CN116046018B - 一种应用于mems陀螺仪的温度补偿方法 - Google Patents

一种应用于mems陀螺仪的温度补偿方法 Download PDF

Info

Publication number
CN116046018B
CN116046018B CN202310071615.2A CN202310071615A CN116046018B CN 116046018 B CN116046018 B CN 116046018B CN 202310071615 A CN202310071615 A CN 202310071615A CN 116046018 B CN116046018 B CN 116046018B
Authority
CN
China
Prior art keywords
temperature
neural network
gyroscope
data
mems gyroscope
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
CN202310071615.2A
Other languages
English (en)
Other versions
CN116046018A (zh
Inventor
赵炜
蒋佩宇
刘飞
王雷
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.)
Wuxi Lins Tech Co ltd
Original Assignee
Wuxi Lins Tech 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 Wuxi Lins Tech Co ltd filed Critical Wuxi Lins Tech Co ltd
Priority to CN202310071615.2A priority Critical patent/CN116046018B/zh
Publication of CN116046018A publication Critical patent/CN116046018A/zh
Application granted granted Critical
Publication of CN116046018B publication Critical patent/CN116046018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
    • G01C19/56—Turn-sensitive devices using vibrating masses, e.g. vibratory angular rate sensors based on Coriolis forces
    • 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
    • G06N3/08—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
    • 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)
  • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Manufacturing & Machinery (AREA)
  • Gyroscopes (AREA)

Abstract

本发明提供一种应用于MEMS陀螺仪的温度补偿方法，包括：采集MEMS陀螺仪的数据，根据预设温度区间，获得不同温度区间MEMS陀螺仪的温度及输出数据，定义为第一、第二和第三数据集；建立神经网络模型；通过粒子群算法优化神经网络模型；采用第一、第二和第三数据集分别对神经网络模型进行训练，建立第一、第二和第三神经网络误差模型；判断陀螺仪温度是否大于等于过高温阈值或小于等于过低温阈值，若是，则采用第二神经网络误差模型进行温度补偿；若否，则判断陀螺仪温度所在的温度区间，若在设定温度与高温阈值区间，则采用第一神经网络误差模型进行温度补偿；否则采用第三神经网络误差模型进行温度补偿。本发明显著提高了MEMS陀螺仪的温度补偿精度。

Description

一种应用于MEMS陀螺仪的温度补偿方法
技术领域
本发明属于惯性技术领域，尤其涉及一种应用于MEMS陀螺仪的温度补偿方法。
背景技术
微电子(MEMS)陀螺仪由于其能耗低、体积小、性价比高、环境适应能力强等优点，在各领域得到广泛应用，但MEMS陀螺仪的主要物质为硅材料，而温度对硅材料影响较大，因而MEMS陀螺仪容易发生温度漂移，需要对其进行温度补偿提高精度。
目前陀螺仪温度补偿方法一般采用采集多个恒定温度点下陀螺仪的输出，通过多项式拟合方法构建多项式模型，通过模型对陀螺仪进行补偿；但仅采用单一的多项式拟合方法在实际补偿中存在一定的缺陷；其数据采集及温度补偿过程中，不考虑极限温度对陀螺仪的影响，因陀螺仪在极限温度时，有可能出现异常的温度漂移，而在存在异常温度漂移时，通过采集的数据获得统一的温度补偿模型进行温度补偿时，会导致温度补偿误差较大；且现有的建模过程中，通常采用最小二乘拟合，其精度有限，而陀螺仪的温度特性的影响因素较多，非线性特征复杂。而神经网络具有较好的非线性函数逼近能力，使其补偿精度更高。且目前的神经网络收敛速度较慢，容易陷入局部最优。
发明内容
本发明的目的在于提供一种应用于MEMS陀螺仪的温度补偿方法，以解决上述现有技术中存在的问题，实现MEMS陀螺仪的实时、精确温度补偿。
本发明的技术方案如下：
一种应用于MEMS陀螺仪的温度补偿方法，包括如下步骤：步骤1，采集MEMS陀螺仪的数据，根据预设温度区间，获得不同温度区间MEMS陀螺仪的温度及输出数据，定义为第一、第二和第三数据集；
步骤2，建立神经网络模型，将MEMS陀螺仪的温度、温度变化率作为神经网络的输入，当前时刻陀螺仪的输出作为神经网络的输出，建立3层神经网络模型；
步骤3，通过粒子群算法优化神经网络模型，获得最优的神经网络的权值和阈值；并将该权值和阈值作为神经网络的初始权值和阈值；
步骤4，对神经网络模型进行训练，将步骤1采集的第一、第二和第三数据集作为神经网络的训练数据，对神经网络进行训练，建立第一、第二和第三神经网络误差模型；
步骤5，通过步骤4得到的神经网络误差模型对MEMS陀螺仪进行温度补偿，判断陀螺仪温度是否大于等于过高温阈值或小于等于过低温阈值，若是，则采用第二神经网络误差模型进行温度补偿；若否，则判断陀螺仪温度所在的温度区间，若在设定温度与高温阈值区间，则采用第一神经网络误差模型进行温度补偿；否则采用第三神经网络误差模型进行温度补偿。
进一步的，所述步骤1中，采集MEMS陀螺仪的数据的步骤具体包括：将MEMS陀螺仪放在温箱中，设定低温阈值、高温阈值及预设温度值，若MEMS陀螺仪温度未达到过高温阈值，采集预设温度值至高温阈值间的MEMS陀螺仪的温度及输出数据记为第一数据集；在MEMS陀螺仪已达到过高温阈值时，采集高温阈值到低温阈值间的MEMS陀螺仪的温度及输出数据记为第二数据集；重置MEMS陀螺仪及温箱，使其达到初始状态，采集预设温度值到低温阈值间的MEMS陀螺仪的温度及输出数据记为第三数据集。
进一步的，在步骤1中，将陀螺仪放置在温箱中，将温箱温度置于预设温度值，预热一定时间，设定温箱温度变化率为1℃/min，将温箱温度从预设温度值上升至高温阈值，同时基于额定采集频率采集陀螺仪的温度及陀螺仪的输出数据记为第一数据集；当温箱温度达到高温阈值时，保温一定时间，此时陀螺仪的温度已达到过高温阈值，将温箱温度从高温阈值下降至低温阈值，同时采集陀螺仪的温度及输出数据记为第二数据集；重置陀螺仪及温箱，使其达到初始状态，设定温箱温度为设定温度，预热一定时间，设定温度变化率为1℃/min，将温箱温度从设定温度下降至低温阈值，同时采集陀螺仪的温度及输出数据记为第三数据集；其中，低温阈值小于预设温度值，设定温度值小于高温阈值。其中额定采集频率为200HZ。
进一步的，所述步骤2中，建立神经网络模型的步骤为：1)初始化神经网络，设置神经网络为二输入，单输出的三层神经网络，隐含层个数为h；2)建立神经网络数学模型： 3)权值更新公式为：/> 4)阈值更新公式为：其中，Hj为第j个隐含层的加权输出；Y为输出层的输出；E为误差目标函数；ωij为输入层和隐含层间的权值；T、ΔT分别为温度及温度变化率；aj为输入层和隐含层间的阈值；ω′j为隐含层和输出层间的权值；b为隐含层和输出层间的阈值；γi为学习速率；α为动量因子，其中0＜α＜1；/>是对误差目标函数求偏导；Δωij、Δω′j分别为ωij和ω′j的增量；Y′为的陀螺仪的期望输出值。
进一步的，所述步骤3中，所述通过粒子群算法优化神经网络模型步骤具体包括：将神经网络中的权值和阈值作为粒子群算法中的位置向量，利用粒子群算法完成对神经网络的权值和阈值的更新，得到最优的神经网络的权值和阈值。
进一步的，低温阈值的取值范围为：-30度至-40度；高温阈值的取值范围为：60度至70度；预设温度值的取值范围为：-10度至30度。
本发明提供的一种应用于MEMS陀螺仪的温度补偿方法，具有如下有益效果：1、本发明对不同的温度区间，获得不同的数据集，由于不同的温度区间可能会存在不同的异常温度漂移，采用同一个模型进行温度补偿，会导致温度补偿不准确；本发明对于不同的温度区间，分别采集数据，并针对不同温度区间训练神经网络误差模型，生成相应区间的神经网络误差模型对陀螺仪进行补偿，可根据不同温度区间，构建不同的神经网络误差模型，提高温度补偿效果；2、本发明在温度补偿过程中，考虑极限温度情况对陀螺仪的影响，设置在陀螺仪温度达到过极限温度时，采用特定神经网络误差模型对陀螺仪进行补偿，在陀螺仪温度未达到过极限温度时，根据其所在的温度区间，采用相应区间的神经网络误差模型对陀螺仪进行补偿，极大提高陀螺仪在不同温度下的温度补偿精度；3、本发明对神经网络进行改进，对其权值更新过程添加动量因子，提高神经网络的收敛速度；并采用粒子群算法对神经网络参数进行优化，避免陷入局部最优解，进一步提高神经网络误差模型的输出精度，进而提高MEMS陀螺仪的补偿精度。
附图说明
图1是本发明陀螺仪温度补偿方法结构框图；
图2是本发明温度补偿流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明提供一种应用于MEMS陀螺仪的温度补偿方法，主要包括：步骤1，采集MEMS陀螺仪的数据；步骤2，建立神经网络模型；步骤3，通过粒子群算法优化神经网络模型；步骤4，对神经网络模型进行训练，建立基于神经网络的MEMS陀螺仪误差模型；步骤5，通过神经网络误差模型对MEMS陀螺仪进行温度补偿；其中步骤1-5的具体过程如下：在步骤1中，采集MEMS陀螺仪的数据，将MEMS陀螺仪放在温箱中，设定低温阈值、高温阈值及预设温度值，若MEMS陀螺仪温度未达到过高温阈值，采集预设温度值至高温阈值间的MEMS陀螺仪的温度及输出数据记为第一数据集；在MEMS陀螺仪已达到过高温阈值时，采集高温阈值到低温阈值间的MEMS陀螺仪的温度及输出数据记为第二数据集；重置MEMS陀螺仪及温箱，使其达到初始状态，采集预设温度值到低温阈值间的MEMS陀螺仪的温度及输出数据记为第三数据集；
其中，采集MEMS陀螺仪的数据的步骤具体为：将陀螺仪放置在温箱中，将温箱温度置于预设温度值，预热一定时间，设定温箱温度变化率为1℃/min，将温箱温度从预设温度值上升至高温阈值，同时基于额定采集频率采集陀螺仪的温度及陀螺仪的输出数据记为第一数据集；当温箱温度达到高温阈值时，保温一定时间，此时陀螺仪的温度已达到过高温阈值，将温箱温度从高温阈值下降至低温阈值，同时采集陀螺仪的温度及输出数据记为第二数据集；因此时陀螺仪温度已达到过高温阈值，需要重置陀螺仪及温箱，使其达到初始状态；然后重新设置温箱温度为设定温度，预热一定时间，设定温度变化率为1℃/min，将温箱温度从设定温度下降至低温阈值，同时采集陀螺仪的温度及输出数据记为第三数据集；其中，低温阈值小于预设温度值，设定温度值小于高温阈值；低温阈值的取值范围为：-30度至-40度；高温阈值的取值范围为：60度至70度；预设温度值的取值范围为：-10度至30度；额定采集频率为200HZ。
在步骤2中，建立神经网络模型，将MEMS陀螺仪的温度、温度变化率作为神经网络的输入，当前时刻陀螺仪的输出作为神经网络的输出，建立3层神经网络模型；建立神经网络模型的步骤为：1)初始化神经网络，设置神经网络为二输入，单输出的三层神经网络，隐含层个数为h；2)建立神经网络数学模型： 3)权值更新公式为：/> 4)阈值更新公式为：/>其中，Hj为第j个隐含层的加权输出；Y为输出层的输出；E为误差目标函数；ωij为输入层和隐含层间的权值；T、ΔT分别为温度及温度变化率；aj为输入层和隐含层间的阈值；ω′j为隐含层和输出层间的权值；b为隐含层和输出层间的阈值；γi为学习速率；α为动量因子，其中0＜α＜1；/>是对误差目标函数求偏导；Δωij、Δω′j分别为ωij和ω′j的增量；Y′为的陀螺仪的期望输出值。
在步骤3中，通过粒子群算法优化神经网络模型，获得最优的神经网络的权值和阈值；并将该权值和阈值作为神经网络的初始权值和阈值；所述通过粒子群算法优化神经网络模型步骤具体包括：将神经网络中的权值和阈值作为粒子群算法中的位置向量，利用粒子群算法完成对神经网络的权值和阈值的更新，得到最优的神经网络的权值和阈值。
在步骤4中，对神经网络模型进行训练，建立基于神经网络的MEMS陀螺仪误差模型；将采集的第一数据集作为神经网络的训练数据，对神经网络进行训练，得到第一神经网络误差模型；将第二数据集作为神经网络的训练数据，对神经网络进行训练，得到第二神经网络误差模型；将第三数据集作为神经网络的训练数据，对神经网络进行训练，得到第三神经网络误差模型；
在步骤5中，通过上述得到的神经网络误差模型对MEMS陀螺仪进行温度补偿；如图2中所示，判断陀螺仪温度是否大于等于过高温阈值或小于等于过低温阈值，若已经大于等于过高温阈值或小于等于过低温阈值，则采用第二神经网络误差模型进行温度补偿；若未大于等于过高温阈值或小于等于过低温阈值，则判断陀螺仪的温度所在的温度区间，若在设定温度与高温阈值区间，则采用第一神经网络误差模型进行温度补偿；若在低温阈值与预设温度值区间，则采用第三神经网络误差模型进行温度补偿。
以上所述仅为本发明的较佳实施例而已，并不以本发明为限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种应用于MEMS陀螺仪的温度补偿方法，其特征在于，包括如下步骤：步骤1，采集MEMS陀螺仪的数据，根据预设温度区间，获得不同温度区间MEMS陀螺仪的温度及输出数据，定义为第一、第二和第三数据集；
所述采集MEMS陀螺仪的数据的步骤具体包括：将MEMS陀螺仪放在温箱中，设定低温阈值、高温阈值及预设温度值，若MEMS陀螺仪温度未达到过高温阈值，采集预设温度值至高温阈值间的MEMS陀螺仪的温度及输出数据记为第一数据集；在MEMS陀螺仪已达到过高温阈值时，采集高温阈值到低温阈值间的MEMS陀螺仪的温度及输出数据记为第二数据集；重置MEMS陀螺仪及温箱，使其达到初始状态，采集预设温度值到低温阈值间的MEMS陀螺仪的温度及输出数据记为第三数据集；
步骤2，建立神经网络模型，将MEMS陀螺仪的温度、温度变化率作为神经网络的输入，当前时刻陀螺仪的输出作为神经网络的输出，建立3层神经网络模型；所述建立神经网络模型的步骤为：1)初始化神经网络，设置神经网络为二输入，单输出的三层神经网络，隐含层个数为h；2)建立神经网络数学模型： 3)权值更新公式为：/> 4)阈值更新公式为：/>其中，Hj为第j个隐含层的加权输出；Y为输出层的输出；E为误差目标函数；ωij为输入层和隐含层间的权值；T、分别为温度及温度变化率；aj为输入层和隐含层间的阈值；ω′j为隐含层和输出层间的权值；b为隐含层和输出层间的阈值；γi为学习速率；α为动量因子，其中0＜α＜1；/>是对误差目标函数求偏导；Δωij、Δω′j分别为ωij和ω′j的增量；Y′为的陀螺仪的期望输出值；
步骤3，通过粒子群算法优化神经网络模型，获得最优的神经网络的权值和阈值；并将该权值和阈值作为神经网络的初始权值和阈值；
步骤4，对神经网络模型进行训练，将步骤1采集的第一、第二和第三数据集分别作为神经网络的训练数据，对神经网络进行训练，建立第一、第二和第三神经网络误差模型；
步骤5，通过步骤4得到的神经网络误差模型对MEMS陀螺仪进行温度补偿，判断陀螺仪温度是否大于等于过高温阈值或小于等于过低温阈值，若是，则采用第二神经网络误差模型进行温度补偿；若否，则判断陀螺仪温度所在的温度区间，若在设定温度与高温阈值区间，则采用第一神经网络误差模型进行温度补偿；否则采用第三神经网络误差模型进行温度补偿。
2.根据权利要求1所述的应用于MEMS陀螺仪的温度补偿方法，其特征在于，将陀螺仪放置在温箱中，将温箱温度置于预设温度值，预热一定时间，设定温箱温度变化率为1℃/min，将温箱温度从预设温度值上升至高温阈值，同时基于额定采集频率采集陀螺仪的温度及陀螺仪的输出数据记为第一数据集；当温箱温度达到高温阈值时，保温一定时间，此时陀螺仪的温度已达到过高温阈值，将温箱温度从高温阈值下降至低温阈值，同时采集陀螺仪的温度及输出数据记为第二数据集；重置陀螺仪及温箱，使其达到初始状态，设定温箱温度为设定温度，预热一定时间，设定温度变化率为1℃/min，将温箱温度从设定温度下降至低温阈值，同时采集陀螺仪的温度及输出数据记为第三数据集；其中，低温阈值小于预设温度值，设定温度值小于高温阈值。
3.根据权利要求1所述的应用于MEMS陀螺仪的温度补偿方法，其特征在于，所述步骤4中，对神经网络模型进行训练，建立基于神经网络的MEMS陀螺仪误差模型；将步骤1采集的第一数据集作为神经网络的训练数据，对神经网络进行训练，得到第一神经网络误差模型；将第二数据集作为神经网络的训练数据，对神经网络进行训练，得到第二神经网络误差模型；将第三数据集作为神经网络的训练数据，对神经网络进行训练，得到第三神经网络误差模型；将步骤1采集的第一、第二和第三数据集作为神经网络的训练数据，对神经网络进行训练，建立第一、第二和第三神经网络误差模型。
4.根据权利要求1所述的应用于MEMS陀螺仪的温度补偿方法，其特征在于，所述步骤3中，所述通过粒子群算法优化神经网络模型步骤具体包括：将神经网络中的权值和阈值作为粒子群算法中的位置向量，利用粒子群算法完成对神经网络的权值和阈值的更新，得到最优的神经网络的权值和阈值。
5.根据权利要求1所述的应用于MEMS陀螺仪的温度补偿方法，其特征在于，低温阈值的取值范围为：-30度至-40度；高温阈值的取值范围为：60度至70度；预设温度值的取值范围为：-10度至30度。
6.根据权利要求2所述的应用于MEMS陀螺仪的温度补偿方法，其特征在于，所述额定采集频率为200HZ。
CN202310071615.2A 2023-01-31 2023-01-31 一种应用于mems陀螺仪的温度补偿方法 Active CN116046018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310071615.2A CN116046018B (zh) 2023-01-31 2023-01-31 一种应用于mems陀螺仪的温度补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310071615.2A CN116046018B (zh) 2023-01-31 2023-01-31 一种应用于mems陀螺仪的温度补偿方法

Publications (2)

Publication Number Publication Date
CN116046018A CN116046018A (zh) 2023-05-02
CN116046018B true CN116046018B (zh) 2023-11-14

Family

ID=86129351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310071615.2A Active CN116046018B (zh) 2023-01-31 2023-01-31 一种应用于mems陀螺仪的温度补偿方法

Country Status (1)

Country Link
CN (1) CN116046018B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116481570B (zh) * 2023-05-24 2023-10-20 无锡凌思科技有限公司 一种多mems陀螺仪协同误差修正方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503790A (zh) * 2015-08-28 2017-03-15 余学飞 一种改进粒子群优化神经网络的压力导丝温度补偿方法
CN108073075A (zh) * 2017-12-21 2018-05-25 苏州大学 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统
CN113743011A (zh) * 2021-08-31 2021-12-03 华中科技大学 一种基于pso-bp神经网络的设备寿命预测方法和系统
CN115219081A (zh) * 2022-07-07 2022-10-21 黑龙江大学 神经网络与卡尔曼滤波融合的光纤压力传感器温补方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019214984A1 (de) * 2019-09-30 2021-04-01 Robert Bosch Gmbh Inertialsensor und computerimplementiertes Verfahren zur Selbstkalibrierung eines Inertialsensors
CN110689127B (zh) * 2019-10-15 2022-05-06 北京小米智能科技有限公司 神经网络结构模型搜索方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503790A (zh) * 2015-08-28 2017-03-15 余学飞 一种改进粒子群优化神经网络的压力导丝温度补偿方法
CN108073075A (zh) * 2017-12-21 2018-05-25 苏州大学 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统
CN113743011A (zh) * 2021-08-31 2021-12-03 华中科技大学 一种基于pso-bp神经网络的设备寿命预测方法和系统
CN115219081A (zh) * 2022-07-07 2022-10-21 黑龙江大学 神经网络与卡尔曼滤波融合的光纤压力传感器温补方法

Also Published As

Publication number Publication date
CN116046018A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111028893B (zh) 一种晶体生长预测方法及装置
CN111126605B (zh) 一种基于强化学习算法的数据中心机房控制方法及装置
CN110738344B (zh) 电力系统负荷预测的分布式无功优化方法及装置
CN116046018B (zh) 一种应用于mems陀螺仪的温度补偿方法
US20230281459A1 (en) Method for calibrating parameters of hydrology forecasting model based on deep reinforcement learning
CN112130086B (zh) 一种动力电池剩余寿命预测方法及系统
CN114036813A (zh) 一种粒子群bp神经网络pid控制的温室温湿度方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN111594996A (zh) 一种基于深度置信神经网络的变风量空调送风量的预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN116992779A (zh) 基于数字孪生模型的光伏储能系统仿真方法及系统
CN115049115A (zh) 计及nwp风速横纵向误差的rdpg风速修正方法
CN116485049A (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN113410861B (zh) 一种适用于多端柔性直流系统的下垂控制参数优化方法
CN117668743A (zh) 一种关联时空关系的时序数据预测方法
CN107330518A (zh) 基于温度调节负荷预测的能源管理控制方法和系统
CN110095985B (zh) 一种观测器设计方法和抗干扰控制系统
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN109146145A (zh) 基于MapReduce的BP神经网络建筑能耗预测方法
CN114295987A (zh) 一种基于非线性卡尔曼滤波的电池soc状态估计方法
CN111369046A (zh) 一种基于灰色神经网络的风光互补功率预测方法
CN113610665A (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法
Li et al. A Q-learning-based solar energy prediction algorithm with energy data association
CN112215400A (zh) 一种地下水开采过度预警方法与系统
TWI662423B (zh) 風力發電之預測顯示系統及方法

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
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: No. 19 Xinhui Ring Road, Xinwu District, Wuxi City, Jiangsu Province, 214000 (Part 1, 4th and 5th floors of Building 1)

Patentee after: WUXI LINS TECH CO.,LTD.

Address before: Room 510, building D, swan block, Wuxi Software Park, 111 Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province, 214000

Patentee before: WUXI LINS TECH CO.,LTD.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Temperature Compensation Method Applied to MEMS Gyroscopes

Effective date of registration: 20231226

Granted publication date: 20231114

Pledgee: Bank of Jiangsu Limited by Share Ltd. Wuxi branch

Pledgor: WUXI LINS TECH CO.,LTD.

Registration number: Y2023980074195