具体实施方式
本申请实施例通过提供了一种基于误差分析的光纤陀螺测姿数据处理方法,解决了现有技术中由于误差分析考虑要素维度单一,难以适用至多变的实际环境,导致存在误差分析准确度较低的技术问题。通过对时序一致性调整,保证多数据基于时序准确分布,再分别计算确定性误差,使用自行搭建的智能化模型拟合多维度的环境要素确定随机误差,所得的误差分析结果更适用于实际场景,达到了提高误差分析准确性的技术效果。
申请概述
目前针对光纤陀螺仪的误差分析主流依赖于专家经验根据实际场景进行判断,少部分通过基于机器学习构建模型对环境要素进行分析,但是主要针对于环境中的温度参数进行分析,考虑维度过于单一,实际的落地性较弱,导致存在误差分析准确度较低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于误差分析的光纤陀螺测姿数据处理方法。由于采用了通过采集光纤陀螺仪模组上传的测姿数据,将测姿数据中的多组时序数据进行时序一致性调整后,得到时序一一对应的测姿数据;匹配光纤陀螺仪的性能参数集,多维度的环境要素信息;根据性能参数分析调整后的测姿数据的确定性误差,得到第一误差阈值区间;再依赖智能化模型对多维度的环境要素进行拟合,得到多维度的环境要素造成的随机误差,即第二误差阈值区间;最后根据第一误差阈值区间和第二误差阈值区间对调整后的测姿数据进行误差补偿,再反馈至光纤陀螺测姿系统的技术方案,所得的误差分析结果更适用于实际场景,达到了提高误差分析准确性的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于误差分析的光纤陀螺测姿数据处理方法,其中,所述方法应用于一种光纤陀螺测姿系统,所述系统包括光纤陀螺仪模组,所述方法包括:
具体而言,光纤陀螺测姿系统即利用多个光纤陀螺仪进行方位确定,进而确定物体姿态的设备,示例性地如:姿态仪,多适用于航空,航天等领域;光纤陀螺仪模组为光纤陀螺测姿系统中多个光纤陀螺仪的统称,示例性地:以姿态仪举例,则任意一姿态仪包括三个正交的角速率光纤陀螺仪和三个正交的加速度计,则三个正交的角速率光纤陀螺仪统称为姿态仪的光纤陀螺仪模组。
需要说明的是,本申请实施例为保证测姿数据的完整性和准确性,光纤陀螺仪模组的较优实施例为由三个空间位置上正交的光纤陀螺仪组成,但光纤陀螺仪的数量选择为本领域技术人员可依据实际场景而自定义的过程,若是三个以上或以下的光纤陀螺仪的测姿数据误差分析方式和本申请相同,则依旧落在本申请的实际保护范围之内。
S100:通过光纤陀螺仪模组上传数据,获得第一测姿数据集,其中,所述第一测姿数据集包括第一测姿时序数据,第二测姿态时序数据和第三测姿时序数据;
进一步的,基于所述通过光纤陀螺仪模组上传数据,获得第一测姿数据集,步骤S100包括:
S110:根据所述光纤陀螺仪模组,获得第一光纤陀螺仪、第二光纤陀螺仪和第三光纤陀螺仪,其中,所述第一光纤陀螺仪、所述第二光纤陀螺仪和所述第三光纤陀螺仪在位置上处于正交状态;
S120:通过所述第一光纤陀螺仪,上传所述第一测姿时序数据;
S130:通过所述第二光纤陀螺仪,上传所述第二测姿时序数据;
S140:通过所述第三光纤陀螺仪,上传所述第三测姿时序数据;
S150:将所述第一测姿时序数据,所述第二测姿态时序数据和所述第三测姿时序数据添加进所述第一测姿数据集。
具体而言,第一测姿数据集指的是在航海、航天等适用场景中的任意位置,经由光纤陀螺仪模组中的多个光纤陀螺仪进行数据采集后,经由光纤陀螺测姿系统控制光纤陀螺仪模组将所监测到的测姿数据实时上传至基于误差分析的光纤陀螺测姿数据处理系统中,等待进行误差校正的数据集。第一测姿数据集包括多组数据,任意一组对应于一个位置部署的光纤陀螺仪,光纤陀螺仪基于时序将采集到的数据进行存储并上传。
第一测姿数据集优选的至少包括三组测姿数据,即至少上传在位置上处于正交状态的第一光纤陀螺仪、第二光纤陀螺仪和第三光纤陀螺仪对应的三组数据,分别为第一测姿时序数据,第二测姿态时序数据和第三测姿时序数据。三组测姿时序数据都为各自对应的光纤陀螺仪监测数据的输出数据,以航海举不设限制的一例:包括但不限于:航向角,船体和东向的夹角;俯仰角,船体中轴线和地理坐标平面的夹角;位置数据,经纬度、方位角等可由光纤陀螺仪输出的数据集,具体由工作人员依据实际场景自定义限定。
通过光纤陀螺测姿系统对测姿数据集进行实时采集,并上传至基于误差分析的光纤陀螺测姿数据处理系统进行误差分析,进行可对误差进行补偿校正,生成较准确的测姿数据,为导航,定位等后续工作奠定坚实的数据基础。
S200:根据所述第一测姿时序数据,所述第二测姿态时序数据和所述第三测姿时序数据对所述第一测姿数据集进行时序一致性调整,获得第二测姿数据集;
具体而言,初步上传的第一测姿时序数据、第二测姿态时序数据和第三测姿时序数据中的任意一个数据对应的时间节点为各自在光纤陀螺仪的输出时间节点,但由于多个光纤陀螺仪之间的数据处理速度可能不同,进而同一时刻输出的多组测姿数据对应的输入进相应光纤陀螺仪的时间节点可能不同,若是将不同时间节点的输入数据处理得到的多组测姿数据进行误差分析,则会造成较大误差,则需要依据第一测姿时序数据、第二测姿态时序数据和第三测姿时序数据中的时序信息,分析确定各自在光纤陀螺仪的输入时间节点,进而根据输入时间节点进行时序一致性调整,达到消除多组数据之间的时序差异度的技术目的。
第二测姿数据即为根据第一测姿时序数据,第二测姿态时序数据和第三测姿时序数据对第一测姿数据集进行时序一致性调整之后确定的结果,其中,时序一致性调整方式举不设限制的一例:
第一步:求取响应速度:根据第一测姿时序数据、第二测姿态时序数据和第三测姿时序数据的输出数据类型,以及三组光纤陀螺仪的型号及使用年限及应用场景(领域和应用的设备编号等),输入响应速度匹配数据库,匹配确定同型号同年限同应用场景下的光纤陀螺仪针对相应输出数据类型的响应速度。其中,响应速度匹配数据库为基于大数据构建用于匹配响应速度的优选例,其构建过程优选的基于大数据采集任意一型号及相同使用年限及相同应用场景的光纤陀螺仪针对相应输出数据类型的响应速度300组,求取响应速度的平均值作为输出。
第二步:时间节点前推:依据响应速度对第一测姿时序数据、第二测姿态时序数据和第三测姿时序数据的时间节点一一进行前推计算,进而确定第一测姿时序数据、第二测姿态时序数据和第三测姿时序数据在各自光纤陀螺仪中的输入前时间节点。
第三步:基于时序的序列化调整:根据上述的输入前时间节点对第一测姿时序数据、第二测姿态时序数据和第三测姿时序数据进行基于时序的由先到后的调整,即同一输入前时间节点包括三组一一对应的:第一测姿时序数据、第二测姿态时序数据和第三测姿时序数据,保证了达到消除多组数据之间的时序差异度的技术效果。
S300:基于所述光纤陀螺仪模组,匹配性能参数集和环境要素集;
具体而言,性能参数集指的是光纤陀螺仪模组中的光纤陀螺仪对应的性能参数,示例性地:包括但不限于:标度因数、零偏、零漂、零偏稳定性、随机游走系数、光纤陀螺可感应到的最小输入角速率、输入角速率额定值等性能参数。光纤陀螺仪模组中的多个光纤陀螺仪可能对应于不同的性能参数具体值,因此优选的性能参数集包括第一光纤陀螺仪、第二光纤陀螺仪和第三光纤陀螺仪相对应的三组性能参数集,便于差异性调用。
环境要素集指的是会对光纤陀螺仪模组的输出造成误差的环境要素集,至少包括:温度要素、振动要素、偏振要素等环境要素。光纤陀螺仪模组中的多个光纤陀螺仪可能对应于不同的环境要素值,因此优选的环境要素集包括第一光纤陀螺仪、第二光纤陀螺仪和第三光纤陀螺仪相对应的三组环境要素集,维度相同,但是具体数值可能不同。
通过采集性能参数和环境要素并根据光纤陀螺仪进行区分存储,可提高后步误差分析的精度,而采集的多维度环境要素集,可保证后步从多角度评估环境要素集产生的误差,上述两点使得误差分析更加适用于实际场景,提高了误差分析的适用性,提高了落地可能性。
S400:根据所述性能参数集进行一级误差分析,生成第一误差阈值区间;
进一步的,基于所述根据所述性能参数集进行一级误差分析,生成第一误差阈值区间,步骤S400包括:
S410:遍历所述环境要素集,设定要素基准信息,其中,所述要素基准信息为环境要素的预设属性值;
S420:基于所述要素基准信息,获得一级误差分析函数;
S430:将所述性能参数集输入所述一级误差分析函数,获得所述第一误差阈值区间。
具体而言,性能参数集对应导致的误差相对于环境要素造成的误差可视为确定性误差,即可根据光纤陀螺仪的历史数据结合理论分析确定误差范围。第一误差阈值区间指的是根据性能参数集进行一级误差分析之后确定的表征误差波动范围的阈值区间。
一级误差分析过程即为确定性误差分析过程,举不设限制的一例:要素基准信息指的是光纤陀螺仪理想状态下的环境要素集,即理论上不会对光纤陀螺仪造成输出误差影响的环境要素具体值,其中,需要限定的环境要素至少包括:温度要素、振动要素和偏振要素等值,确定方式可选的使用历史数据中造成输出误差影响最小的环境要素作为预设值,或依赖专家基于理论知识进行限定;一级误差分析函数指的是在限定要素基准信息时,只考虑性能参数集对光纤陀螺仪造成的误差,基于多组历史数据拟合而成的性能参数集和光纤陀螺仪造成的误差之间的经验函数公式,此处仅阐述构建原理,具体的形式可由工作人员自行限定,可更加适用于不同的实际场景。将性能参数集输入一级误差分析函数,即可确定第一误差阈值区间。
通过一级误差分析拟合光纤陀螺仪模组的确定性误差,输出为第一误差阈值区间,将确定性误差和随机误差区别处理,可提高数据处理效率和数据处理准确性。
S500:将所述环境要素集和所述性能参数集输入误差分析模型进行二级误差分析,生成第二误差阈值区间;
进一步的,基于所述将所述环境要素集和所述性能参数集输入误差分析模型进行二级误差分析,生成第二误差阈值区间,步骤S500包括:
S510:根据所述误差分析模型,获得要素类型判别层和误差分析层和权重分配层;
S520:将所述环境要素集输入所述要素类型判别层,获得要素类型判别结果;
S530:根据所述要素类型判别结果激活所述误差分析层,进行误差分析,获得误差分析结果集,其中,所述误差分析结果集和所述要素类型判别结果一一对应;
S540:将所述误差分析结果集输入所述权重分配层,获得所述第二误差阈值区间。
具体而言,误差分析模型为基于人工神经网络,搭建自定义的功能网络层,使用历史数据进行训练确定的拟合环境要素集对光纤陀螺模组造成误差的智能化模型。
误差分析模型基于人工神经网络,搭建自定义的功能网络层优选的为:输入层-要素类型判别层-误差分析层-权重分配层-输出层,其中,输入层为接收输入数据表征数据开始处理传输的线性层,输出层为数据处理完成,输出误差判断最终结果的线性层,要素类型判别层-误差分析层-权重分配层为执行误差分析的网络层。根据自定义的功能网络层构建的功能网络层,由于要素类型判别层的存在,进而可拟合不同类型的环境要素,通过权重分配层可耦合不同类型的环境要素所造成的误差,进而生成多维度环境要素共同作用下产生过的误差,较适用于实际场景。
输入数据在误差分析模型中的流转过程,可选的如下:
初始化:当输入层输入环境要素集和性能参数集之后,依据性能参数集限定误差分析的光纤陀螺类型,再根据误差分析模型,将要素类型判别层和误差分析层和权重分配层置为待响应状态,完成初始化,其中,要素类型判别层用于对环境要素进行类别判断,误差分析层根据不同的要素类别激活不同的误差分析网络进行误差分析,权重分配层用于对同一时刻多类型的环境要素误差进行权重分配。
开始数据处理:
要素类型判别结果指的是将环境要素集输入要素类型判别层,进行要素类型判断的输出结果,要素类型判别层可选的通过多组历史数据:环境要素集和要素类型标识信息进行有监督训练,模型收敛后即可对环境要素集进行类型识别;
误差分析结果集指的是根据要素类型判别结果激活误差分析层进行误差分析确定的输出结果,为多个单独要素对应误差分析结果,具有时间序列,同一时刻包括多类型环境要素对应的误差分析结果,误差分析层内部具有多个通道网络,分别对应于不同类型的环境要素误差分析,每个通道网络,在限定性能参数的前提下,可选的使用多组:环境要素单维数据和误差标识信息(减去了第一误差阈值区间之后的结果),基于人工神经网络进行有监督训练,训练完成后合并,即得到误差分析层,当输入对应类型的环境要素即激活相应的通道网络进行处理。
最后将误差分析结果集输入权重分配层进行权重分配,确定第二误差阈值区间,权重分配层为基于设定规则进行权重分配的功能层,设定规则举不设限制的一例:通过统计训练数据中,多组同一时刻产生的多类型的环境要素误差数据,计算每类型环境要素误差之和,进一步的,求取误差总和,计算任意一类型的环境要素的误差之和在总和中的占比,记为该类型的误差分配权重值大小。
通过将环境要素数据经由误差分析模型中的多个处理层进行处理,进而实现了拟合多维度环境要素对光纤陀螺仪造成的误差值,记为第二误差阈值区间,表征多维度环境要素对光纤陀螺仪造成的误差波动范围。通过性能参数限定光纤陀螺仪类型,权重分配的过程依赖于历史数据统计,更加适用于实际的应用场景,个体化程度较高,保证误差分析的结果准确性。
S600:通过所述第一误差阈值区间和所述第二误差阈值区间对所述第二测姿数据集进行调整,生成第三测姿数据集;
S700:将所述第三测姿数据集反馈至光纤陀螺测姿系统。
具体而言,第三测姿数据集为通过第一误差阈值区间和第二误差阈值区间对第二测姿数据集进行调整之后,确定经过误差校正后的测姿数据集。误差校正过程优选的为:首选通过第一误差阈值区间分别对同一时刻不同光纤陀螺的上传数据进行调整,进一步,根据第二误差阈值区间分别对同一时刻不同光纤陀螺仪的上一步调整结果调整,确定新的误差阈值区间,进而确定测姿数据集的误差波动范围,即可进一步的依据误差波动范围确定第三测姿数据集,反馈至光纤陀螺测姿系统,为自动导航等后步进程提供参数数据。
更进一步的,基于所述根据所述要素类型判别结果激活所述误差分析层,进行误差分析,获得误差分析结果集,步骤S530包括:
S531:根据所述误差分析层,获得温度误差分析网络,振动误差分析网络和偏振误差分析网络;
S532:当所述要素类型判别结果属于温度类型,获得第一类型激活指令,其中,所述第一类型激活指令和所述温度误差分析网络对应;
S533:当所述要素类型判别结果属于振动类型,获得第二类型激活指令,其中,所述第二类型激活指令和所述振动误差分析网络对应;
S534:当所述要素类型判别结果属于偏振类型,获得第三类型激活指令,其中,所述第三类型激活指令和所述偏振误差分析网络对应;
S535:根据所述第一类型激活指令或/和所述第二类型激活指令或/和所述第三类型激活指令激活所述误差分析层。
具体而言,误差分析层优选的至少包括温度误差分析网络,振动误差分析网络和偏振误差分析网络。
第一类型激活指令指的是当要素类型判别结果属于温度类型时生成的控制信号,其中,第一类型激活指令和温度误差分析网络对应;通过第一类型激活指令可激活温度误差分析网络对相应的环境要素在确定了光纤陀螺仪性能参数的基础上进行单要素误差分析。
第二类型激活指令指的是当要素类型判别结果属于振动类型时生成的控制信号,其中,第二类型激活指令和振动误差分析网络对应;通过第二类型激活指令可激活振动误差分析网络对相应的环境要素在确定了光纤陀螺仪性能参数的基础上进行单要素误差分析。
第三类型激活指令指的是当要素类型判别结果属于偏振类型时生成的控制信号,其中,第三类型激活指令和偏振误差分析网络对应;通过第三类型激活指令可激活偏振误差分析网络对相应的环境要素在确定了光纤陀螺仪性能参数的基础上进行单要素误差分析。
根据不同要素类型激活对应的分析网络,且多个误差分析网络可并行运行,保证了数据处理效率。
进一步的,如图2所示,基于所述将所述误差分析结果集输入所述权重分配层,获得所述第二误差阈值区间,步骤S540包括:
S541:根据预设时间粒度,筛选训练输出数据;
S542:根据所述训练输出数据,生成温度误差加和、振动误差加和与偏振误差加和;
S543:根据所述温度误差加和、所述振动误差加和与所述偏振误差加和,对所述温度误差分析网络、所述振动误差分析网络和所述偏振误差分析网络的输出进行权重分配。
具体而言,权重分配层的权重分配优选例如下:
预设时间粒度指的是限定统计分析训练数据的时长,即从训练数据集中最后的时间节点向前统计的时间区间,可由工作人员自定义,训练输出数据即为在前述已通过性能参数集初始化的误差分析模型中,筛选符合预设时间粒度的全部训练输出数据,并且基于时序进行一一对应存储。
训练输出数据优选的包括温度训练输出数据、振动训练输出数据和偏振训练输出数据,温度误差加和指的是将温度训练输出数据和相应标识信息之间的差值一一加和得到的结果;振动误差加和指的是将振动训练输出数据和相应标识信息之间的差值一一加和得到的结果;偏振误差加和指的是将偏振训练输出数据和相应标识信息之间的差值一一加和得到的结果。计算温度误差加和、振动误差加和与偏振误差加和的总和,并分别求取温度误差加和在其中的占比,振动误差加和在其中的占比,偏振误差加和在其中占比,将各自的比例设为相应权重值。
通过限定数据采集时间粒度,可保证数据的有效参考性,即靠近与当前时刻,通过对实际的场景信息进行统计拟合确定权重值,更加适用于实际的应用场景,提高了误差分析策略的落地可能性。
进一步的,所述方法步骤S500还包括S550:
S5501:获得历史数据,其中,所述历史数据包括多组:环境要素信息、性能参数和误差标识信息;
S5502:基于人工神经网络,获得初始误差分析模型,对所述初始误差分析模型进行节点权重和/或阈值提取,获得第一提取结果;
S5503:通过所述历史数据,训练所述初始误差分析模型,获得第一输出准确率;
S5504:判断所述第一输出准确率是否满足预设准确率;
S5505:若不满足,获得权重约束区间和阈值约束区间;
S5506:基于所述权重约束区间和所述阈值约束区间对所述第一提取结果进行随机调整,获得第二提取结果,其中,所述第二提取结果和所述第一提取结果不同;
S5507:根据所述第二提取结果和所述历史数据对所述初始误差分析模型进行训练,获得第二输出准确率;
S5508:判断所述第一输出准确率是否满足所述第二输出准确率;
S5509:若所述第一输出准确率>所述第二输出准确率,将所述第二提取结果添加进淘汰数据组,基于所述第一提取结果继续迭代;若是所述第一输出准确率≤所述第二输出准确率,将所述第一提取结果添加进所述淘汰数据组,基于所述第二提取结果继续迭代;
S5510:重复迭代,直到第M输出准确率满足所述预设准确率和/或满足预设迭代次数时停止,获得所述误差分析模型。
具体而言,为了保证误差分析模型的输出准确性,训练过程需要对其进行不断地迭代,而迭代过程即为对误差分析模型各功能层的各个节点权重参数、及阈值参数的优化过程,因此基于现有的优化算法总结分析后设定一优化流程对误差分析模型的各个节点权重参数、及阈值参数进行优化,详细如下:
采集历史数据,即用于训练、验证误差分析模型的数据集,将历史数据优选分为6:2:2,其中,6比例用于基于人工神经网络训练误差分析模型,2比例用于迭代过程验证误差分析模型的输出准确性,2比例用于迭代完成后验证误差分析模型的泛化能力。确定初始误差分析模型,即基于人工神经网络以及上述自定义的误差分析模型功能层结构搭建初始误差分析模型的过程,通过前述6比例的历史数据对初始误差分析模型进行训练;第一提取结果当初始误差分析模型进行训练输出稳定后,对初始误差分析模型进行节点权重和/或阈值提取,得到的节点权重参数、节点阈值参数、节点权重参数和阈值参数;第一输出准确率指的是通过前述的第一个2比例的历史数据验证的输出准确率,预设准确率为预设输出准确率最低值;当第一输出准确率小于预设准确率,即不满足,提取表征权重参数取值范围的权重约束区间和表征阈值参数取值范围的阈值约束区间,二者范围可由开发人员自行限定;第二提取结果指的是基于权重约束区间和阈值约束区间对第一提取结果进行随机调整,调整方式包括但不限于:对不同节点之间的权重参数进行交换、修改操作;对不同节点之间的阈值参数进行交换、修改操作,具体到内部的多个误差分析网络,和预设准确率差值越小的误差分析网络的节点权重参数和/或阈值参数调整程度越小,体现在修改参数的节点数量,且第二提取结果和第一提取结果不同,即保证遍历过的参数集不再被选取。
第二输出准确率指的是根据第二提取结果对初始误差分析模型内部节点权重参数或阈值参数或(权重参数和阈值参数)进行调整,进一步的使用历史数据进行训练,再进行准确率验证后的输出准确率;若第一输出准确率>所述第二输出准确率,将第二提取结果添加进淘汰数据组,基于第一提取结果继续迭代;若是第一输出准确率≤第二输出准确率,将第一提取结果添加进淘汰数据组,基于第二提取结果继续迭代,即保证留下的为输出准确率较高的模型参数值。重复迭代,直到第M输出准确率满足预设准确率或满足预设迭代次数或(第M输出准确率满足预设准确率和满足预设迭代次数)时停止,获得误差分析模型,其中,第M输出准确率指的是第M-1次调整后对应的模型参数训练后的输出准确率,满足预设迭代次数为预设的迭代次数值,为了保证训练效率,当满足预设迭代次数后,选取所留下的最高输出准确率的模型参数构建误差分析模型,淘汰数据组为记录输出准确率较低被筛除的模型参数集,当遍历至淘汰数据组的模型参数集时,跳过继续随机调整,避免重复迭代,降低训练效率。
通过自定义的优化过程对误差分析模型的参数进行不断地迭代优化,确定较优的误差分析模型参数,相比于传统的遗传算法,不需要编码过程,简化了优化流程,提高了优化效率,限定选值区间,缩小了优化范围,提高了收敛可能性,保证了模型的输出准确性,进而保证了误差分析的准确性。
综上所述,本申请实施例所提供的一种基于误差分析的光纤陀螺测姿数据处理方法具有如下技术效果:
1.由于采用了通过采集光纤陀螺仪模组上传的测姿数据,将测姿数据中的多组时序数据进行时序一致性调整后,得到时序一一对应的测姿数据;匹配光纤陀螺仪的性能参数集,多维度的环境要素信息;根据性能参数分析调整后的测姿数据的确定性误差,得到第一误差阈值区间;再依赖智能化模型对多维度的环境要素进行拟合,得到多维度的环境要素造成的随机误差,即第二误差阈值区间;最后根据第一误差阈值区间和第二误差阈值区间对调整后的测姿数据进行误差补偿,再反馈至光纤陀螺测姿系统的技术方案,所得的误差分析结果更适用于实际场景,达到了提高误差分析准确性的技术效果。
2.通过基于现有的优化算法总结分析后的优化过程对误差分析模型的参数进行不断地迭代优化,确定较优的误差分析模型参数,相比于传统的遗传算法,不需要编码过程,简化了优化流程,提高了优化效率,限定选值区间,缩小了优化范围,提高了收敛可能性,保证了模型的输出准确性,进而保证了误差分析的准确性。
实施例二
基于与前述实施例中一种基于误差分析的光纤陀螺测姿数据处理方法相同的发明构思,如图3所示,本申请实施例提供了一种基于误差分析的光纤陀螺测姿数据处理系统,其中,所述系统包括:
数据采集单元11,用于通过光纤陀螺仪模组001上传数据,获得第一测姿数据集,其中,所述第一测姿数据集包括第一测姿时序数据,第二测姿态时序数据和第三测姿时序数据;
数据时序调整单元12,用于根据所述第一测姿时序数据,所述第二测姿态时序数据和所述第三测姿时序数据对所述第一测姿数据集进行时序一致性调整,获得第二测姿数据集;
数据匹配单元13,用于基于所述光纤陀螺仪模组001,匹配性能参数集和环境要素集;
一级误差分析模块14,用于根据所述性能参数集进行一级误差分析,生成第一误差阈值区间;
二级误差分析模块15,用于将所述环境要素集和所述性能参数集输入误差分析模型进行二级误差分析,生成第二误差阈值区间;
数据误差调整单元16,用于通过所述第一误差阈值区间和所述第二误差阈值区间对所述第二测姿数据集进行调整,生成第三测姿数据集;
数据传输单元17,用于将所述第三测姿数据集反馈至光纤陀螺测姿系统。
进一步的,所述数据采集单元还执行如下步骤:
根据所述光纤陀螺仪模组,获得第一光纤陀螺仪、第二光纤陀螺仪和第三光纤陀螺仪,其中,所述第一光纤陀螺仪、所述第二光纤陀螺仪和所述第三光纤陀螺仪在位置上处于正交状态;
通过所述第一光纤陀螺仪,上传所述第一测姿时序数据;
通过所述第二光纤陀螺仪,上传所述第二测姿时序数据;
通过所述第三光纤陀螺仪,上传所述第三测姿时序数据;
将所述第一测姿时序数据,所述第二测姿态时序数据和所述第三测姿时序数据添加进所述第一测姿数据集。
进一步的,所述一级误差分析模块还执行如下步骤:
遍历所述环境要素集,设定要素基准信息,其中,所述要素基准信息为环境要素的预设属性值;
基于所述要素基准信息,获得一级误差分析函数;
将所述性能参数集输入所述一级误差分析函数,获得所述第一误差阈值区间。
进一步的,所述二级误差分析模块还执行如下步骤:
根据所述误差分析模型,获得要素类型判别层和误差分析层和权重分配层;
将所述环境要素集输入所述要素类型判别层,获得要素类型判别结果;
根据所述要素类型判别结果激活所述误差分析层,进行误差分析,获得误差分析结果集,其中,所述误差分析结果集和所述要素类型判别结果一一对应;
将所述误差分析结果集输入所述权重分配层,获得所述第二误差阈值区间。
进一步的,所述二级误差分析模块还执行如下步骤:
根据所述误差分析层,获得温度误差分析网络,振动误差分析网络和偏振误差分析网络;
当所述要素类型判别结果属于温度类型,获得第一类型激活指令,其中,所述第一类型激活指令和所述温度误差分析网络对应;
当所述要素类型判别结果属于振动类型,获得第二类型激活指令,其中,所述第二类型激活指令和所述振动误差分析网络对应;
当所述要素类型判别结果属于偏振类型,获得第三类型激活指令,其中,所述第三类型激活指令和所述偏振误差分析网络对应;
根据所述第一类型激活指令或/和所述第二类型激活指令或/和所述第三类型激活指令激活所述误差分析层。
进一步的,所述二级误差分析模块还执行如下步骤:
根据预设时间粒度,筛选训练输出数据;
根据所述训练输出数据,生成温度误差加和、振动误差加和与偏振误差加和;
根据所述温度误差加和、所述振动误差加和与所述偏振误差加和,对所述温度误差分析网络、所述振动误差分析网络和所述偏振误差分析网络的输出进行权重分配。
进一步的,所述二级误差分析模块还执行如下步骤:
获得历史数据,其中,所述历史数据包括多组:环境要素信息、性能参数和误差标识信息;
基于人工神经网络,获得初始误差分析模型,对所述初始误差分析模型进行节点权重和/或阈值提取,获得第一提取结果;
通过所述历史数据,训练所述初始误差分析模型,获得第一输出准确率;
判断所述第一输出准确率是否满足预设准确率;
若不满足,获得权重约束区间和阈值约束区间;
基于所述权重约束区间和所述阈值约束区间对所述第一提取结果进行随机调整,获得第二提取结果,其中,所述第二提取结果和所述第一提取结果不同;
根据所述第二提取结果和所述历史数据对所述初始误差分析模型进行训练,获得第二输出准确率;
判断所述第一输出准确率是否满足所述第二输出准确率;
若所述第一输出准确率>所述第二输出准确率,将所述第二提取结果添加进淘汰数据组,基于所述第一提取结果继续迭代;若是所述第一输出准确率≤所述第二输出准确率,将所述第一提取结果添加进所述淘汰数据组,基于所述第二提取结果继续迭代;
重复迭代,直到第M输出准确率满足所述预设准确率和/或满足预设迭代次数时停止,获得所述误差分析模型。
本申请实施例提供了一种基于误差分析的光纤陀螺测姿数据处理方法。由于采用了通过采集光纤陀螺仪模组上传的测姿数据,将测姿数据中的多组时序数据进行时序一致性调整后,得到时序一一对应的测姿数据;匹配光纤陀螺仪的性能参数集,多维度的环境要素信息;根据性能参数分析调整后的测姿数据的确定性误差,得到第一误差阈值区间;再依赖智能化模型对多维度的环境要素进行拟合,得到多维度的环境要素造成的随机误差,即第二误差阈值区间;最后根据第一误差阈值区间和第二误差阈值区间对调整后的测姿数据进行误差补偿,再反馈至光纤陀螺测姿系统的技术方案,所得的误差分析结果更适用于实际场景,达到了提高误差分析准确性的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。