CN114754801B - 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质 - Google Patents

一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质 Download PDF

Info

Publication number
CN114754801B
CN114754801B CN202210677547.XA CN202210677547A CN114754801B CN 114754801 B CN114754801 B CN 114754801B CN 202210677547 A CN202210677547 A CN 202210677547A CN 114754801 B CN114754801 B CN 114754801B
Authority
CN
China
Prior art keywords
temperature
zero
fiber
optic gyroscope
compensation 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.)
Active
Application number
CN202210677547.XA
Other languages
English (en)
Other versions
CN114754801A (zh
Inventor
吴军伟
沈军
王健伟
秦仲明
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.)
Beijing Polytechnic Navigation Control Technology Co ltd
Original Assignee
Beijing Polytechnic Navigation Control Technology Co ltd
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 Beijing Polytechnic Navigation Control Technology Co ltd filed Critical Beijing Polytechnic Navigation Control Technology Co ltd
Priority to CN202210677547.XA priority Critical patent/CN114754801B/zh
Publication of CN114754801A publication Critical patent/CN114754801A/zh
Application granted granted Critical
Publication of CN114754801B publication Critical patent/CN114754801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Gyroscopes (AREA)

Abstract

本发明提出了一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质，该方法包括：对采集的训练样本进行预处理得到预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至所述目标FPGA上的所述优化后的零偏温度补偿模型，输出补偿温度值对所述光纤陀螺的零偏温度进行补偿。本发明中，使用了光纤陀螺的当前温度及多个历史温度及专门设计的损失函数，提高了光纤陀螺的温度补偿精度。

Description

一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存 储介质
技术领域
本发明涉及人工智能及光纤陀螺技术领域，具体涉及一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质。
背景技术
光纤陀螺是一种基于Sagnac效应为原理的全固态角速率传感器，具有体积小、重量轻、启动快、动态范围大、耐过载和耐冲击等优点，被广泛应用于军民用各个领域，近年来逐渐成为国内外惯性器件的一个研究热点。
由于构成光纤陀螺的核心——光纤环具有温度敏感性，热传导或环境温度变化会引起光纤陀螺的非互异性，给光纤陀螺带来大的温度漂移。从实际情况看，当环境温度发生变化时，光纤陀螺的标度因数、失准角、噪声等也会发生变化。对光纤陀螺温度特性进行研究，建立零偏温度漂移、标度因数温度模型，是工程上解决上述问题的有效手段之一。
目前较为常用的补偿方法是使用高阶函数(一般为3阶)对升温零偏进行拟合，该方法在对大部分陀螺在实际测试时，受惯性原件和电路板升温的影响，内部温度变化复杂，且部分器件特性随温度变化而变化，温度补偿准确度较差。
再如，在《仪表技术与传感器》的《基于GA-BP神经网络的光纤陀螺温度补偿》中公开了一种利用遗传算法优化网络参数GA-BP神经网络温度补偿模型。其也仅仅是对神经网络的参数进行优化，补偿精度不高，因此，如何提高光纤陀螺温度补偿精度是工程技术人员的一项技术挑战。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。
一种基于神经网络对光纤陀螺零偏温度补偿方法，该方法包括：
训练步骤，对采集的训练样本进行预处理得到预处理后的训练样本，使用预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；
优化步骤，基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；
部署步骤，将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；
补偿步骤，在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至部署在所述目标FPGA上的所述优化后的零偏温度补偿模型，所述优化后的零偏温度补偿模型输出补偿温度值对所述光纤陀螺的零偏温度进行补偿。
更进一步地，所述神经网络为LSTM、BI-LSTM或CNN。
更进一步地，所述对采集的训练样本进行预处理得到预处理后的训练样本的操作包括：每条训练样本包括输入样本和输出样本，从样本光纤陀螺中采集的当前温度Tc、当前温度之前t1、t2、t3和t4时刻的温度Tt1、Tt2、Tt3和Tt4，进行如下处理：
Dt1=（Tc- Tt1），Dt2=（Tc- Tt2），Dt3=（Tc- Tt3），Dt4=（Tc- Tt4）；
DTt1= Tc*（Tc- Tt1），DTt2= Tc*（Tc- Tt2），DTt3=Tc*（Tc- Tt3），DTt4= Tc*（Tc-Tt4）；
构建向量（Tc, Dt1, Dt2, Dt3, Dt4, DTt1, DTt2, DTt3, DTt4, Tc2, Dt12,Dt22, Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43）作为输入样本，所述输出样本为该输入样本对应的补偿温度值。
更进一步地，所述t1=10ms，t2=1s，t3=10s，t4=60s。
更进一步地，所述优化步骤的操作为：获取所述目标FPGA运行中使用的DSP个数及内存大小，判断所述DSP是进行定点计算还是浮点计算，如果是定点计算，则将所述零偏温度补偿模型中的权重参数进行定点化处理，如果是浮点计算，则基于所述DSP可进行浮点计算的位数对所述零偏温度补偿模型中的权重参数进行浮点压缩，基于所述DSP个数对对所述零偏温度补偿模型中的卷积层进行并行计算优化，基于内存大小对所述零偏温度补偿模型中的全连接层进行优化，并删除权重参数中基本为0的权重参数，最后得到优化后的零偏温度补偿模型。
更进一步地，在得到优化后的零偏温度补偿模型后，使用同样一组测试样本对其和未优化前的所述零偏温度补偿模型进行测试，如果二者输出的补偿温度值误差小于第一阈值（如0.1摄氏度），则认为优化后的零偏温度补偿模型为合适的优化补偿模型，否则，需要进行重新优化，直到获得合适的优化补偿模型。
更进一步地，所述DSP及内存为内置或外置在所述目标FPGA上的。
更进一步地，在所述部署步骤中，使用分段函数模拟神经网络中的激活函数，通过预先设置的输入输出数据的对应的数据表，采用查表法计算激活函数的近似值，以节约FPGA的乘法器资源。
更进一步地，在所述补偿步骤中，采集所述光纤陀螺的当前温度及多个历史温度进行预处理的操作为：采集光纤陀螺的当前温度Tc’、当前温度之前t1、t2、t3和t4时刻的温度Tt1’、Tt2’、Tt3’和Tt4’，进行如下处理：
Dt1’=（Tc’- Tt1’），Dt2’=（Tc’- Tt2’），Dt3’=（Tc’- Tt3’），Dt4’=（Tc’- Tt4’）；
DTt1’= Tc’*（Tc’- Tt1’），DTt2’= Tc’*（Tc’- Tt2’），DTt3’= Tc’*（Tc’- Tt3’），DTt4’= Tc’*（Tc’- Tt4’）；
构建向量（Tc’, Dt1’, Dt2’, Dt3’, Dt4’, DTt1’, DTt2’, DTt3’, DTt4’, Tc’2, Dt1’2, Dt2’2, Dt3’2, Dt4’2, Tc’3, Dt1’3, Dt2’3, Dt3’3, Dt4’3）作为预处理后的输入数据。
更进一步地，在所述训练步骤中所采用的损失函数为：
Figure DEST_PATH_IMAGE001
；
其中，n表示光纤陀螺逐步升温的训练样本个数，m表示光纤陀螺逐步降温的训练样本个数，m和n均大于2，
Figure DEST_PATH_IMAGE002
表示逐步升温的训练样本中的第i个训练样本，
Figure DEST_PATH_IMAGE003
表示逐步升温的训练样本中的第j个训练样本，
Figure DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
表示输出样本值，
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
表示预测的补偿温度，
Figure DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
表示权重值，该权重值可以基于m、n个输出样本值确定，输出样本值实际含义为对应的输入样本的补偿温度值，一种
Figure 965267DEST_PATH_IMAGE008
、
Figure 20424DEST_PATH_IMAGE009
的计算方式为：
Figure DEST_PATH_IMAGE010
本发明还提出了一种基于神经网络对光纤陀螺零偏温度补偿装置，该装置包括：
训练单元，对采集的训练样本进行预处理得到预处理后的训练样本，使用预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；
优化单元，基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；
部署单元，将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；
补偿单元，在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至部署在所述目标FPGA上的所述优化后的零偏温度补偿模型，所述优化后的零偏温度补偿模型输出补偿温度值对所述光纤陀螺的零偏温度进行补偿。
更进一步地，所述神经网络为LSTM、BI-LSTM或CNN。
更进一步地，所述对采集的训练样本进行预处理得到预处理后的训练样本的操作包括：每条训练样本包括输入样本和输出样本，从样本光纤陀螺中采集的当前温度Tc、当前温度之前t1、t2、t3和t4时刻的温度Tt1、Tt2、Tt3和Tt4，进行如下处理：
Dt1=（Tc- Tt1），Dt2=（Tc- Tt2），Dt3=（Tc- Tt3），Dt4=（Tc- Tt4）；
DTt1= Tc*（Tc- Tt1），DTt2= Tc*（Tc- Tt2），DTt3=Tc*（Tc- Tt3），DTt4= Tc*（Tc-Tt4）；
构建向量（Tc, Dt1, Dt2, Dt3, Dt4, DTt1, DTt2, DTt3, DTt4, Tc2, Dt12,Dt22, Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43）作为输入样本，所述输出样本为该输入样本对应的补偿温度值。
更进一步地，所述t1=10ms，t2=1s，t3=10s，t4=60s。
更进一步地，所述优化单元中的操作为：获取所述目标FPGA运行中使用的DSP个数及内存大小，判断所述DSP是进行定点计算还是浮点计算，如果是定点计算，则将所述零偏温度补偿模型中的权重参数进行定点化处理，如果是浮点计算，则基于所述DSP可进行浮点计算的位数对所述零偏温度补偿模型中的权重参数进行浮点压缩，基于所述DSP个数对对所述零偏温度补偿模型中的卷积层进行并行计算优化，基于内存大小对所述零偏温度补偿模型中的全连接层进行优化，并删除权重参数中基本为0的权重参数，最后得到优化后的零偏温度补偿模型。
更进一步地，在得到优化后的零偏温度补偿模型后，使用同样一组测试样本对其和未优化前的所述零偏温度补偿模型进行测试，如果二者输出的补偿温度值误差小于第一阈值（如0.1摄氏度），则认为优化后的零偏温度补偿模型为合适的优化补偿模型，否则，需要进行重新优化，直到获得合适的优化补偿模型。
更进一步地，所述DSP及内存为内置或外置在所述目标FPGA上的。
更进一步地，在所述部署单元中，使用分段函数模拟神经网络中的激活函数，通过预先设置的输入输出数据的对应的数据表，采用查表法计算激活函数的近似值，以节约FPGA的乘法器资源。
更进一步地，在所述补偿单元中，采集所述光纤陀螺的当前温度及多个历史温度进行预处理的操作为：采集光纤陀螺的当前温度Tc’、当前温度之前t1、t2、t3和t4时刻的温度Tt1’、Tt2’、Tt3’和Tt4’，进行如下处理：
Dt1’=（Tc’- Tt1’），Dt2’=（Tc’- Tt2’），Dt3’=（Tc’- Tt3’），Dt4’=（Tc’- Tt4’）；
DTt1’= Tc’*（Tc’- Tt1’），DTt2’= Tc’*（Tc’- Tt2’），DTt3’= Tc’*（Tc’- Tt3’），DTt4’= Tc’*（Tc’- Tt4’）；
构建向量（Tc’, Dt1’, Dt2’, Dt3’, Dt4’, DTt1’, DTt2’, DTt3’, DTt4’, Tc’2, Dt1’2, Dt2’2, Dt3’2, Dt4’2, Tc’3, Dt1’3, Dt2’3, Dt3’3, Dt4’3）作为预处理后的输入数据。
更进一步地，在所述训练单元中所采用的损失函数为：
Figure DEST_PATH_IMAGE011
其中，n表示光纤陀螺逐步升温的训练样本个数，m表示光纤陀螺逐步降温的训练样本个数，m和n均大于2，
Figure 767537DEST_PATH_IMAGE002
表示逐步升温的训练样本中的第i个训练样本，
Figure 303692DEST_PATH_IMAGE003
表示逐步升温的训练样本中的第j个训练样本，
Figure 259010DEST_PATH_IMAGE004
、
Figure 487997DEST_PATH_IMAGE005
表示输出样本值，
Figure 893046DEST_PATH_IMAGE006
、
Figure 232892DEST_PATH_IMAGE007
表示预测的补偿温度，
Figure 59027DEST_PATH_IMAGE008
、
Figure 213844DEST_PATH_IMAGE009
表示权重值，该权重值可以基于m、n个输出样本值确定，输出样本值实际含义为对应的输入样本的补偿温度值，一种
Figure 843540DEST_PATH_IMAGE008
、
Figure 987077DEST_PATH_IMAGE009
的计算方式为：
Figure DEST_PATH_IMAGE012
本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于：本发明的一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质，该方法包括：训练步骤S101，对采集的训练样本进行预处理得到预处理后的训练样本，使用预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；优化步骤S102，基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；部署步骤S103，将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；补偿步骤S104，在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至部署在所述目标FPGA上的所述优化后的零偏温度补偿模型，所述优化后的零偏温度补偿模型输出补偿温度值对所述光纤陀螺的零偏温度进行补偿。本发明中，为了提高光纤陀螺的温度补偿精度，使用训练后的神经网络作为零偏温度补偿模型，在训练完成后，将该零偏温度补偿模型根据光纤陀螺中的目标FPGA性能进行优化后基于所述目标FPGA的资源进行部署，这样光纤陀螺在启动时、或温度变化时，其本身中的FPGA中的补偿模型可以自动的进行温度补偿，且本发明中，在补偿温度预测时，不仅仅是使用的光纤陀螺的当前温度，还使用了其多个历史温度，将当前温度及多个历史温度处理后作为一个输入样本向量进行预测补偿温度，这样提高了预测的准确度；本发明中，在构建训练样本及后续的补偿温度预测时，由于温度上升或下降速度等的不同，即使下降或上升相同的温度，其对应的补偿值也不同，上升与下降相同的温度值，其对应的补偿值也不同，因此，本发明中，不仅采用当前的温度值，还采集多个历史温度，并对这些温度值进行预处理，这样预处理的后训练样本准确地反应了光纤陀螺一段时间内的温度变化与温度补偿值之间的关系，从而可以准确的预测补偿温度；本发明中，根据光纤陀螺的实际物理参数变化，将损失函数分为两个部分，即升温部分的损失函数，即降温部分的损失函数，并基于补偿温度计算二者的权重值，最终得到整体的损失函数，该损失函数整体上反映了光纤陀螺的实际工作物理状态，使用该损失函数训练出的补偿模型可以高度贴合光纤陀螺的实际温度补偿，提高了光纤陀螺的温度补偿精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种基于神经网络对光纤陀螺零偏温度补偿方法的流程图。
图2是根据本发明的实施例的一种基于神经网络对光纤陀螺零偏温度补偿装置的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于神经网络对光纤陀螺零偏温度补偿方法，该方法包括：
训练步骤S101，对采集的训练样本进行预处理得到预处理后的训练样本，使用预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；
优化步骤S102，基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；
部署步骤S103，将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；
补偿步骤S104，在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至部署在所述目标FPGA上的所述优化后的零偏温度补偿模型，所述优化后的零偏温度补偿模型输出补偿温度值对所述光纤陀螺的零偏温度进行补偿。
本发明中，为了提高光纤陀螺的温度补偿精度，使用训练后的神经网络作为零偏温度补偿模型，在训练完成后，将该零偏温度补偿模型根据光纤陀螺中的目标FPGA性能进行优化后基于所述目标FPGA的资源进行部署，这样光纤陀螺在启动时、或温度变化时，其本身中的FPGA中的补偿模型可以自动的进行温度补偿，且本发明中，在补偿温度预测时，不仅仅是使用的光纤陀螺的当前温度，还使用了其多个历史温度，将当前温度及多个历史温度处理后作为一个输入样本向量进行预测补偿温度，这样提高了预测的准确度，这是本发明的重要发明构思体现。
在一个进一步优选的实施例中，所述神经网络为LSTM、BI-LSTM或CNN，本发明中一般不使用DNN，因为DNN的层数较多，运算量较大，难以移植到资源有限的FPGA中。
在一个进一步优选的实施例中，当光纤陀螺静置一段时间后上电冷启，此时其温度因内部电路板自发热导致温度上升，由于不同款陀螺内部设计不同，其热平衡也有较大差异。电路板的散热不均匀导致光纤环受热不均，致使非互易性相位延迟(Shupe效应)，最终使得陀螺零偏现象的发生变化，或者另外一个场景时，光纤陀螺当前所处的环境温度很高，比如80摄氏度，将其转移到温度较低的环境温度时，由于温度的下降，也会导致陀螺零偏现象的发生变化。因此，现有技术中一般采集陀螺当前的实时温度进行补偿温度预测的方式难以精确的预测出补偿温度，本发明对其进行改进，具体如下。
本发明中，所述对采集的训练样本进行预处理得到预处理后的训练样本的操作包括：每条训练样本包括输入样本和输出样本，从样本光纤陀螺中采集的当前温度Tc、当前温度之前t1、t2、t3和t4时刻的温度Tt1、Tt2、Tt3和Tt4，进行如下处理：
Dt1=（Tc- Tt1），Dt2=（Tc- Tt2），Dt3=（Tc- Tt3），Dt4=（Tc- Tt4）；
DTt1= Tc*（Tc- Tt1），DTt2= Tc*（Tc- Tt2），DTt3=Tc*（Tc- Tt3），DTt4= Tc*（Tc-Tt4）；
构建向量（Tc, Dt1, Dt2, Dt3, Dt4, DTt1, DTt2, DTt3, DTt4, Tc2, Dt12,Dt22, Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43）作为输入样本，所述输出样本为该输入样本对应的补偿温度值。本发明中采集表示光纤陀螺逐步升温（即光纤陀螺工作后其温度会上升）的训练样本n个，表示光纤陀螺逐步降温（即由于环境温度的变化，光纤陀螺工作时的温度会下降）的训练样本m个，一共具有m+n个训练样本。
在本发明中，所述t1=10ms，t2=1s，t3=10s，t4=60s。
在一个进一步优选的实施例中，在所述补偿步骤S104中，采集所述光纤陀螺的当前温度及多个历史温度进行预处理的操作为：采集光纤陀螺的当前温度Tc’、当前温度之前t1、t2、t3和t4时刻的温度Tt1’、Tt2’、Tt3’和Tt4’（即多个历史温度），进行如下处理：
Dt1’=（Tc’- Tt1’），Dt2’=（Tc’- Tt2’），Dt3’=（Tc’- Tt3’），Dt4’=（Tc’- Tt4’）；
DTt1’= Tc’*（Tc’- Tt1’），DTt2’= Tc’*（Tc’- Tt2’），DTt3’= Tc’*（Tc’- Tt3’），DTt4’= Tc’*（Tc’- Tt4’）；
构建向量（Tc’, Dt1’, Dt2’, Dt3’, Dt4’, DTt1’, DTt2’, DTt3’, DTt4’, Tc’2, Dt1’2, Dt2’2, Dt3’2, Dt4’2, Tc’3, Dt1’3, Dt2’3, Dt3’3, Dt4’3）作为预处理后的输入数据。
本发明中，在构建训练样本及后续的补偿温度预测时，由于温度上升或下降速度等的不同，即使下降或上升相同的温度，其对应的补偿值也不同，上升与下降相同的温度值，其对应的补偿值也不同，因此，本发明中，不仅采用当前的温度值，还采集多个历史温度，并对这些温度值进行预处理，比如，Dt1, Dt2, Dt3, Dt4,表示了升降温速度，DTt1,DTt2, DTt3, DTt4, Tc2, Dt12, Dt22, Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43表示了高阶补偿，这样预处理的后训练样本准确地反应了光纤陀螺一段时间内的温度变化与温度补偿值之间的关系，从而可以准确的预测补偿温度，这是本发明的一个重要发明点。
在一个进一步地的实施例中，在所述训练步骤S101中所采用的损失函数为：
Figure DEST_PATH_IMAGE013
其中，n表示光纤陀螺逐步升温的训练样本个数，m表示光纤陀螺逐步降温的训练样本个数，m和n均大于2，
Figure 195948DEST_PATH_IMAGE002
表示逐步升温的训练样本中的第i个训练样本，
Figure 783049DEST_PATH_IMAGE003
表示逐步升温的训练样本中的第j个训练样本，
Figure 162690DEST_PATH_IMAGE004
、
Figure 578759DEST_PATH_IMAGE005
表示输出样本值，
Figure 894334DEST_PATH_IMAGE006
、
Figure 370446DEST_PATH_IMAGE007
表示预测的补偿温度，
Figure 988116DEST_PATH_IMAGE008
、
Figure 473455DEST_PATH_IMAGE009
表示权重值，该权重值可以基于m、n个输出样本值确定，输出样本值实际含义为对应的输入样本的补偿温度值，一种
Figure 377957DEST_PATH_IMAGE008
、
Figure 287619DEST_PATH_IMAGE009
的计算方式为：
Figure DEST_PATH_IMAGE014
本发明中，根据光纤陀螺的实际物理参数变化，将损失函数分为两个部分，即升温部分的损失函数，即降温部分的损失函数，并基于补偿温度计算二者的权重值，最终得到整体的损失函数，该损失函数整体上反映了光纤陀螺的实际工作物理状态，使用该损失函数训练出的补偿模型可以高度贴合光纤陀螺的实际温度补偿，提高了光纤陀螺的温度补偿精度，这是本发明的另一个重要发明点。
在一个进一步地的实施例中，所述优化步骤S102的操作为：获取所述目标FPGA运行中使用的DSP个数及内存大小，判断所述DSP是进行定点计算还是浮点计算，如果是定点计算，则将所述零偏温度补偿模型中的权重参数进行定点化处理，如果是浮点计算，则基于所述DSP可进行浮点计算的位数对所述零偏温度补偿模型中的权重参数进行浮点压缩，基于所述DSP个数对对所述零偏温度补偿模型中的卷积层进行并行计算优化，基于内存大小对所述零偏温度补偿模型中的全连接层进行优化，并删除权重参数中基本为0的权重参数，最后得到优化后的零偏温度补偿模型。比如小于0.001的权重参数。
在一个进一步地的实施例中，在得到优化后的零偏温度补偿模型后，使用同样一组测试样本对其和未优化前的所述零偏温度补偿模型进行测试，如果二者输出的补偿温度值误差小于第一阈值（如0.1摄氏度），则认为优化后的零偏温度补偿模型为合适的优化补偿模型，否则，需要进行重新优化，直到获得合适的优化补偿模型。
本发明中，所述DSP及内存为内置或外置在所述目标FPGA上的。
在一个进一步地的实施例中，在所述部署步骤S103中，使用分段函数模拟神经网络中的激活函数，通过预先设置的输入输出数据的对应的数据表，采用查表法计算激活函数的近似值，以节约FPGA的乘法器资源。
本发明中，根据FPGA可以使用的内存及DSP的个数对零偏温度补偿模型进行优化后部署，且在FPGA中，使用查表法计算激活函数的近似值，以节约FPGA的乘法器资源，从而提高了将神经网络部署到FPGA后的性能，防止预测速度过慢，影响光纤陀螺的性能，这是本发明的一个重要发明构思。
图2本发明的一种基于神经网络对光纤陀螺零偏温度补偿装置，该装置包括：
训练单元201，对采集的训练样本进行预处理得到预处理后的训练样本，使用预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；
优化单元202，基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；
部署单元203，将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；
补偿单元204，在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至部署在所述目标FPGA上的所述优化后的零偏温度补偿模型，所述优化后的零偏温度补偿模型输出补偿温度值对所述光纤陀螺的零偏温度进行补偿。
本发明中，为了提高光纤陀螺的温度补偿精度，使用训练后的神经网络作为零偏温度补偿模型，在训练完成后，将该零偏温度补偿模型根据光纤陀螺中的目标FPGA性能进行优化后基于所述目标FPGA的资源进行部署，这样光纤陀螺在启动时、或温度变化时，其本身中的FPGA中的补偿模型可以自动的进行温度补偿，且本发明中，在补偿温度预测时，不仅仅是使用的光纤陀螺的当前温度，还使用了其多个历史温度，将当前温度及多个历史温度处理后作为一个输入样本向量进行预测补偿温度，这样提高了预测的准确度，这是本发明的重要发明构思体现。
在一个进一步优选的实施例中，所述神经网络为LSTM、BI-LSTM或CNN，本发明中一般不使用DNN，因为DNN的层数较多，运算量较大，难以移植到资源有限的FPGA中。
在一个进一步优选的实施例中，当光纤陀螺静置一段时间后上电冷启，此时其温度因内部电路板自发热导致温度上升，由于不同款陀螺内部设计不同，其热平衡也有较大差异。电路板的散热不均匀导致光纤环受热不均，致使非互易性相位延迟(Shupe效应)，最终使得陀螺零偏现象的发生变化，或者另外一个场景时，光纤陀螺当前所处的环境温度很高，比如80摄氏度，将其转移到温度较低的环境温度时，由于温度的下降，也会导致陀螺零偏现象的发生变化。因此，现有技术中一般采集陀螺当前的实时温度进行补偿温度预测的方式难以精确的预测出补偿温度，本发明对其进行改进，具体如下。
本发明中，所述对采集的训练样本进行预处理得到预处理后的训练样本的操作包括：每条训练样本包括输入样本和输出样本，从样本光纤陀螺中采集的当前温度Tc、当前温度之前t1、t2、t3和t4时刻的温度Tt1、Tt2、Tt3和Tt4，进行如下处理：
Dt1=（Tc- Tt1），Dt2=（Tc- Tt2），Dt3=（Tc- Tt3），Dt4=（Tc- Tt4）；
DTt1= Tc*（Tc- Tt1），DTt2= Tc*（Tc- Tt2），DTt3=Tc*（Tc- Tt3），DTt4= Tc*（Tc-Tt4）；
构建向量（Tc, Dt1, Dt2, Dt3, Dt4, DTt1, DTt2, DTt3, DTt4, Tc2, Dt12,Dt22, Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43）作为输入样本，所述输出样本为该输入样本对应的补偿温度值。本发明中采集表示光纤陀螺逐步升温（即光纤陀螺工作后其温度会上升）的训练样本n个，表示光纤陀螺逐步降温（即由于环境温度的变化，光纤陀螺工作时的温度会下降）的训练样本m个，一共具有m+n个训练样本。
在本发明中，所述t1=10ms，t2=1s，t3=10s，t4=60s。
在一个进一步优选的实施例中，在所述补偿单元204中，采集所述光纤陀螺的当前温度及多个历史温度进行预处理的操作为：采集光纤陀螺的当前温度Tc’、当前温度之前t1、t2、t3和t4时刻的温度Tt1’、Tt2’、Tt3’和Tt4’（即多个历史温度），进行如下处理：
Dt1’=（Tc’- Tt1’），Dt2’=（Tc’- Tt2’），Dt3’=（Tc’- Tt3’），Dt4’=（Tc’- Tt4’）；
DTt1’= Tc’*（Tc’- Tt1’），DTt2’= Tc’*（Tc’- Tt2’），DTt3’= Tc’*（Tc’- Tt3’），DTt4’= Tc’*（Tc’- Tt4’）；
构建向量（Tc’, Dt1’, Dt2’, Dt3’, Dt4’, DTt1’, DTt2’, DTt3’, DTt4’, Tc’2, Dt1’2, Dt2’2, Dt3’2, Dt4’2, Tc’3, Dt1’3, Dt2’3, Dt3’3, Dt4’3）作为预处理后的输入数据。
本发明中，在构建训练样本及后续的补偿温度预测时，由于温度上升或下降速度等的不同，即使下降或上升相同的温度，其对应的补偿值也不同，上升与下降相同的温度值，其对应的补偿值也不同，因此，本发明中，不仅采用当前的温度值，还采集多个历史温度，并对这些温度值进行预处理，比如，Dt1, Dt2, Dt3, Dt4,表示了升降温速度，DTt1,DTt2, DTt3, DTt4, Tc2, Dt12, Dt22, Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43表示了高阶补偿，这样预处理的后训练样本准确地反应了光纤陀螺一段时间内的温度变化与温度补偿值之间的关系，从而可以准确的预测补偿温度，这是本发明的一个重要发明点。
在一个进一步地的实施例中，在所述训练单元201中所采用的损失函数为：
Figure DEST_PATH_IMAGE015
其中，n表示光纤陀螺逐步升温的训练样本个数，m表示光纤陀螺逐步降温的训练样本个数，m和n均大于2，
Figure 674476DEST_PATH_IMAGE002
表示逐步升温的训练样本中的第i个训练样本，
Figure DEST_PATH_IMAGE016
表示逐步升温的训练样本中的第j个训练样本，
Figure DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE018
表示输出样本值，
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
表示预测的补偿温度，
Figure DEST_PATH_IMAGE021
、
Figure DEST_PATH_IMAGE022
表示权重值，该权重值可以基于m、n个输出样本值确定，输出样本值实际含义为对应的输入样本的补偿温度值，一种
Figure 632680DEST_PATH_IMAGE021
、
Figure 162929DEST_PATH_IMAGE022
的计算方式为：
Figure DEST_PATH_IMAGE023
本发明中，根据光纤陀螺的实际物理参数变化，将损失函数分为两个部分，即升温部分的损失函数，即降温部分的损失函数，并基于补偿温度计算二者的权重值，最终得到整体的损失函数，该损失函数整体上反映了光纤陀螺的实际工作物理状态，使用该损失函数训练出的补偿模型可以高度贴合光纤陀螺的实际温度补偿，提高了光纤陀螺的温度补偿精度，这是本发明的另一个重要发明点。
在一个进一步地的实施例中，所述优化单元202的操作为：获取所述目标FPGA运行中使用的DSP个数及内存大小，判断所述DSP是进行定点计算还是浮点计算，如果是定点计算，则将所述零偏温度补偿模型中的权重参数进行定点化处理，如果是浮点计算，则基于所述DSP可进行浮点计算的位数对所述零偏温度补偿模型中的权重参数进行浮点压缩，基于所述DSP个数对对所述零偏温度补偿模型中的卷积层进行并行计算优化，基于内存大小对所述零偏温度补偿模型中的全连接层进行优化，并删除权重参数中基本为0的权重参数，最后得到优化后的零偏温度补偿模型。比如小于0.001的权重参数。
在一个进一步地的实施例中，在得到优化后的零偏温度补偿模型后，使用同样一组测试样本对其和未优化前的所述零偏温度补偿模型进行测试，如果二者输出的补偿温度值误差小于第一阈值（如0.1摄氏度），则认为优化后的零偏温度补偿模型为合适的优化补偿模型，否则，需要进行重新优化，直到获得合适的优化补偿模型。
本发明中，所述DSP及内存为内置或外置在所述目标FPGA上的。
在一个进一步地的实施例中，在所述部署单元203中，使用分段函数模拟神经网络中的激活函数，通过预先设置的输入输出数据的对应的数据表，采用查表法计算激活函数的近似值，以节约FPGA的乘法器资源。
本发明中，根据FPGA可以使用的内存及DSP的个数对零偏温度补偿模型进行优化后部署，且在FPGA中，使用查表法计算激活函数的近似值，以节约FPGA的乘法器资源，从而提高了将神经网络部署到FPGA后的性能，防止预测速度过慢，影响光纤陀螺的性能，这是本发明的一个重要发明构思。
本发明一个实施例中提出了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，当所述计算机存储介质上的计算机程序被处理器执行时实现上述的方法，该计算机存储介质可以是硬盘、DVD、CD、闪存等等存储器。
本发明的为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质 中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于神经网络对光纤陀螺零偏温度补偿方法，其特征在于，该方法包括：
训练步骤，对采集的训练样本进行预处理得到预处理后的训练样本，使用预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；
优化步骤，基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；
部署步骤，将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；
补偿步骤，在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至部署在所述目标FPGA上的所述优化后的零偏温度补偿模型，所述优化后的零偏温度补偿模型输出补偿温度值对所述光纤陀螺的零偏温度进行补偿；
其中，所述对采集的训练样本进行预处理得到预处理后的训练样本的操作包括：每条训练样本包括输入样本和输出样本，从样本光纤陀螺中采集的当前温度Tc、当前温度之前t1、t2、t3和t4时刻的温度Tt1、Tt2、Tt3和Tt4，进行如下处理：
Dt1=（Tc- Tt1），Dt2=（Tc- Tt2），Dt3=（Tc- Tt3），Dt4=（Tc- Tt4）；
DTt1= Tc*（Tc- Tt1），DTt2= Tc*（Tc- Tt2），DTt3=Tc*（Tc- Tt3），DTt4= Tc*（Tc-Tt4）；
构建向量（Tc, Dt1, Dt2, Dt3, Dt4, DTt1, DTt2, DTt3, DTt4, Tc2, Dt12, Dt22,Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43）作为输入样本，所述输出样本为该输入样本对应的补偿温度值；
其中，所述优化步骤的操作为：获取所述目标FPGA运行中使用的DSP个数及内存大小，判断所述DSP是进行定点计算还是浮点计算，如果是定点计算，则将所述零偏温度补偿模型中的权重参数进行定点化处理，如果是浮点计算，则基于所述DSP可进行浮点计算的位数对所述零偏温度补偿模型中的权重参数进行浮点压缩，基于所述DSP个数对对所述零偏温度补偿模型中的卷积层进行并行计算优化，基于内存大小对所述零偏温度补偿模型中的全连接层进行优化，并删除权重参数中基本为0的权重参数，最后得到优化后的零偏温度补偿模型；
其中，在所述补偿步骤中，采集所述光纤陀螺的当前温度及多个历史温度进行预处理的操作为：采集光纤陀螺的当前温度Tc’、当前温度之前t1、t2、t3和t4时刻的温度Tt1’、Tt2’、Tt3’和Tt4’，进行如下处理：
Dt1’=（Tc’- Tt1’），Dt2’=（Tc’- Tt2’），Dt3’=（Tc’- Tt3’），Dt4’=（Tc’- Tt4’）；
DTt1’= Tc’*（Tc’- Tt1’），DTt2’= Tc’*（Tc’- Tt2’），DTt3’= Tc’*（Tc’- Tt3’），DTt4’= Tc’*（Tc’- Tt4’）；
构建向量（Tc’, Dt1’, Dt2’, Dt3’, Dt4’, DTt1’, DTt2’, DTt3’, DTt4’, Tc’2,Dt1’2, Dt2’2, Dt3’2, Dt4’2, Tc’3, Dt1’3, Dt2’3, Dt3’3, Dt4’3）作为预处理后的输入数据；
其中，在所述训练步骤中所采用的损失函数为：
Figure 770638DEST_PATH_IMAGE001
；
其中，n表示光纤陀螺逐步升温的训练样本个数，m表示光纤陀螺逐步降温的训练样本 个数，m和n均大于2，
Figure 649601DEST_PATH_IMAGE002
表示逐步升温的训练样本中的第i个训练样本，
Figure 714509DEST_PATH_IMAGE003
表示逐步升温的 训练样本中的第j个训练样本，
Figure 162195DEST_PATH_IMAGE004
表示输出样本值，
Figure 716673DEST_PATH_IMAGE005
表示预测的补偿温 度，
Figure 348512DEST_PATH_IMAGE006
表示权重值，该权重值可以基于m、n个输出样本值确定，输出样本值实际含义为 对应的输入样本的补偿温度值，其中
Figure 203729DEST_PATH_IMAGE006
的计算方式为：
Figure 971833DEST_PATH_IMAGE007
；
Figure 166054DEST_PATH_IMAGE008
。
2.根据权利要求1所述的方法，其特征在于，所述神经网络为LSTM、BI-LSTM或CNN。
3.根据权利要求2所述的方法，其特征在于，所述t1=10ms，t2=1s，t3=10s，t4=60s。
4.一种基于神经网络对光纤陀螺零偏温度补偿装置，其特征在于，该装置包括：
训练单元，对采集的训练样本进行预处理得到预处理后的训练样本，使用预处理后的训练样本对神经网络进行训练得到零偏温度补偿模型；
优化单元，基于光纤陀螺中的目标FPGA性能对所述零偏温度补偿模型进行优化得到优化后的零偏温度补偿模型；
部署单元，将所述优化后的零偏温度补偿模型基于所述目标FPGA的资源进行部署；
补偿单元，在所述光纤陀螺初始化时，采集所述光纤陀螺的当前温度及多个历史温度进行预处理后输入至部署在所述目标FPGA上的所述优化后的零偏温度补偿模型，所述优化后的零偏温度补偿模型输出补偿温度值对所述光纤陀螺的零偏温度进行补偿；
其中，所述对采集的训练样本进行预处理得到预处理后的训练样本的操作包括：每条训练样本包括输入样本和输出样本，从样本光纤陀螺中采集的当前温度Tc、当前温度之前t1、t2、t3和t4时刻的温度Tt1、Tt2、Tt3和Tt4，进行如下处理：
Dt1=（Tc- Tt1），Dt2=（Tc- Tt2），Dt3=（Tc- Tt3），Dt4=（Tc- Tt4）；
DTt1= Tc*（Tc- Tt1），DTt2= Tc*（Tc- Tt2），DTt3=Tc*（Tc- Tt3），DTt4= Tc*（Tc-Tt4）；
构建向量（Tc, Dt1, Dt2, Dt3, Dt4, DTt1, DTt2, DTt3, DTt4, Tc2, Dt12, Dt22,Dt32, Dt42, Tc3, Dt13, Dt23, Dt33, Dt43）作为输入样本，所述输出样本为该输入样本对应的补偿温度值；
其中，所述优化单元中的操作为：获取所述目标FPGA运行中使用的DSP个数及内存大小，判断所述DSP是进行定点计算还是浮点计算，如果是定点计算，则将所述零偏温度补偿模型中的权重参数进行定点化处理，如果是浮点计算，则基于所述DSP可进行浮点计算的位数对所述零偏温度补偿模型中的权重参数进行浮点压缩，基于所述DSP个数对对所述零偏温度补偿模型中的卷积层进行并行计算优化，基于内存大小对所述零偏温度补偿模型中的全连接层进行优化，并删除权重参数中基本为0的权重参数，最后得到优化后的零偏温度补偿模型；
其中，在所述补偿单元中，采集所述光纤陀螺的当前温度及多个历史温度进行预处理的操作为：采集光纤陀螺的当前温度Tc’、当前温度之前t1、t2、t3和t4时刻的温度Tt1’、Tt2’、Tt3’和Tt4’，进行如下处理：
Dt1’=（Tc’- Tt1’），Dt2’=（Tc’- Tt2’），Dt3’=（Tc’- Tt3’），Dt4’=（Tc’- Tt4’）；
DTt1’= Tc’*（Tc’- Tt1’），DTt2’= Tc’*（Tc’- Tt2’），DTt3’= Tc’*（Tc’- Tt3’），DTt4’= Tc’*（Tc’- Tt4’）；
构建向量（Tc’, Dt1’, Dt2’, Dt3’, Dt4’, DTt1’, DTt2’, DTt3’, DTt4’, Tc’2,Dt1’2, Dt2’2, Dt3’2, Dt4’2, Tc’3, Dt1’3, Dt2’3, Dt3’3, Dt4’3）作为预处理后的输入数据；
其中，在所述训练单元中所采用的损失函数为：
Figure 288119DEST_PATH_IMAGE009
；
其中，n表示光纤陀螺逐步升温的训练样本个数，m表示光纤陀螺逐步降温的训练样本 个数，m和n均大于2，
Figure 491567DEST_PATH_IMAGE002
表示逐步升温的训练样本中的第i个训练样本，
Figure 114178DEST_PATH_IMAGE003
表示逐步升温 的训练样本中的第j个训练样本，
Figure 10459DEST_PATH_IMAGE004
表示输出样本值，
Figure 834800DEST_PATH_IMAGE005
表示预测的补偿 温度，
Figure 841939DEST_PATH_IMAGE006
表示权重值，该权重值可以基于m、n个输出样本值确定，输出样本值实际含义 为对应的输入样本的补偿温度值，其中
Figure 319057DEST_PATH_IMAGE006
的计算方式为：
Figure 386239DEST_PATH_IMAGE010
；
Figure 951737DEST_PATH_IMAGE011
。
5.根据权利要求4所述的装置，其特征在于，所述神经网络为LSTM、BI-LSTM或CNN。
6.根据权利要求5所述的装置，其特征在于，所述t1=10ms，t2=1s，t3=10s，t4=60s。
7.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，当所述计算机存储介质上的计算机程序被处理器执行时实现权利要求1-3任一项所述的方法。
CN202210677547.XA 2022-06-16 2022-06-16 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质 Active CN114754801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210677547.XA CN114754801B (zh) 2022-06-16 2022-06-16 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210677547.XA CN114754801B (zh) 2022-06-16 2022-06-16 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114754801A CN114754801A (zh) 2022-07-15
CN114754801B true CN114754801B (zh) 2022-08-26

Family

ID=82336485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210677547.XA Active CN114754801B (zh) 2022-06-16 2022-06-16 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114754801B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115371659B (zh) * 2022-10-14 2023-02-24 武汉优米捷光电子制造有限责任公司 一种带前向校正的光纤陀螺全温零偏补偿方法
CN115855016B (zh) * 2023-02-27 2023-06-16 南开大学 一种光纤陀螺仪低温冲击误差补偿方法
CN115994491B (zh) * 2023-03-24 2023-06-30 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
CN116086497B (zh) * 2023-04-11 2023-06-09 北京理工导航控制科技股份有限公司 基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
CN108596331A (zh) * 2018-04-16 2018-09-28 浙江大学 一种细胞神经网络硬件架构的优化方法
CN110084363A (zh) * 2019-05-15 2019-08-02 电科瑞达(成都)科技有限公司 一种基于fpga平台的深度学习模型加速方法
CN114061559A (zh) * 2021-11-16 2022-02-18 湖北三江航天万峰科技发展有限公司 光纤陀螺零偏漂移的补偿方法、系统和计算机存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITRM20060652A1 (it) * 2006-12-06 2008-06-07 Micron Technology Inc Compensazione di temperatura di segnali di memoria impiegando segnali digitali

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
CN108596331A (zh) * 2018-04-16 2018-09-28 浙江大学 一种细胞神经网络硬件架构的优化方法
CN110084363A (zh) * 2019-05-15 2019-08-02 电科瑞达(成都)科技有限公司 一种基于fpga平台的深度学习模型加速方法
CN114061559A (zh) * 2021-11-16 2022-02-18 湖北三江航天万峰科技发展有限公司 光纤陀螺零偏漂移的补偿方法、系统和计算机存储介质

Also Published As

Publication number Publication date
CN114754801A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN114754801B (zh) 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质
JP5278624B2 (ja) シミュレーション装置，方法，およびプログラム
JP6991983B2 (ja) 機械学習システムをトレーニングする方法及びシステム
KR101332499B1 (ko) 시뮬레이션 장치, 방법, 및 기록 매체
CN106484936B (zh) 一种考虑应力松弛效应的高温部件的蠕变疲劳寿命的评估方法及装置
CN104755891A (zh) 便携式电子设备
CN114777656B (zh) 基于神经网络的光纤陀螺的筛环系统、方法及存储介质
CN111089695B (zh) 一种自动化模态测试方法
Wei et al. High-precision smart calibration system for temperature sensors
CN111026603B (zh) 片上网络温度预测方法及装置、设备、存储介质
CN110717600A (zh) 样本池构建方法和装置、以及算法训练方法和装置
CN114026572A (zh) 模拟神经网络中的误差补偿
EP2797000A1 (en) Portable electronic device
Longxi et al. Numerical and Experimental Study on the Multiobjective Optimization of a Two‐Disk Flexible Rotor System
Chwalowski et al. Flutter Prediction Report in Support of the High Angle Working Group at the Third Aeroelastic Prediction Workshop
JP2012502340A (ja) 分岐オーバーライドを用いたプロセッサ実行のシミュレーション
JP6015865B2 (ja) シミュレーション装置、シミュレーション方法およびシミュレーションプログラム
CN116648184A (zh) 温度预测方法、装置和存储介质
Aymanns et al. Turbocharger efficiencies in pulsating exhaust gas flow
JP2011127904A (ja) エンジンベンチ
CN115235511A (zh) 一种基于cwoa-mlp神经网络的光纤陀螺启动阶段标度因数误差补偿方法
CN111473887B (zh) 壳体温度的获取方法、装置、存储介质和电子设备
JP7252862B2 (ja) 制御装置、制御システムおよび制御方法
US9316547B1 (en) Method for determining time-resolved heat transfer coefficient and adiabatic effectiveness waveforms with unsteady film cooling
US10671780B2 (en) Information processing device that executes simulation and a simulation method

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