CN116879580B - 加速度计启动性能补偿方法、系统、电子设备及存储介质 - Google Patents
加速度计启动性能补偿方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116879580B CN116879580B CN202310631605.XA CN202310631605A CN116879580B CN 116879580 B CN116879580 B CN 116879580B CN 202310631605 A CN202310631605 A CN 202310631605A CN 116879580 B CN116879580 B CN 116879580B
- Authority
- CN
- China
- Prior art keywords
- sequence
- accelerometer
- output
- data
- starting
- 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 37
- 238000003860 storage Methods 0.000 title claims abstract description 15
- VIEYMVWPECAOCY-UHFFFAOYSA-N 7-amino-4-(chloromethyl)chromen-2-one Chemical compound ClCC1=CC(=O)OC2=CC(N)=CC=C21 VIEYMVWPECAOCY-UHFFFAOYSA-N 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 14
- 230000001133 acceleration Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种加速度计启动性能补偿方法、系统、电子设备及存储介质,方法包括:基于加速度计的启动数据构建训练数据集,启动数据至少包括:加速度计的采集值序列和加速度计的温度序列;对训练数据集进行相关性分析,得到采集值序列与温度序列的映射关系生成输入序列;基于CMAC神经网络的权重空间对输入序列进行权重分配得到输出值,基于输出值与输出期望调整CMAC神经网络,得到性能补偿模型;基于性能补偿模型,对加速度计的启动数据进行补偿。本发明通过使用加速度计的启动数据进行模型训练,得到性能补偿模型对加速度计测量数据进行补偿,从而使得加速度计在启动时依旧能准确的获取测量目标的加速度,提升了启动性能,缩短了加速度计的预热时长。
Description
技术领域
本发明涉及重力测量技术领域,更具体地,涉及一种加速度计启动性能补偿方法、系统、电子设备及存储介质。
背景技术
加速度计是测量运载体线加速度的仪表,加速度测量是工程技术提出的重要课题。当物体具有很大的加速度时,物体及其所载的仪器设备和其他无相对加速度的物体均受到能产生同样大的加速度的力,即受到动载荷。欲知动载荷就要测出加速度。
传统的加速度计需要经过一定时间的冷启动预热时间才能确保精度测量,以石英挠性加速度计为核心敏感器的重力测量设备冷启动预热时间在48小时左右,经过充分预热稳定后才可实现重力信息保精度测量。由于长预热时间限制,相对重力仪存在测量效率低的问题。因此,如何降低目前相对重力仪中启动性能差和预热时间长是亟待解决的问题。
发明内容
本发明针对现有技术中存在的技术问题,提供一种加速度计启动性能补偿方法、系统、电子设备及存储介质,用以解决如何降低目前相对重力仪中启动性能差和预热时间长的问题。
根据本发明的第一方面,提供了一种加速度计启动性能补偿方法,包括:
获取加速度计的启动数据,基于所述启动数据构建训练数据集,所述启动数据至少包括:所述加速度计的采集值序列和所述加速度计的温度序列;
对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列;
基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型;
基于所述性能补偿模型,对所述加速度计的启动数据进行补偿。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列的步骤,包括:
对所述采集值序列进行线性求解,获取辨识参数;
基于所述辨识参数和所述温度序列,得到所述采集值序列与所述温度序列的映射关系生成输入序列。
可选的,所述映射关系包括以温度序列为基的函数序列:
fm=xmTm,m=0、1、2...;
其中,xm为辨识参数,T为温度序列中的元素,m为序号;
所述映射关系还包括以温度序列变化率为基的函数序列:
fn=xndTn,n=1、2、3...;
其中,xn为辨识参数,dT为温度序列变化率,n为序号。
可选的,所述基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型的步骤,包括:
将所述输入序列通过CMAC神经网络的权重空间进行计算,得到其对应的输出序列;
获取所述输出序列的输出期望值,基于所述输出序列和所述输出期望值对所述权重空间进行调整;
重新基于所述输入序列进行训练,直至相邻的权重值小于预设决策阈值,得到性能补偿模型。
可选的,所述输出期望值为所述加速度计稳定后的平均输出值:
其中,Ji为输入序列,wi为权重值,i为序号,n为输出序列中元素的总数。
可选的,所述权重调整公式为:
其中,Fj为第j组数据的输出,δj为输出偏差,wij(t+1)为第t+1次学习后的j组数据分配权重,ηi为关于i的随机函数,为输出期望。
根据本发明的第二方面,提供一种加速度计启动性能补偿系统,包括:
数据构建模块,用于获取加速度计的启动数据,基于所述启动数据构建训练数据集,所述启动数据至少包括:所述加速度计的采集值序列和所述加速度计的温度序列;
输入空间模块,用于对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列;
模型训练模块,用于基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型;
数据补偿模块,用于基于所述性能补偿模型,对所述加速度计的启动数据进行补偿。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第一方面中任一加速度计启动性能补偿方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现上述第一方面中任一加速度计启动性能补偿方法的步骤。
本发明提供的一种加速度计启动性能补偿方法、系统、电子设备及存储介质,方法包括:获取加速度计的启动数据,基于上述启动数据构建训练数据集,上述启动数据至少包括:上述加速度计的采集值序列和上述加速度计的温度序列;对上述训练数据集进行相关性分析,得到上述采集值序列与上述温度序列的映射关系生成输入序列;基于CMAC神经网络的权重空间对上述输入序列进行权重分配得到输出值,基于上述输出值与输出期望调整上述CMAC神经网络,得到性能补偿模型;基于上述性能补偿模型,对上述加速度计的启动数据进行补偿。本发明通过使用加速度计的启动数据对CMAC神经网络进行训练,得到关于启动时间、启动温度、温度信息和温度变化率的性能补偿模型,并使用上述性能补偿模型对启动期间的加速度计测量数据进行补偿,从而使得加速度计在启动时依旧能准确的获取测量目标的加速度,提升了启动性能,缩短了加速度计的预热时长。
附图说明
图1为本发明提供的一种加速度计启动性能补偿方法流程图;
图2为本发明提供的加速度计数据记录分析信息流程图;
图3为本发明提供的CMAC网络结构的示意图;
图4为本发明提供的一种加速度计启动性能补偿系统结构示意图;
图5为本发明提供的一种可能的电子设备的硬件结构示意图;
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种加速度计启动性能补偿方法流程图,如图1所示,方法包括:
步骤S100:获取加速度计的启动数据,基于所述启动数据构建训练数据集,所述启动数据至少包括:所述加速度计的采集值序列和所述加速度计的温度序列;
需要说明的是,本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备,例如:加速度计数据记录分析装置、电脑、平板电脑等;也可以是具有相同相似功能的服务器设备,还可以是具有相似功能的云服务器,本实施例对此不做限制。为了便于理解,本实施例及下述各实施例将以加速度计数据记录分析装置为例进行说明。
可以理解的是,上述加速度计数据记录分析装置包含:加速度计输出录数接口,数据记录软件,数据记录存储器,加速度计输出分析软件。其数据流转流程参见图2,图2为本发明提供的加速度计数据记录分析信息流程图;加速度计数据记录分析装置通过硬件通讯接口接收数据,对接收到的数据进行打包处理然后存储。通过数据读取回放进行基于CMAC神经网络的自学习参数辨识方法的数据处理,最终生成最优逼近函数与修正参数。
步骤S200:对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列;
步骤S300:基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型;
需要说明的是,上述CMAC神经网络可以是自学习参数辨识模型,上述CMAC神经网络的网络结构参见图3,图3为本发明提供的CMAC网络结构的示意图;在CMAC神经网络的自学习参数辨识模型中以加速度计输出序列{at}、温度序列{Tt}为输入级输入。联想级具有局部推广能力,即泛化能力,完成相似特征条件的速度计输出序列与温度序列的关联建立,通过权重分配实现输出。输出级中对系统输出与输出期望进行比较,通过比较结果进行权调整优化CMAC网络,完成学习过程。
可以理解的是,上述性能补偿模型可以是上述已完成学习的CMAC网络模型。
步骤S400:基于所述性能补偿模型,对所述加速度计的启动数据进行补偿。
可以理解的是,基于背景技术中的缺陷,本发明实施例提出了一种加速度计启动性能补偿方法。方法包括:获取加速度计的启动数据,基于上述启动数据构建训练数据集,上述启动数据至少包括:上述加速度计的采集值序列和上述加速度计的温度序列;对上述训练数据集进行相关性分析,得到上述采集值序列与上述温度序列的映射关系生成输入序列;基于CMAC神经网络的权重空间对上述输入序列进行权重分配得到输出值,基于上述输出值与输出期望调整上述CMAC神经网络,得到性能补偿模型;基于上述性能补偿模型,对上述加速度计的启动数据进行补偿。本发明通过使用加速度计的启动数据对CMAC神经网络进行训练,得到关于启动时间、启动温度、温度信息和温度变化率的性能补偿模型,并使用上述性能补偿模型对启动期间的加速度计测量数据进行补偿,从而使得加速度计在启动时依旧能准确的获取测量目标的加速度,提升了启动性能,缩短了加速度计的预热时长。
在一种可能的实施例方式中,所述对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列的步骤,包括:
步骤S201:对所述采集值序列进行线性求解,获取辨识参数;
步骤S202:基于所述辨识参数和所述温度序列,得到所述采集值序列与所述温度序列的映射关系生成输入序列。
本实施例中,通过对采集值序列进行线性求解得到辨识参数,通过辨识参数与温度序列进行关联,从而得到输入序列,进而可以得到加速度计在不同温度条件下的采集数据,并以上述采集数据为基础训练模型,得到对应的性能补偿模型,大大的提升了加速度计的启动性能。
在一种可能的实施例方式中,所述映射关系包括以温度序列为基的函数序列:
fm=xmTm,m=0、1、2...;
其中,xm为辨识参数,T为温度序列中的元素,m为序号;
所述映射关系还包括以温度序列变化率为基的函数序列:
fn=xndTn,n=1、2、3...;
其中,xn为辨识参数,dT为温度序列变化率,n为序号。
本实施例中,通过将以温度序列为基础和以温度变化率为基础的序列通过辨识参数与加速度计的采集值序列关联,得到两个函数序列,并将这两个函数序列作为输入级输入对CMAC神经网络进行训练,得到关于启动时间、启动温度、温度信息和温度变化率的模型,并将上述模型应用于加速度及启动时输出值的补偿,大幅提升了加速度计的启动性能,缩减了预热时间。
在一种可能的实施例方式中,所述基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型的步骤,包括:
步骤S301:将所述输入序列通过CMAC神经网络的权重空间进行计算,得到其对应的输出序列;
步骤S302:获取所述输出序列的输出期望值,基于所述输出序列和所述输出期望值对所述权重空间进行调整;
需要说明的是,上述输出期望值可以是加速度计稳定后的平均输出值。
步骤S303:重新基于所述输入序列进行训练,直至相邻的权重值小于预设决策阈值,得到性能补偿模型。
可以理解的是,上述预设决策阈值可以是系统初始化时设定的,也可以是管理员根据实际的需求进行修订的,本实施例对此不作限制。
本实施例,通过根据输出序列和输出期望值进行比较,并根据比较结果对CMAC模型的权重空间进行调整,并在两次学习后的权重值小于预设决策阈值时,完成学习过程得到性能补偿模型,并将上述模型应用于加速度及启动时输出值的补偿,大幅提升了加速度计的启动性能,缩减了预热时间。
在一种可能的实施例方式中,所述输出期望值为所述加速度计稳定后的平均输出值:
其中,Ji为输入序列,wi为权重值,i为序号,n为输出序列中元素的总数。
在一种可能的实施例方式中,所述权重调整公式为:
其中,Fj为第j组数据的输出,δj为输出偏差,wij(t+1)为第t+1次学习后的j组数据分配权重,ηi为关于i的随机函数,为输出期望。
请参阅图4,图4为本发明实施例提供的一种加速度计启动性能补偿系统结构图示意图,如图4所示,一种加速度计启动性能补偿系统,包括数据构建模块100、输入空间模块200、模型训练模块300和数据补偿模块400,其中:
数据构建模块100,用于获取加速度计的启动数据,基于所述启动数据构建训练数据集,所述启动数据至少包括:所述加速度计的采集值序列和所述加速度计的温度序列;输入空间模块200,用于对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列;模型训练模块300,用于基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型;数据补偿模块400,用于基于所述性能补偿模型,对所述加速度计的启动数据进行补偿。
可以理解的是,本发明提供的一种加速度计启动性能补偿系统与前述各实施例提供的加速度计启动性能补偿方法相对应,加速度计启动性能补偿系统的相关技术特征可参考加速度计启动性能补偿方法的相关技术特征,在此不再赘述。
请参阅图5,图5为本发明实施例提供的电子设备的实施例示意图。如图5所示,本发明实施例提供了一种电子设备,包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311,处理器1320执行计算机程序1311时实现以下步骤:
获取加速度计的启动数据,基于上述启动数据构建训练数据集,上述启动数据至少包括:上述加速度计的采集值序列和上述加速度计的温度序列;对上述训练数据集进行相关性分析,得到上述采集值序列与上述温度序列的映射关系生成输入序列;基于CMAC神经网络的权重空间对上述输入序列进行权重分配得到输出值,基于上述输出值与输出期望调整上述CMAC神经网络,得到性能补偿模型;基于上述性能补偿模型,对上述加速度计的启动数据进行补偿。
请参阅图6,图6为本发明提供的一种计算机可读存储介质的实施例示意图。如图6所示,本实施例提供了一种计算机可读存储介质1400,其上存储有计算机程序1411,该计算机程序1411被处理器执行时实现如下步骤:
获取加速度计的启动数据,基于上述启动数据构建训练数据集,上述启动数据至少包括:上述加速度计的采集值序列和上述加速度计的温度序列;对上述训练数据集进行相关性分析,得到上述采集值序列与上述温度序列的映射关系生成输入序列;基于CMAC神经网络的权重空间对上述输入序列进行权重分配得到输出值,基于上述输出值与输出期望调整上述CMAC神经网络,得到性能补偿模型;基于上述性能补偿模型,对上述加速度计的启动数据进行补偿。
本发明提供的一种加速度计启动性能补偿方法、系统、电子设备及存储介质,方法包括:获取加速度计的启动数据,基于上述启动数据构建训练数据集,上述启动数据至少包括:上述加速度计的采集值序列和上述加速度计的温度序列;对上述训练数据集进行相关性分析,得到上述采集值序列与上述温度序列的映射关系生成输入序列;基于CMAC神经网络的权重空间对上述输入序列进行权重分配得到输出值,基于上述输出值与输出期望调整上述CMAC神经网络,得到性能补偿模型;基于上述性能补偿模型,对上述加速度计的启动数据进行补偿。本发明通过使用加速度计的启动数据对CMAC神经网络进行训练,得到关于启动时间、启动温度、温度信息和温度变化率的性能补偿模型,并使用上述性能补偿模型对启动期间的加速度计测量数据进行补偿,从而使得加速度计在启动时依旧能准确的获取测量目标的加速度,提升了启动性能,缩短了加速度计的预热时长。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (7)
1.一种加速度计启动性能补偿方法,其特征在于,所述方法包括:
获取加速度计的启动数据,基于所述启动数据构建训练数据集,所述启动数据至少包括:所述加速度计的采集值序列和所述加速度计的温度序列;
对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列;
基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型;
基于所述性能补偿模型,对所述加速度计的启动数据进行补偿;
所述对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列,包括:
对所述采集值序列进行线性求解,获取辨识参数;
基于所述辨识参数和所述温度序列,得到所述采集值序列与所述温度序列的映射关系生成输入序列;
所述映射关系包括以温度序列为基的函数序列:
fm=xmTm,m=0、1、2...;
其中,xm为辨识参数,T为温度序列中的元素,m为序号;
所述映射关系还包括以温度序列变化率为基的函数序列:
fn=xndTn,n=1、2、3...;
其中,xn为辨识参数,dT为温度序列变化率,n为序号。
2.根据权利要求1所述的加速度计启动性能补偿方法,其特征在于,所述基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型的步骤,包括:
将所述输入序列通过CMAC神经网络的权重空间进行计算,得到其对应的输出序列;
获取所述输出序列的输出期望值,基于所述输出序列和所述输出期望值对所述权重空间进行调整;
重新基于所述输入序列进行训练,直至相邻的权重值小于预设决策阈值,得到性能补偿模型。
3.根据权利要求2所述的加速度计启动性能补偿方法,其特征在于,所述输出期望值为所述加速度计稳定后的平均输出值:
其中,fi为输入序列,wi为权重值,i为序号,n为输出序列中元素的总数。
4.根据权利要求2所述的加速度计启动性能补偿方法,其特征在于,所述权重调整公式为:
其中,Fj为第j组数据的输出,δj为输出偏差,wij(t+1)为第t+1次学习后的j组数据分配权重,ηi为关于i的随机函数,为输出期望。
5.一种加速度计启动性能补偿系统,其特征在于,包括
数据构建模块,用于获取加速度计的启动数据,基于所述启动数据构建训练数据集,所述启动数据至少包括:所述加速度计的采集值序列和所述加速度计的温度序列;
输入空间模块,用于对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列;
模型训练模块,用于基于CMAC神经网络的权重空间对所述输入序列进行权重分配得到输出值,基于所述输出值与输出期望调整所述CMAC神经网络,得到性能补偿模型;
数据补偿模块,用于基于所述性能补偿模型,对所述加速度计的启动数据进行补偿;
所述对所述训练数据集进行相关性分析,得到所述采集值序列与所述温度序列的映射关系生成输入序列,包括:
对所述采集值序列进行线性求解,获取辨识参数;
基于所述辨识参数和所述温度序列,得到所述采集值序列与所述温度序列的映射关系生成输入序列;
所述映射关系包括以温度序列为基的函数序列:
fm=xmTm,m=0、1、2...;
其中,xm为辨识参数,T为温度序列中的元素,m为序号;
所述映射关系还包括以温度序列变化率为基的函数序列:
fn=xndTn,n=1、2、3...;
其中,xn为辨识参数,dT为温度序列变化率,n为序号。
6.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-4任一项所述的加速度计启动性能补偿方法的步骤。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-4任一项所述的加速度计启动性能补偿方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310631605.XA CN116879580B (zh) | 2023-05-30 | 2023-05-30 | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310631605.XA CN116879580B (zh) | 2023-05-30 | 2023-05-30 | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116879580A CN116879580A (zh) | 2023-10-13 |
CN116879580B true CN116879580B (zh) | 2024-04-26 |
Family
ID=88253684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310631605.XA Active CN116879580B (zh) | 2023-05-30 | 2023-05-30 | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879580B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940427A (zh) * | 2014-03-11 | 2014-07-23 | 哈尔滨工程大学 | 一种mems惯性测量单元冷启动时温度误差补偿方法 |
WO2015143127A1 (en) * | 2014-03-19 | 2015-09-24 | Actiwave Ab | Non-linear control of loudspeakers |
CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN110501009A (zh) * | 2019-08-07 | 2019-11-26 | 北京航空航天大学 | 一种用于微机电惯性测量单元温度误差补偿的方法 |
CN110726852A (zh) * | 2019-10-09 | 2020-01-24 | 湖南海迅自动化技术有限公司 | 一种mems加速度计温度补偿方法 |
CN111598215A (zh) * | 2020-04-03 | 2020-08-28 | 四川知微传感技术有限公司 | 一种基于神经网络的温度补偿方法和系统 |
CN112462600A (zh) * | 2020-11-20 | 2021-03-09 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种高能激光器控制方法、系统、电子设备及存储介质 |
CN112762962A (zh) * | 2020-12-29 | 2021-05-07 | 东方红卫星移动通信有限公司 | 基于温度滞后模型的微机电系统加速度计零偏补偿方法 |
EP3839414A1 (en) * | 2019-12-20 | 2021-06-23 | Hexagon Technology Center GmbH | Advanced thermal compensation of mechanical processes |
CN114415262A (zh) * | 2021-12-10 | 2022-04-29 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种基于等效零偏的重力仪测量误差补偿方法 |
CN115343728A (zh) * | 2022-08-16 | 2022-11-15 | 福建鼎旸信息科技股份有限公司 | 一种基于卫星通信基站的对流层湿延迟精度计算系统 |
CN115455346A (zh) * | 2022-08-30 | 2022-12-09 | 长江师范学院 | 一种mems加速度计非线性误差补偿方法 |
CN115455347A (zh) * | 2022-08-31 | 2022-12-09 | 长江师范学院 | 一种mems加速度计混合误差建模补偿方法 |
CN115859882A (zh) * | 2022-11-15 | 2023-03-28 | 扬州工业职业技术学院 | 一种基于剪裁神经网络的温度补偿设计方法及温度补偿方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928875B2 (en) * | 2002-04-01 | 2005-08-16 | The Charles Stark Draper Laboratory, Inc. | Dual microwave cavity accelerometer |
WO2019147582A1 (en) * | 2018-01-23 | 2019-08-01 | Dexcom, Inc. | Systems, devices, and methods to compensate for temperature effects on sensors |
US11619492B2 (en) * | 2021-06-10 | 2023-04-04 | Invensense, Inc. | Sensor linearization based upon correction of static and frequency-dependent non-linearities |
-
2023
- 2023-05-30 CN CN202310631605.XA patent/CN116879580B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940427A (zh) * | 2014-03-11 | 2014-07-23 | 哈尔滨工程大学 | 一种mems惯性测量单元冷启动时温度误差补偿方法 |
WO2015143127A1 (en) * | 2014-03-19 | 2015-09-24 | Actiwave Ab | Non-linear control of loudspeakers |
CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN110501009A (zh) * | 2019-08-07 | 2019-11-26 | 北京航空航天大学 | 一种用于微机电惯性测量单元温度误差补偿的方法 |
CN110726852A (zh) * | 2019-10-09 | 2020-01-24 | 湖南海迅自动化技术有限公司 | 一种mems加速度计温度补偿方法 |
EP3839414A1 (en) * | 2019-12-20 | 2021-06-23 | Hexagon Technology Center GmbH | Advanced thermal compensation of mechanical processes |
CN111598215A (zh) * | 2020-04-03 | 2020-08-28 | 四川知微传感技术有限公司 | 一种基于神经网络的温度补偿方法和系统 |
CN112462600A (zh) * | 2020-11-20 | 2021-03-09 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种高能激光器控制方法、系统、电子设备及存储介质 |
CN112762962A (zh) * | 2020-12-29 | 2021-05-07 | 东方红卫星移动通信有限公司 | 基于温度滞后模型的微机电系统加速度计零偏补偿方法 |
CN114415262A (zh) * | 2021-12-10 | 2022-04-29 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种基于等效零偏的重力仪测量误差补偿方法 |
CN115343728A (zh) * | 2022-08-16 | 2022-11-15 | 福建鼎旸信息科技股份有限公司 | 一种基于卫星通信基站的对流层湿延迟精度计算系统 |
CN115455346A (zh) * | 2022-08-30 | 2022-12-09 | 长江师范学院 | 一种mems加速度计非线性误差补偿方法 |
CN115455347A (zh) * | 2022-08-31 | 2022-12-09 | 长江师范学院 | 一种mems加速度计混合误差建模补偿方法 |
CN115859882A (zh) * | 2022-11-15 | 2023-03-28 | 扬州工业职业技术学院 | 一种基于剪裁神经网络的温度补偿设计方法及温度补偿方法 |
Non-Patent Citations (3)
Title |
---|
基于粒子群算法的石英挠性加速度计温度补偿方法研究;于东康;杨功流;吴宜荣;谢祖辉;涂勇强;;导航定位与授时;20181015(第05期);全文 * |
石英挠性加速度计温度特性测试与建模;刘晨;徐子彬;刘宇丰;;宇航计测技术;20200815(第04期);全文 * |
石英挠性加速度计温度补偿方法研究;俞茂超;王新宇;阳洪;宋军;;压电与声光;20180415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116879580A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6404832B2 (ja) | SoCに関する制御技術的オブザーバの決定方法 | |
US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
US11972542B2 (en) | Optical correction via machine learning | |
CN114061559B (zh) | 光纤陀螺零偏漂移的补偿方法、系统和计算机存储介质 | |
CN110471276A (zh) | 用于为物理系统创建模型函数的装置 | |
CN113218537A (zh) | 温度异常检测模型的训练方法、装置、设备和存储介质 | |
CN116879580B (zh) | 加速度计启动性能补偿方法、系统、电子设备及存储介质 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN111832693A (zh) | 神经网络层运算、模型训练方法、装置及设备 | |
CN113642249A (zh) | 陀螺仪零偏误差补偿方法 | |
CN111563236A (zh) | 一种短期风速预测方法及装置 | |
CN113435927B (zh) | 用户意愿预测方法、装置、设备和存储介质 | |
CN117169749A (zh) | 电池容量预测模型的生成方法、预测方法及其装置 | |
CN102292706B (zh) | 软件改造评估方法和软件改造评估系统 | |
CN111711446B (zh) | 一种利用gps信号驯服晶振频率的方法、系统及介质 | |
CN114510468A (zh) | 数据处理方法及计算机程序产品 | |
CN116358545B (zh) | 一种惯性传感器零偏温度补偿方法 | |
CN118090102A (zh) | 基于模糊神经网络的实时混合试验加载装置时滞补偿方法 | |
CN116771479B (zh) | 一种碳载量修正方法、装置、电子设备及存储介质 | |
CN117824772B (zh) | 一种天然气流量计量自适应补偿方法、系统、终端及介质 | |
Jalan | Neural Closure Models for Chaotic Dynamical Systems | |
CN108332776B (zh) | Mems陀螺随机误差组合预测模型的构建方法 | |
CN116485247A (zh) | 一种数据融合耗差分析方法、系统、设备及介质 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Liao Shikang Inventor after: Wu Mingqiang Inventor before: Liao Shikang |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |