CN116222623B - 一种光纤陀螺温度补偿方法及装置 - Google Patents
一种光纤陀螺温度补偿方法及装置 Download PDFInfo
- Publication number
- CN116222623B CN116222623B CN202310480759.3A CN202310480759A CN116222623B CN 116222623 B CN116222623 B CN 116222623B CN 202310480759 A CN202310480759 A CN 202310480759A CN 116222623 B CN116222623 B CN 116222623B
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- factor
- temperature
- social
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000000835 fiber Substances 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 26
- 239000013307 optical fiber Substances 0.000 claims abstract description 20
- 230000013016 learning Effects 0.000 claims description 27
- 230000009326 social learning Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 230000002431 foraging effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 244000144992 flock Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000011597 CGF1 Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005693 optoelectronics Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004039 social cognition Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
- G01C19/58—Turn-sensitive devices without moving masses
- G01C19/64—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams
- G01C19/72—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams with counter-rotating light beams in a passive ring, e.g. fibre laser gyrometers
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Manufacturing & Machinery (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Gyroscopes (AREA)
Abstract
本发明提供一种光纤陀螺温度补偿方法及装置，所述方法的步骤包括：获取预先构建的训练数据集，基于所述训练数据集采用粒子群算法对预设的神经网络模型进行训练；获取光纤陀螺仪的温度参数和零偏参数，基于所述温度参数计算温度变化率；将所述温度参数作为第一维度参数，将温度变化率作为第二维度参数，以温度参数作为第一维度参数，以温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中；所述神经网络模型输出零偏补偿参数，基于所述零偏参数和零偏补偿参数计算实际零偏参数。本方案在神经网络模型的基础上采用了粒子群算法，改进原算法神经元个数和相关参数获取不够准确的问题，对光纤陀螺仪受温度的影响进行更精确补偿。
Description
技术领域
本发明涉及光纤传感器技术领域，尤其涉及一种光纤陀螺温度补偿方法及装置。
背景技术
光纤陀螺具有动态范围大、可靠性高和全固态结构等优点，是惯性导航系统及航姿测量系统的核心传感器，广泛应用于航天、航空、航海、兵器等领域。
光纤陀螺仪是一种基于Sagnac效应的高精度导航器件，光纤陀螺仪中各个光电子器件在温度变化条件下性能指标会发生变化，从而导致陀螺性能发生变化。
目前比较常见的温度补偿算法有多项式算法、小波网络、模糊逻辑、受控马式链和支持向量机等。光纤陀螺对温度较敏感，环境温度的变化以及陀螺自身发热会引起陀螺的解调误差，导致陀螺的零偏漂移。因此，抑制光纤陀螺仪的温度误差来得到更高的输出精度是非常必要的。但是，在现有技术的基于温度计算光纤陀螺仪的补偿算法中，补偿算法输出零偏误差的精度较差。
发明内容
鉴于此，本发明的实施例提供了一种光纤陀螺温度补偿方法，以消除或改善现有技术中存在的一个或更多个缺陷。
本发明的一个方面提供了一种光纤陀螺温度补偿方法，所述方法的步骤包括：
获取预先构建的训练数据集，基于所述训练数据集采用粒子群算法对预设的神经网络模型进行训练；
获取光纤陀螺仪的温度参数和零偏参数，基于所述温度参数计算温度变化率；
将所述温度参数作为第一维度参数，将所述温度变化率作为第二维度参数，将以温度参数作为第一维度参数，以所述温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中；
所述神经网络模型输出零偏补偿参数，基于所述零偏参数和零偏补偿参数计算实际零偏参数。
采用上述方案，神经网络模型在连续数据的处理的处理上具有显著优势，但其参数往往难以确定，不同参数的选取对预测结果存在很大的影响。本方案在神经网络模型的基础上采用了粒子群算法，粒子群算法算法具有良好的全局寻优能力和收敛速度，改进了神经网络模型神经元个数和相关参数获取不够准确的问题，增强了参数选择的客观性，能对光纤陀螺仪受温度的影响进行更精确的补偿。
所述零偏参数即为光纤陀螺的转速参数，连续数据可以为温度的连续变化数据。
在本发明的一些实施方式中，所述输入向量还包括第三维度参数，以所述温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中的步骤还包括：
基于所述温度变化率计算温度变化率的绝对值，将所述温度变化率的绝对值作为输入向量的第三维度参数。
在本发明的一些实施方式中，所述输入向量还包括第四维度参数，以所述温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中的步骤还包括：
基于所述温度变化率计算温度变化率的3次方，将所述温度变化率的3次方作为输入向量的第四维度参数。
在本发明的一些实施方式中，在基于所述训练数据集采用粒子群算法对预设的神经网络模型进行训练的步骤中，在训练过程中获取每次迭代训练的当前迭代次数和预设的迭代总次数，基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数，基于更新后的算法参数进行下一次迭代训练。
在本发明的一些实施方式中，所述粒子群算法的算法参数包括惯性权重参数、个体学习因子参数和社会学习因子参数，在基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数的步骤包括：
获取惯性权重参数的上限惯性权重参数和下限惯性权重参数，基于所述当前迭代次数、预设的迭代总次数、上限惯性权重参数和下限惯性权重参数更新所述惯性权重参数。
在本发明的一些实施方式中，在基于所述当前迭代次数、预设的迭代总次数、上限惯性权重参数和下限惯性权重参数更新所述惯性权重参数的步骤中，基于如下公式更新所述惯性权重参数：
其中，表示更新后的惯性权重参数，/>表示上限惯性权重参数，/>表示下限惯性权重参数，k表示当前迭代次数，/>表示迭代总次数。
在本发明的一些实施方式中，所述粒子群算法的算法参数包括惯性权重参数、个体学习因子参数和社会学习因子参数，在基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数的步骤包括：
获取所述个体学习因子参数的上限个体因子参数和下限个体因子参数，以及所述社会学习因子参数的上限社会因子参数和下限社会因子参数；
基于所述当前迭代次数、预设的迭代总次数、上限个体因子参数和下限个体因子参数更新所述个体学习因子参数；
基于所述当前迭代次数、预设的迭代总次数、上限社会因子参数和下限社会因子参数更新所述社会学习因子参数。
在本发明的一些实施方式中，在基于所述当前迭代次数、预设的迭代总次数、上限个体因子参数和下限个体因子参数更新所述个体学习因子参数的步骤中，基于如下公式更新所述个体学习因子参数：
其中，表示更新后的个体学习因子参数，/>表示上限个体因子参数，表示下限个体因子参数，k表示当前迭代次数，/>表示迭代总次数。
在本发明的一些实施方式中，在基于所述当前迭代次数、预设的迭代总次数、上限社会因子参数和下限社会因子参数更新所述社会学习因子参数的步骤中，基于如下公式更新所述社会学习因子参数：
其中，表示更新后的社会学习因子参数，/>表示上限社会因子参数，/>表示下限社会因子参数，k表示当前迭代次数，/>表示迭代总次数。
本发明的第二方面还提供一种光纤陀螺温度补偿装置，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法所实现的步骤。
本发明的第三方面还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述光纤陀螺温度补偿方法所实现的步骤。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1为本发明光纤陀螺温度补偿方法一种实施方式的示意图；
图2为本发明光纤陀螺温度补偿方法另一种实施方式的示意图；
图3为本发明光纤陀螺温度补偿方法再一种实施方式的示意图；
图4为粒子群算法的运行示意图。
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白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
为解决以上问题，如图1所示，本发明提出一种光纤陀螺温度补偿方法，所述方法的步骤包括：
步骤S100，获取预先构建的训练数据集，基于所述训练数据集采用粒子群算法对预设的神经网络模型进行训练；
在本发明的一些实施方式中，所述训练数据集中包括多条训练数据，每条所述训练数据中包括训练输入向量和数据标签，所述数据标签即为预设的零偏补偿参数值。
在具体实施过程中，所述粒子群算法（Particle swarm optimization，PSO）是一种经典的族群优化算法，可以用来优化神经网络模型的超参数。其基本概念是每只鸟在某处位置能够找到食物的可能可以通过适应值来刻画，每只鸟能够记住自己的觅食位置，并且找到其中的最佳位置（局部最优，相当于极值点），鸟群中所有个体的最佳位置就可以看做整个鸟群的最佳觅食点（全局最优，相当于最值点）。可以预见的是，整个鸟群的觅食活动总体上一定是往这个全局最优的觅食区域运动的，通过鸟群觅食位置的不断移动即不断地迭代，速度的不断更新，鸟群往该最优位置步步逼近。
所述神经网络模型可以为LSTM模型。
LSTM（long short-term memory networks，LSTM）长短期记忆神经网络是基于RNN循环神经网络的衍生网络，它是一种能够捕捉长时依赖的特殊循环神经网络。它能够解决训练过程中RNN循环神经网络梯度消失的问题，并克服只能短时学习的缺点。LSTM的核心概念在于细胞状态以及“门”结构。细胞状态是传递有关信息的途径，它将序列中的有关信息传递下去。“门”结构的作用是在训练过程中负责学习信息的去留问题。LSTM单元中有三种类型的门控，分别为：输入门、遗忘门和输出门。LSTM神经网络对有关信息保存筛选的操作由这三种门控实现的。基于这种结构，LSTM能够将重要信息一直传递，而对轻微的信息选择遗忘，弥补了RNN只能传递上一时刻信息局限性。也因为这种长期依赖性，只产生很小的梯度，可以解决RNN梯度消失和爆炸的问题。
步骤S200，获取光纤陀螺仪的温度参数和零偏参数，基于所述温度参数计算温度变化率；
光纤陀螺仪是以光导纤维线圈为基础的敏感元件， 由激光二极管发射出的光线朝两个方向沿光导纤维传播；光纤陀螺仪的实现主要基于塞格尼克理论：当光束在一个环形的通道中行进时，若环形通道本身具有一个转动速度，那么光线沿着通道转动方向行进所需要的时间要比沿着这个通道转动相反的方向行进所需要的时间要多。也就是说当光学环路转动时，在不同的行进方向上，光学环路的光程相对于环路在静止时的光程都会产生变化。利用光程的这种变化，检测出两条光路的相位差或干涉条纹的变化，就可以测出光路旋转角速度。
在具体实施过程中，所述温度参数会影响测得的零偏参数的准确度，测得的所述光纤陀螺仪的零偏参数需要通过所述神经网络模型输出零偏补偿参数进行补偿，进而得到准确的零偏参数值。
在具体实施过程中，所述温度变化率即为一段时长内所述光纤陀螺仪的温度参数变化值与一段时长的比值。
步骤S300，将所述温度参数作为第一维度参数，将所述温度变化率作为第二维度参数，将以温度参数作为第一维度参数，以所述温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中；
在具体实施过程中，所述训练输入向量与所述输入向量的维度数量相等。
步骤S400，所述神经网络模型输出零偏补偿参数，基于所述零偏参数和零偏补偿参数计算实际零偏参数。
在具体实施过程中，所述零偏补偿参数可以为正值或负值，计算所述零偏参数与零偏补偿参数的和即为实际零偏参数。
采用上述方案，神经网络模型在连续数据的处理的处理上具有显著优势，但其参数往往难以确定，不同参数的选取对预测结果存在很大的影响。本方案在神经网络模型的基础上采用了粒子群算法，粒子群算法算法具有良好的全局寻优能力和收敛速度，改进了神经网络模型神经元个数和相关参数获取不够准确的问题，增强了参数选择的客观性，能对光纤陀螺仪受温度的影响进行更精确的补偿。
所述神经网络模型可以为LSTM模型。
如图2所示，在本发明的一些实施方式中，所述输入向量还包括第三维度参数，以所述温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中的步骤还包括：
步骤S310，基于所述温度变化率计算温度变化率的绝对值，将所述温度变化率的绝对值作为输入向量的第三维度参数。
在本发明的一些实施方式中，所述输入向量还包括第四维度参数，以所述温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中的步骤还包括：
步骤S320，基于所述温度变化率计算温度变化率的3次方，将所述温度变化率的3次方作为输入向量的第四维度参数。
采用上述方案，本方案除了采用温度参数和温度变化率以外，还加入温度变化率的绝对值以及温度变化率的3次方作为影响光纤陀螺仪零偏误差的部分，即输入向量。引入温度变化率的绝对值消除了温度变化率是升高还是降低的区别，强调温度变化的数值本身，引入温度变化率的3次方可以扩大温度变化率在较大值时对系统的影响程度，缩小温度变化率在较小值时对系统影响程度，通过增加影响因子，能够更加客观的拟合出温度误差曲线，提高补偿效果。
在本发明的一些实施方式中，在基于所述训练数据集采用粒子群算法对预设的神经网络模型进行训练的步骤中，在训练过程中获取每次迭代训练的当前迭代次数和预设的迭代总次数，基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数，基于更新后的算法参数进行下一次迭代训练。
如图3所示，在本发明的一些实施方式中，所述粒子群算法的算法参数包括惯性权重参数、个体学习因子参数和社会学习因子参数，在基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数的步骤包括：
步骤S110，获取惯性权重参数的上限惯性权重参数和下限惯性权重参数，基于所述当前迭代次数、预设的迭代总次数、上限惯性权重参数和下限惯性权重参数更新所述惯性权重参数。
在本发明的一些实施方式中，在基于所述当前迭代次数、预设的迭代总次数、上限惯性权重参数和下限惯性权重参数更新所述惯性权重参数的步骤中，基于如下公式更新所述惯性权重参数：
其中，表示更新后的惯性权重参数，/>表示上限惯性权重参数，/>表示下限惯性权重参数，k表示当前迭代次数，/>表示迭代总次数。
采用上述方案，能够使惯性权重随时间呈非线性递减关系，在训练寻优初期惯性权重最大，能够尽可能探索更多区域，训练寻优后期惯性权重减小使得粒子更多在自己附近寻优，使整个流程稳定下来。对开根号处理也是为了在寻优刚开始时使惯性权重变化更敏感，在快结束时使惯性权重变化缓慢，系统更稳定，能够更加准确的输出零偏补偿参数。
如图3所示，在本发明的一些实施方式中，所述粒子群算法的算法参数包括惯性权重参数、个体学习因子参数和社会学习因子参数，在基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数的步骤包括：
步骤S120，获取所述个体学习因子参数的上限个体因子参数和下限个体因子参数，以及所述社会学习因子参数的上限社会因子参数和下限社会因子参数；
步骤S121，基于所述当前迭代次数、预设的迭代总次数、上限个体因子参数和下限个体因子参数更新所述个体学习因子参数；
步骤S122，基于所述当前迭代次数、预设的迭代总次数、上限社会因子参数和下限社会因子参数更新所述社会学习因子参数。
在本发明的一些实施方式中，在基于所述当前迭代次数、预设的迭代总次数、上限个体因子参数和下限个体因子参数更新所述个体学习因子参数的步骤中，基于如下公式更新所述个体学习因子参数：
；
其中，表示更新后的个体学习因子参数，/>表示上限个体因子参数，表示下限个体因子参数，k表示当前迭代次数，/>表示迭代总次数。
在本发明的一些实施方式中，在基于所述当前迭代次数、预设的迭代总次数、上限社会因子参数和下限社会因子参数更新所述社会学习因子参数的步骤中，基于如下公式更新所述社会学习因子参数：
其中，表示更新后的社会学习因子参数，/>表示上限社会因子参数，/>表示下限社会因子参数，k表示当前迭代次数，/>表示迭代总次数。
采用上述方案，在模型的训练过程中，当增大个体学习因子参数时，会增强粒子的个体认知能力，但是收敛速度缓慢；当增大社会学习因子参数时，会增强粒子的社会认知能力，收敛速度迅速，但是极易使算法早熟。为了保证粒子群算法的搜索能力和协调粒子的个体认知和社会认知能力，且能够更好的适用于光纤陀螺的零偏补偿，本方案采用动态调整学习因子的方法，将个体学习因子参数、社会学习因子参数的取值与粒子当前的迭代次数联系起来，提高训练过程中模型的稳定性，保证光纤陀螺零偏补偿的精准度。
现有的IEEEStd952-1997标准提供的单轴FOG温度误差模型
式中，ΔT为温度变化，dT/dt为温度变化率，为温度梯度，一般光纤陀螺仪内温度场分布十分复杂，温度梯度测量较为困难，因此，通常建立光纤陀螺仪温度误差与温度及温度变化率之间的关系模型，用于光纤陀螺仪输出补偿，以提高光纤陀螺仪输出精度。
光纤陀螺仪是一种基于Sagnac效应的高精度导航器件，光纤陀螺仪中各个光电子器件在温度变化条件下性能指标会发生变化，从而导致陀螺性能发生变化。因此，抑制光纤陀螺仪的温度误差来得到更高的输出精度是非常必要的。
目前比较常见的温度补偿算法有多项式算法、小波网络、模糊逻辑、受控马式链和支持向量机等。
神经网络对于非线性函数具有良好的逼近能力，模型补偿精度高，最近几年，运用神经网络模型来完成对光纤陀螺温度补偿成为探索趋势。
已经被提出用于光纤陀螺温度补偿的神经网络模型有传统BP神经网络模型及其各种改进模型，但本质还是简单的全连接结构，且只考虑某一时刻的温度值及温度变化值等等，补偿精度有限。
基于BP神经网络局限性，相关学者提出采用RNN循环神经网络，LSTM长短期记忆神经网络模型，这类模型具有记忆能力，可通过某一时刻输入与上一时刻输入相结合的方式来实现温度补偿模型，相比于BP神经网络有了提升。长短期记忆网络(long short-termmemory networks,LSTM)具有记忆长短期信息的能力。该模型克服了机器学习中梯度消失和梯度爆炸的问题，对于连续数据的处理有良好的处理能力。
虽然LSTM模型在连续数据的处理的处理上具有显著优势，但其参数往往难以确定，不同参数的选取对预测结果存在很大的影响。由于PSO算法具有良好的全局寻优能力和收敛速度，本方案引入PSO算法来对LSTM网络进行优化，改进了LSTM模型神经元个数和相关参数获取不够准确的问题，增强了参数选择的客观性，能对光纤陀螺仪受温度的影响进行更精确的补偿。
实验例一
①将光纤陀螺仪置于温箱内水平转台上,敏感轴指向天顶,设置温度为-20℃,逐渐升温至60℃，每隔一秒采样温度数据与光纤陀螺仪零偏输出数据,相同条件下分别做两次试验，测得两组数据，一组作为训练集，一组作为测试集。
②将训练集和测试集的陀螺仪零偏输出数据和温度数据进行100秒滑动平均，得到新的输出值，温度及温度变化率数据，最后进行归一化处理，至此完成数据预处理。
③利用温度，温度变化率作为输入数据，光纤陀螺仪零偏输出作为输出数据，构造LSTM模型。输入数据经过LSTM网络后输入到一个全连接层将输出的向量转换成标签向量的维度。对训练集进行训练，监测网络模型指标。
如图4所示，④利用PSO算法对模型超参数进行寻优，初始化PSO算法，随机生成粒子种群，在每一轮迭代中，对LSTM模型进行训练与预测，在迭代中选择使预测误差最小的解。当到达结束条件时，输出种群历史最优解，并以该解为最佳初始学习率及神经元个数进行下一步LSTM预测，并得到预测结果。
⑤最终以最优参数进行LSTM模型构建，完成光纤陀螺仪的温度补偿。
本方案对传统光纤陀螺仪温度补偿算法模型进行改进优化，即采用PSO-LSTM模型对光纤陀螺仪进行温度补偿。比传统BP神经网络、RBF网络模型、RNN模型以及LSTM模型补偿效果更好，精度更高，且这种优化只在电脑上训练神经网络增加了复杂性，对于最终得到的神经网络模型复杂性没有增加，对后续的神经网络算法移植部署到移动端或者其他硬件上没有任何影响，更佳方便。
本发明实施例还提供一种光纤陀螺温度补偿装置，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法所实现的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述光纤陀螺温度补偿方法所实现的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种光纤陀螺温度补偿方法，其特征在于，所述方法的步骤包括：
获取预先构建的训练数据集，基于所述训练数据集采用粒子群算法对预设的神经网络模型进行训练，在训练过程中获取每次迭代训练的当前迭代次数和预设的迭代总次数，基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数，基于更新后的算法参数进行下一次迭代训练；
所述粒子群算法的算法参数包括惯性权重参数、个体学习因子参数和社会学习因子参数，在基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数的步骤包括：获取惯性权重参数的上限惯性权重参数和下限惯性权重参数，基于所述当前迭代次数、预设的迭代总次数、上限惯性权重参数和下限惯性权重参数更新所述惯性权重参数；
基于如下公式更新所述惯性权重参数：
其中，表示更新后的惯性权重参数，/>表示上限惯性权重参数，/>表示下限惯性权重参数，k表示当前迭代次数，/>表示迭代总次数；
获取光纤陀螺仪的温度参数和零偏参数，基于所述温度参数计算温度变化率；
将所述温度参数作为第一维度参数，将所述温度变化率作为第二维度参数，以温度参数作为第一维度参数，以所述温度变化率作为第二维度参数的输入向量输入到完成训练的神经网络模型中；所述输入向量还包括第三维度参数，基于所述温度变化率计算温度变化率的绝对值，将所述温度变化率的绝对值作为输入向量的第三维度参数；所述输入向量还包括第四维度参数，基于所述温度变化率计算温度变化率的3次方，将所述温度变化率的3次方作为输入向量的第四维度参数；
所述神经网络模型输出零偏补偿参数，基于所述零偏参数和零偏补偿参数计算实际零偏参数。
2.根据权利要求1所述的光纤陀螺温度补偿方法，其特征在于，所述粒子群算法的算法参数包括惯性权重参数、个体学习因子参数和社会学习因子参数，在基于所述当前迭代次数和预设的迭代总次数更新所述粒子群算法的算法参数的步骤包括：
获取所述个体学习因子参数的上限个体因子参数和下限个体因子参数，以及所述社会学习因子参数的上限社会因子参数和下限社会因子参数；
基于所述当前迭代次数、预设的迭代总次数、上限个体因子参数和下限个体因子参数更新所述个体学习因子参数；
基于所述当前迭代次数、预设的迭代总次数、上限社会因子参数和下限社会因子参数更新所述社会学习因子参数。
3.根据权利要求2所述的光纤陀螺温度补偿方法，其特征在于，在基于所述当前迭代次数、预设的迭代总次数、上限个体因子参数和下限个体因子参数更新所述个体学习因子参数的步骤中，基于如下公式更新所述个体学习因子参数：
其中，表示更新后的个体学习因子参数，/>表示上限个体因子参数，/>表示下限个体因子参数，k表示当前迭代次数，/>表示迭代总次数。
4.根据权利要求2所述的光纤陀螺温度补偿方法，其特征在于，在基于所述当前迭代次数、预设的迭代总次数、上限社会因子参数和下限社会因子参数更新所述社会学习因子参数的步骤中，基于如下公式更新所述社会学习因子参数：
其中，表示更新后的社会学习因子参数，/>表示上限社会因子参数，/>表示下限社会因子参数，k表示当前迭代次数，/>表示迭代总次数。
5.一种光纤陀螺温度补偿装置，其特征在于，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如权利要求1-4任一项所述方法所实现的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310480759.3A CN116222623B (zh) | 2023-04-28 | 2023-04-28 | 一种光纤陀螺温度补偿方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310480759.3A CN116222623B (zh) | 2023-04-28 | 2023-04-28 | 一种光纤陀螺温度补偿方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116222623A CN116222623A (zh) | 2023-06-06 |
| CN116222623B true CN116222623B (zh) | 2023-08-15 |
Family
ID=86580842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310480759.3A Active CN116222623B (zh) | 2023-04-28 | 2023-04-28 | 一种光纤陀螺温度补偿方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116222623B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109916388A (zh) * | 2019-03-25 | 2019-06-21 | 西安工业大学 | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 |
| 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 |
| CN112880704A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军海军工程大学 | 光纤陀螺捷联惯导系统智能标定方法 |
| CN114036843A (zh) * | 2021-11-11 | 2022-02-11 | 东南大学 | 一种基于bas-gsa优化的混合核支持向量机陀螺温漂补偿方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9207079B2 (en) * | 2012-06-21 | 2015-12-08 | Innovative Solutions & Support, Inc. | Method and system for compensating for soft iron magnetic disturbances in a heading reference system |
-
2023
- 2023-04-28 CN CN202310480759.3A patent/CN116222623B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109916388A (zh) * | 2019-03-25 | 2019-06-21 | 西安工业大学 | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 |
| CN112880704A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军海军工程大学 | 光纤陀螺捷联惯导系统智能标定方法 |
| 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 |
| CN114036843A (zh) * | 2021-11-11 | 2022-02-11 | 东南大学 | 一种基于bas-gsa优化的混合核支持向量机陀螺温漂补偿方法 |
Non-Patent Citations (1)
| Title |
|---|
| 捷联式惯性导航误差标定和补偿技术研究;李光耀;《中国优秀硕士学位论文全文数据库 信息科技辑》(第03期);第9-33页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116222623A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Seamless GPS/inertial navigation system based on self-learning square-root cubature Kalman filter | |
| Gunnarson et al. | Learning efficient navigation in vortical flow fields | |
| CN112880705B (zh) | 基于径向基神经网络的mems陀螺仪温度补偿方法 | |
| CN108519090B (zh) | 一种基于优化的ukf算法的双通道组合定姿算法的实现方法 | |
| CN103954300A (zh) | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 | |
| JP2016114603A (ja) | Ｇｐｓドリフトの処理方法、およびそのシステム | |
| Tan et al. | GA-SVR and pseudo-position-aided GPS/INS integration during GPS outage | |
| Gong et al. | Robust inertial motion tracking through deep sensor fusion across smart earbuds and smartphone | |
| Li et al. | Unmanned aerial vehicle positioning based on multi-sensor information fusion | |
| Zhang et al. | Modified grey wolf optimizer-based support vector regression for ship maneuvering identification with full-scale trial | |
| Shi et al. | Tilt angle monitoring by using sparse residual LSTM network and grid search | |
| CN113686299A (zh) | 一种海上动态目标定位与移速预测方法 | |
| Chou et al. | Two‐step optimal filter design for the low‐cost attitude and heading reference systems | |
| CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
| CN116222623B (zh) | 一种光纤陀螺温度补偿方法及装置 | |
| Liu et al. | Distributed state estimation for dynamic positioning systems with uncertain disturbances and transmission time delays | |
| CN111008549B (zh) | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 | |
| Vertzberger et al. | Adaptive attitude estimation using a hybrid model-learning approach | |
| Abdolkarimi et al. | A modified neuro-fuzzy system for accuracy improvement of low-cost MEMS-Based INS/GPS navigation system | |
| Liu et al. | Sensor fault diagnosis of GPS/INS tightly coupled navigation system based on state chi-square test and improved simplified fuzzy ARTMAP neural network | |
| CN114036843A (zh) | 一种基于bas-gsa优化的混合核支持向量机陀螺温漂补偿方法 | |
| Pargmann et al. | It is Not About Time-A New Standard for Open-Loop Heliostat Calibration Methods | |
| CN111735459A (zh) | 小天体探测器间协同导航方法 | |
| CN117271967B (zh) | 一种基于强化学习补偿滤波的救援协同定位方法及系统 | |
| CN116993832B (zh) | 一种基于cnn的飞行目标的位置预测方法及装置 |
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 |