CN117312779B - 一种基于深度学习的重力敏感器快速稳定测量方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的补偿技术，尤其涉及一种在重力仪系统启动后短时间内对重力敏感器的输出进行稳定的实时补偿，并显著提升重力敏感器在启动后系统未稳定阶段的测量精度的基于深度学习的重力敏感器快速稳定测量方法。本发明相对于现有的多项式函数拟合残差补偿方法，提出的基于深度学习的重力敏感器快速稳定测量技术能够更好地对重力敏感器启动后各个时间段内重力输出变化细部特征进行挖掘，并使得通过本发明的方法补偿后的快速启动条件下重力敏感器输出在启动后的各时间段内拟合效果提升，重力补偿精度显著提升，且可以在线对补偿模型进行更新，无需线下重新计算。

Description

一种基于深度学习的重力敏感器快速稳定测量方法

技术领域

本发明涉及一种基于深度学习的补偿技术，尤其涉及一种在重力仪系统启动后短时间内对重力敏感器的输出进行稳定的实时补偿，并显著提升重力敏感器在启动后系统未稳定阶段的测量精度的基于深度学习的重力敏感器快速稳定测量方法。

背景技术

重力测量设备中重力敏感器是温度敏感部件，其机电温敏特性会导致每摄氏度数十个ppm以上的比例因子变化以及数十mGal以上的偏置变化。重力敏感器的温度特性对重力测量精度有很大影响,因此必须考虑抑制温度对重力敏感器的影响。目前抑制温度对重力敏感器影响的主要方法是对其进行温度补偿，具体操作步骤为：

1) 将重力敏感器放在温箱中，设备的其余部分放在温箱外部，并开电48小时使其温度稳定；

2) 令温箱在一定温度范围内变化，同时记录重力信息和温度信息；

3) 将重力信息和温度信息同步，构造函数，采用最小二乘法拟合函数系数，确定温度补偿系数，并确定补偿模型；

4) 将3)中确定的补偿模型储存在DSP解算程序中，由导航计算机实时补偿。

目前这种多项式温度补偿方法对处在工作环境稳定的重力测量设备敏感器输出的补偿有良好效果。但某些特定应用场景下，如重力敏感器需在环境温度显著变化条件下工作时，或要求在启动数小时甚至数分钟内达到一定的精度指标时，多项式补偿方法的效果就会明显降低。首先，重力敏感器在启动后数小时内处于高度未稳定状态，且每次启动时很难保证环境条件一致，由于多项式补偿方法的系数是基于有限次试验数据并通过最小二乘法得到的，其补偿的效果与试验数据采集时的环境条件高度相关，实际应用中，当环境条件变化时，其补偿效果往往不理想。因此难以利用多项式补偿方法实现高精度宽温适应范围补偿。而多项式补偿方法是基于重力敏感器启动至停止测量时刻全时间段重力数据的整体补偿，而在此过程中，重力敏感器整体输出、在启动后各个长度的时间段内（如启动后数分钟、数十分钟、数小时内）的输出特征均各有差异，全局的、单一的多项式补偿难以对重力敏感器启动后各个时间段内的重力输出变化规律均有较优的拟合度。因此，亟需构建一种能够针对重力敏感器在快速启动条件下重力敏感器快速稳定补偿技术，并保证其在启动后短时间内达到一定的精度指标。

发明内容

本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明针对重力敏感器在启动后短时间内的变化输出，通过深度学习方法建立重力敏感器快速稳定补偿模型，并将该模型与重力测量系统融合，以实现对重力敏感器在启动后快速实时误差补偿，提升重力敏感器在启动后未稳定阶段的测量精度的基于深度学习的重力敏感器快速稳定测量方法。

一种基于深度学习的重力敏感器快速稳定测量方法，包括以下步骤：

S1：通过预试验，确定重力敏感器从启动达到稳定状态的稳定时间，确定补偿时间段为启动后的稳定时间内；

S2：针对重力敏感器输出数据时序相关性及温度相关性，建立以门控循环单元为基本结构的门控循环单元神经网络框架，并引入批次擦除模块，得到带有损失函数的门控循环单元神经网络；

S3：将重力敏感器启动后的稳定时间内的测量数据送入门控循环单元神经网络中进行训练，更新训练参数，得到重力敏感器快速稳定补偿模型；

S4：通过重力敏感器快速稳定补偿模型对新开机的重力敏感器数据在线训练完成更新，实现对重力敏感器测量结果的补偿。

进一步的，所述稳定时间为10小时。

进一步的，S2步骤得到带有损失函数的门控循环单元神经网络的方法，包括以下步骤：

S21：确立深度学习网络的输入输出：将重力敏感器中的内部温度、内部温度梯度/>、环境温度/>、启动时间/>作为深度学习网络的输入，输出为重力测量值/>，设定每个输入网络中的数据时间长度均为/>，即/>；

S22：构建批次擦除的门控循环单元神经网络：网络的完整神经元数学模型为：

式中为神经元的连接权重，/>为偏移量，/>为网络的输入；

该神经网络的基本结构为门控循环单元，并分为重置门、更新门、Tanh神经层；

S23：引入批次擦除模块：对同一批次输入网络的数据，令其随机地擦除相同位置、相同时间长度的数据，使被擦除时间点的神经元输入数据保持不变，输出数据变为零；

S24：确定网络训练的损失函数：损失函数定义如下：

其中分别为损失函数中不同项的比例系数，/>为网络输出的重力值，/>为向量2-范数，/>为所有连续5分钟输出值标准差的平均值。

进一步的，在S31步骤中，令第一个时刻的内部温度梯度为0。

进一步的，S3步骤得到重力敏感器快速稳定补偿模型的方法，包括以下步骤：

S31：将重力敏感器启动后到稳定时间内的测量数据划分为训练集与测试集；

S32：设置批次擦除的门控循环单元神经网络的训练轮次、学习率与学习目标等参数，将训练集送入网络中进行训练，并利用损失函数、反向传播算法与权重正则化方法连续更新并优化网络权重，使得网络达到学习目标；

S33：利用S251步骤的测试集对S252步骤中得到的模型进行验证，如未达到预期效果可调整网络的参数，使其最终在测试集上也达到预期的预测目标；

S34：将生成的重力敏感器快速稳定测量模型嵌入到重力敏感器测量系统中，利用实时内、外部环境信息与时间信息实时对重力敏感器输出进行稳定补偿。

进一步的，S4步骤中重力敏感器数据在线训练完成更新的方法如下：

将S3步骤所得重力敏感器快速稳定补偿模型嵌入到重力敏感器测量系统后，每完成一次重力敏感器快速稳定测量试验，截取其稳定时间段数据，自动将其输入至训练网络中，同S31步骤中测量数据的训练集数据一起对网络再训练，在线完成测量模型的更新，并将其保存用于对测量试验的重力敏感器的输出补偿。

进一步的，在S34步骤同时采用反向传播算法对网络进行优化。

进一步的，S22步骤中所述重置门为控制之前时间点信息的保留程度，实现方式为Sigmoid函数，其计算公式如下：

式中为t时刻重置门输出，/>为t-1时刻隐藏层神经元值，/>为t时刻输入层神经元值，/>为门控循环单元输入数据，/>为重置门权重，/>为重置门偏移量。

进一步的，S22步骤中所述更新门为控制记忆数据的保留量与更新量，其计算公式如下：

式中为t时刻更新门输出，/>为更新门权重，/>为更新门偏移量。

进一步的，S22步骤中所述神经层为Tanh神经层，为产生门控循环单元输出所需的候选数据，其计算公式如下：

式中为Tanh神经层输入数据，其为重置门保留的记忆数据与当前时间点的数据合并后的向量，/>为t时刻Tanh神经层的输出值，/>为Tanh神经层权重，/>为Tanh神经层偏移量。

本发明与现有技术相比的优点在于：

本发明相对于现有的多项式函数拟合残差补偿方法，本发明提出的基于深度学习的重力敏感器快速稳定测量技术能够更好地对重力敏感器启动后各个时间段内重力输出变化细部特征进行挖掘，并使得通过本发明的方法补偿后的快速启动条件下重力敏感器输出在启动后的各时间段内拟合效果提升，重力补偿精度显著提升，且可以在线对补偿模型进行更新，无需线下重新计算。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1 本发明提供的批次擦除的门控循环单元神经网络完整结构示意图。

图2 本发明提供的门控循环单元内部结构示意图。

图3现有技术中某重力敏感器快速启动条件下脉冲输出数据图。

图4现有技术中多项式函数拟合残差补偿方法补偿后的脉冲输出数据图。

图5本发明提供的基于深度学习的重力敏感器快速稳定测量技术补偿后的脉冲输出数据图。

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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。以下实施例用于说明本发明，但不能用来限制本发明的范围。

在本发明实施例的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。

在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

请参阅图1所示，首先通过预试验，确定重力敏感器在启动后10小时内处于未稳定状态，之后达到稳定，及10小时为稳定时间，由此确定补偿时间段为启动后10小时内。然后针对重力敏感器输出数据时序相关性及温度相关性，建立以门控循环单元为基本结构的门控循环单元神经网络框架，同时引入批次擦除模块提升网络对高动态下相对较短时间内重力数据输出特点，并建立批次擦除的门控循环单元神经网络的损失函数。网络搭建完毕后，将重力敏感器启动后10小时的测量数据送入网络中进行训练，并不断更新训练参数，得到重力敏感器快速稳定补偿模型。该模型可通过新数据在线训练完成更新，实现补偿性能在线提升。

经大量实验数据验证，重力敏感器在开机启动10小时内处于未稳定状态，10小时后重力敏感器稳定，达到高精度输出状态。故仅对开机启动10小时内的重力敏感器输出进行补偿。以下为本发明完整的实施过程。

第一步：确立深度学习网络的输入输出。本发明中将重力敏感器中的内部温度、内部温度梯度/>、环境温度/>、启动时间/>作为深度学习网络的输入，输出为重力测量值。确定每个输入网络中的数据时间长度均为/>，即/>。为了保证输出的实时性，令第一个时刻的内部温度梯度为0。

第二步：构建批次擦除的门控循环单元神经网络。网络的完整神经元连接示意图见图1，数学模型为：

式中为神经元的连接权重，/>为偏移量，/>为网络的输入，图1中为第t时刻的网络的输入，/>为第t时刻的输出的重力测量值，/>为t时刻隐藏层神经元值。

该神经网络的基本结构为门控循环单元，其内部细节如图2所示。图2下部的三个方框从左至右依次为重置门、更新门、Tanh神经层。三部分具体计算方法如下：

1)重置门：重置门的作用为控制之前时间点信息的保留程度，其实现方式为Sigmoid函数，即/>，此函数在自变量值较小时会保留少部分信息以保持记忆能力，不会因为响应较小而失去与前一时间点的关联。其计算公式如下：

式中“”为点积运算，/>为t时刻重置门输出，/>为t-1时刻隐藏层神经元值，/>为t时刻输入层神经元值，/>为门控循环单元输入数据，/>为重置门权重，/>为重置门偏移量。

2)更新门：更新门的作用为控制记忆数据的保留量与更新量，其计算公式如下：

式中为t时刻更新门输出，/>为更新门权重，/>为更新门偏移量。

3)Tanh神经层：Tanh神经层的作用为产生门控循环单元输出所需的候选数据，其计算公式如下：

式中为Tanh神经层输入数据，其为重置门保留的记忆数据与当前时间点的数据合并后的向量，/>为t时刻Tanh神经层的输出值，/>为Tanh神经层权重，/>为Tanh神经层偏移量。

其中门控循环单元通过的最终输出如下：

其中为上一时间点留存的记忆数据，/>为更新的记忆数据，/>为输出层神经元的值。

第三步：引入批次擦除模块。对同一批次输入网络的数据，令其随机地擦除相同位置、相同时间长度的数据，使被擦除时间点的神经元输入数据保持不变，输出数据变为0。批次擦除模块可以使得网络在训练时更集中于那些未被擦除部分的时间序列数据，从而更精细地观测这段时间内重力敏感器输出的特点，并使网络更好的学习这段时间的重力敏感器输出数据。

第四步：确定网络训练的损失函数。损失函数定义如下：

其中分别为损失函数中不同项的比例系数，/>为网络输出的重力值，/>为向量2-范数，/>为所有连续5分钟输出值标准差的平均值。同时采用反向传播（BP）算法对网络进行优化，以便网络能更优地更新权重，达到更好的训练效果。

生成重力敏感器快速稳定测量模型，具体步骤如下：

1）将重力敏感器启动后10小时的测量数据划分为训练集与测试集；

2）设置批次擦除的门控循环单元神经网络的训练轮次、学习率与学习目标等参数，将训练集送入网络中进行训练，并利用损失函数、BP算法与权重正则化等方法不断更新并优化网络权重，使得网络达到学习目标；

3）利用测试集对步骤2)中得到的模型进行验证，如未达到预期效果可调整网络的参数，使其最终在测试集上也达到预期的预测目标；

4）将生成的重力敏感器快速稳定测量模型嵌入到重力敏感器测量系统中，利用实时内、外部环境信息与时间信息实时对重力敏感器输出进行稳定补偿。

重力敏感器数据在线训练完成更新。模型嵌入到重力敏感器测量系统后，每完成一次重力敏感器快速稳定测量试验，截取其前10小时数据，自动将其输入至训练网络中，同步骤1)中原有的训练集数据一起对网络再训练，在线完成测量模型的更新，并将其保存用于下一次测量试验的重力敏感器输出补偿。

本发明与现有技术相比的优点在于：相对于现有的多项式函数拟合残差补偿方法，本发明提出的基于深度学习的重力敏感器快速稳定测量技术能够更好地对重力敏感器启动后各个时间段内重力输出变化细部特征进行挖掘，并使得通过本发明的方法补偿后的快速启动条件下重力敏感器输出在启动后的各时间段内拟合效果提升，重力补偿精度显著提升，且可以在线对补偿模型进行更新，无需线下重新计算。

图3列出了某重力敏感器快速启动条件下开机15小时的重力敏感器脉冲输出数据，图4、图5分别列出了图3的数据经多项式函数拟合残差补偿方法及本发明的基于深度学习的重力敏感器快速稳定测量技术补偿后的脉冲输出值（此处使用脉冲数代替重力敏感器的重力输出值，1脉冲=22.75mGal）。通过图3~图5对比可得，多项式函数拟合残差补偿方法可将快速启动的重力敏感器输出限差控制在16mGal以内，而本发明的基于深度学习的重力敏感器快速稳定测量技术可将快速启动的重力敏感器输出限差控制在4mGal以内，显著提升了重力敏感器的测量精度。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，包括以下步骤：

S1：通过预试验，确定重力敏感器从启动达到稳定状态的稳定时间，确定补偿时间段为启动后的稳定时间内；

S2：针对重力敏感器输出数据时序相关性及温度相关性，建立以门控循环单元为基本结构的门控循环单元神经网络框架，并引入批次擦除模块，得到带有损失函数的门控循环单元神经网络，其中得到带有损失函数的门控循环单元神经网络的方法包括以下步骤：

S21：确立深度学习网络的输入输出：将重力敏感器中的内部温度、内部温度梯度/>、环境温度/>、启动时间/>作为深度学习网络的输入，输出为重力测量值/>，设定每个输入网络中的数据时间长度均为/>，即/>；

S22：构建批次擦除的门控循环单元神经网络：网络的完整神经元数学模型为：

式中为神经元的连接权重，/>为偏移量，/>为网络的输入；

该神经网络的基本结构为门控循环单元，并分为重置门、更新门、Tanh神经层；

S23：引入批次擦除模块：对同一批次输入网络的数据，令其随机地擦除相同位置、相同时间长度的数据，使被擦除时间点的神经元输入数据保持不变，输出数据变为零；

S24：确定网络训练的损失函数：损失函数定义如下：

其中分别为损失函数中不同项的比例系数，/>为网络输出的重力值，/>为向量2-范数，/>为所有连续5分钟输出值标准差的平均值；

S3：将重力敏感器启动后的稳定时间内的测量数据送入门控循环单元神经网络中进行训练，更新训练参数，得到重力敏感器快速稳定补偿模型；

S4：通过重力敏感器快速稳定补偿模型对新开机的重力敏感器数据在线训练完成更新，实现对重力敏感器测量结果的补偿。

2.根据权利要求1所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，所述稳定时间为10小时。

3.根据权利要求1所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，在S21步骤中，令第一个时刻的内部温度梯度为0。

4.根据权利要求1所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，S3步骤得到重力敏感器快速稳定补偿模型的方法，包括以下步骤：

S31：将重力敏感器启动后到稳定时间内的测量数据划分为训练集与测试集；

S32：设置批次擦除的门控循环单元神经网络的训练轮次、学习率与学习目标等参数，将训练集送入网络中进行训练，并利用损失函数、反向传播算法与权重正则化方法连续更新并优化网络权重，使得网络达到学习目标；

S33：利用S251步骤的测试集对S252步骤中得到的模型进行验证，如未达到预期效果可调整网络的参数，使其最终在测试集上也达到预期的预测目标；

S34：将生成的重力敏感器快速稳定测量模型嵌入到重力敏感器测量系统中，利用实时内、外部环境信息与时间信息实时对重力敏感器输出进行稳定补偿。

5.根据权利要求4所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，S4步骤中重力敏感器数据在线训练完成更新的方法如下：

将S3步骤所得重力敏感器快速稳定补偿模型嵌入到重力敏感器测量系统后，每完成一次重力敏感器快速稳定测量试验，截取其稳定时间段数据，自动将其输入至训练网络中，同S31步骤中测量数据的训练集数据一起对网络再训练，在线完成测量模型的更新，并将其保存用于对测量试验的重力敏感器的输出补偿。

6.根据权利要求4所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，在S34步骤同时采用反向传播算法对网络进行优化。

7.根据权利要求1所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，S22步骤中所述重置门为控制之前时间点信息的保留程度，实现方式为Sigmoid函数，其计算公式如下：

式中为t时刻重置门输出，/>为t-1时刻隐藏层神经元值，/>为t时刻输入层神经元值，/>为门控循环单元输入数据，/>为重置门权重，/>为重置门偏移量。

8.根据权利要求7所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，S22步骤中所述更新门为控制记忆数据的保留量与更新量，其计算公式如下：

式中为t时刻更新门输出，/>为更新门权重，/>为更新门偏移量。

9.根据权利要求8所述的一种基于深度学习的重力敏感器快速稳定测量方法，其特征在于，S22步骤中所述神经层为Tanh神经层，为产生门控循环单元输出所需的候选数据，其计算公式如下：

式中为Tanh神经层输入数据，其为重置门保留的记忆数据与当前时间点的数据合并后的向量，/>为t时刻Tanh神经层的输出值，/>为Tanh神经层权重，/>为Tanh神经层偏移量。