2022-09-09 | 北京自动化控制设备研究所 | 一种基于角速率信息的旋转弹快速对准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784070A (zh) | 一种基于XGBoost算法的滑坡短临智能预警方法 | |
Su et al. | Time-varying identification model for dam behavior considering structural reinforcement | |
CN113642249A (zh) | 陀螺仪零偏误差补偿方法 | |
CN112711899B (zh) | 一种蒸发波导高度的融合预测方法 | |
CN103389472B (zh) | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 | |
CN110456026B (zh) | 一种土壤墒情监测方法及装置 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN112070272A (zh) | 一种输电线路的覆冰厚度预测方法及装置 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN115342814A (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN109857127B (zh) | 训练神经网络模型以及飞行器姿态解算的方法、装置 | |
CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN116187153B (zh) | 基于层次贝叶斯的水工结构数字孪生模型更新方法 | |
CN114093433B (zh) | 基于观测器的精馏过程单吨能耗预报精度评价方法及系统 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
CN113569324A (zh) | 边坡形变监测异常数据分析与优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211112 |