基于灰色小波神經網絡的mems陀螺隨機誤差預測方法
【專利摘要】本發明提供的是一種基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法。對MEMS陀螺的輸出數據進行預處理，采集MEMS陀螺的輸出數據，對輸出數據小波分析，選取Db4小波函數對陀螺的輸出數據進行去噪處理；對去噪后的MEMS陀螺的輸出數據進行分組，確定輸入向量和目標向量；構建灰色小波網絡預測模型，確定灰色小波網絡的輸入節點數，輸出節點數，隱含層節點數，初始化網絡；對所建網絡進行訓練，并保存網絡用來預測陀螺隨機誤差的趨勢。本發明與傳統的陀螺隨機誤差建模方法相比，本發明將灰色理論與小波神經網絡相結合，從而改善MEMS陀螺隨機誤差預測精度，并且與傳統方法相比預測精度有了明顯的提高。
【專利說明】基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法
【技術領域】
[0001]本發明涉及的是一種組合導航中MEMS (微機械陀螺)的隨機誤差預測方法。
【背景技術】
[0002]MEMS概念是由美國著名物理學家Feyman最先提出的，他指出MEMS技術發展的一個問題就是如何用低精度的工具制造高精度產品。MEMS陀螺儀具有如下優點:尺寸小、體積小、較輕的重量且成本比較低廉;MEMS陀螺采用的加工工藝是類集成電路的硅加工工藝，器件尺寸小，且重量輕，適合批量生產；性能穩定且抗干擾能力強；可靠性也比較高且易集成、功耗低。由于MEMS陀螺儀的這些優點，其在多個領域中均有廣泛應用，尤其是航空、航天、軍事及消費領域。目前，基于MEMS陀螺儀的導航、制導系統的研究很多，在汽車工業、生物醫學工程、精密儀器、航天航空、移動通信等有了廣泛的應用。但是由于MEMS陀螺精度比傳統陀螺低，使其應用受到限制。如何改善MEMS陀螺精度成為MEMS陀螺的研究重點。
[0003]由于MEMS陀螺的制造工藝及使用環境的影響，使MEMS陀螺產生很大的隨機誤差，是影響其精度的一個重要原因。因此對MEMS陀螺進行誤差補償是提高其精度的一個重要手段。很多研究機構和學者都在研究MEMS陀螺的隨機誤差建模方法，以提高MEMS陀螺的性能和魯棒性。
[0004]在現有的陀螺隨機誤差建模中，對于陀螺隨機誤差通常采用的是Allan方差和ARMA模型的建模方法。對于Allan方差方法是建立在統計學基礎上的建模方法,僅適用于非平穩的隨機信號；而時間序列ARMA模型要求數據必須是平穩、線性的，需對數據進行平穩化、線性化處理。小波神經網絡是小波分析理論與神經網絡相結合的產物，它繼承了小波變換和神經網絡的優點，因而表現出具有對非線性函數的最佳逼近和全局逼近的能力，又具有自學習、自適應、時頻特性好、建模能力強等特性，因此在非線性系統建模獲得了廣泛的應用。灰色小波網絡是將灰色理論與小波網絡結合，用灰色理論模型預處理原始數據，然后用處理后的數據建立小波模型。這樣可以減少網絡的訓練時間，提高預測精度。
【發明內容】
[0005]本發明的目的在于提供一種能保證預測的準確性的基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法。
[0006]本發明的目的是這樣實現的:
[0007]步驟1:對MEMS陀螺的輸出數據進行預處理，采集MEMS陀螺的輸出數據，對輸出數據小波分析，選取Db4小波函數對陀螺的輸出數據進行去噪處理；
[0008]步驟2:對去噪后的MEMS陀螺的輸出數據進行分組，確定輸入向量和目標向量；
[0009]步驟3:構建灰色小波網絡預測模型，確定灰色小波網絡的輸入節點數，輸出節點數，隱含層節點數，初始化網絡；
[0010]步驟4:對所建網絡進行訓練，并保存網絡用來預測陀螺隨機誤差的趨勢。[0011]本發明的優點:
[0012](1)本發明首先對MEMS陀螺的輸出信號進行去噪處理，減少噪聲的影響，保證預測的準確性。
[0013](2)本發明在信號去噪中采用改進閾值的方法對信號進行閾值處理，優點是可以很好保留信號的細節部分，去噪效果好。
[0014](3)本發明采用的是灰色小波神經網絡預測法。將灰色理論與小波網絡集合，該方法利用灰色理論運算法則處理陀螺輸出信號，使信號呈現一定的規律，優點是減少網絡的訓練時間及提高預測的精度。
【專利附圖】
【附圖說明】
[0015]圖1是基于灰色小波網絡的MEMS陀螺隨機誤差預測流程圖。
[0016]圖2是提升方法的小波分解與重構示意圖。
[0017]圖3是MEMS陀螺原始數據輸出示意圖。
[0018]圖4是基于小波去噪的MEMS陀螺數據輸出示意圖。
[0019]圖5是小波神經網絡結構圖。
[0020]圖6是小波神經網算法流程圖。
[0021]圖7是灰色小波網絡預測輸出結果。
【具體實施方式】
[0022]本發明描述的方法是一種MEMS陀螺隨機誤差預測方法，該發明采用了灰色小波網絡的預測方法，與傳統的陀螺隨機誤差建模方法相比，該方法將灰色理論與小波神經網絡相結合，從而改善MEMS陀螺隨機誤差預測精度，并且與傳統方法相比預測精度有了明顯的提聞。
[0023]結合圖1，本發明的技術方案包括如下步驟:
[0024]步驟1:對MEMS陀螺的輸出數據進行預處理。采集MEMS陀螺的輸出數據，對輸出數據小波分析，選取Db4小波函數對陀螺的輸出數據進行去噪處理。
[0025]首先，把慣導系統安裝在轉臺上，接通電源預熱15分鐘。對串口接收程序設置，利用所編寫的導航系統界面進行陀螺輸出數據采集。采樣時間為20ms，采樣樣本長度為10000。并將采集的數據保存在文件夾中。從采集的MEMS陀螺儀輸出數據中選取前5000個數據，通過陀螺確定性誤差補償實驗，去除陀螺的確定性誤差。
[0026]其次，對MEMS陀螺輸出數據小波分析，通過對MEMS陀螺輸出數據小波分析結果，可確定選取Db4小波函數及小波分解尺度為5對陀螺的輸出數據進行去噪處理。
[0027]具體方法:對MEMS陀螺輸出信號進行分解，利用提升格式的小波分解方法，示意圖如圖2所示。提取出MEMS陀螺輸出信號的低頻部分與高頻部分。其步驟如下所示:
[0028](I)分裂:將輸入信號序列Xi分為互不相交的、長度相同的偶數序列Θη和奇數序列Og兩組，即
[0029]Split (Xi) = (6^!, Oi^1) (I)
[0030]式中，{61-1;k=Xi,2k^ ? 01-l= {01-l，k=Xi，2k+J ? ? 為可長度，k 為整數。
[0031](2)預測:通常通過偶數序列Θη和預測算子P來預測奇數序列CV1，預測誤差dH稱為細節系數，對應于Xi的高頻部分。預測過程如下:
[0032](Ih=Oh-P (2)
[0033]式中，P為預測算子，函數P表示如下:
【權利要求】
1.一種基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法，其特征是: 步驟1:對MEMS陀螺的輸出數據進行預處理，采集MEMS陀螺的輸出數據，對輸出數據小波分析，選取Db4小波函數對陀螺的輸出數據進行去噪處理； 步驟2:對去噪后的MEMS陀螺的輸出數據進行分組，確定輸入向量和目標向量； 步驟3:構建灰色小波網絡預測模型，確定灰色小波網絡的輸入節點數，輸出節點數，隱含層節點數，初始化網絡； 步驟4:對所建網絡進行訓練，并保存網絡用來預測陀螺隨機誤差的趨勢。
2.根據權利要求1所述的基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法，其特征是所述對輸出數據小波分析具體方法為: (O分裂:將輸入信號序列Xi分為互不相交的、長度相同的偶數序列Θη和奇數序列CV1兩組，即
Split (Xi) = (Θη, Oh) 其中，, Oi^1= (Oi^k=Xi 2ktJ , i 為信號長度，k 為整數； (2)預測:通過偶數序列eg和預測算子P來預測奇數序列Cv1,預測誤差dH稱為細節系數，對應于Xi的高頻部分，預測過程如下: 其中，P為預測算子，函數P表示如下:
3.根據權利要求2所述的基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法，其特征是:所述選取Db4小波函數對陀螺的輸出數據進行去噪處理是采用改進閾值的方法對信號進行閾值處理，閾值函數為:
4.根據權利要求1所述的基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法，其特征是所述對去噪后的MEMS陀螺的輸出數據進行分組具體為: 對去噪后的數據表示為[χι，χ2，…，x5_]，n個數據為一個樣本，前n-1個數據[χι，χ2，…，Xn-J1作為輸入數據，第η個數據Xn為目標值，選取m個輸入向量和目標向量，輸入向量為P- [Pi，P2，…，Pm]，其中 P1- [Xi，Xi+1，…，Xi+nJ，? —I) 2,…，Π1，目豐不向里為[Xn，Xn+D …，Xn+nJ ，將陀螺的輸出數據每10個數據為一組作為輸入向量，后一個數據為目標向量；共形成500組輸入向量，500個目標向量，即n=ll, m=500。
5.根據權利要求1所述的基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法，其特征是所述構建灰色小波網絡預測模型的過程如下: 設時間數據序列為:
6.根據權利要求1所述的基于灰色小波神經網絡的MEMS陀螺隨機誤差預測方法，其特征是所述對所建網絡進行訓練，并保存網絡用來預測陀螺隨機誤差的趨勢具體包括:應用灰色小波網絡模擬函數:
Xn=f (X1, X!+X2,…，Xi+Xa+...+Xlri) 式中，η為輸入數據個數， 對構建的網絡進行訓練，將步驟2中分組后的輸入向量ρ=[ρι，ρ2，…，pm]利用灰色理論運算法則處理得到QP，QP作為網絡的輸入向量，目標向量[xn，xn+1, -,xn+ffl]T作為網絡的預測輸出，訓練網絡，其中n=ll，m=500，當網絡達到設定的目標值時或達到最大迭代次數時保存網絡，輸入數據，預測MEMS陀螺的隨機誤差值。
【文檔編號】G01C25/00GK103900610SQ201410121057
【公開日】2014年7月2日 申請日期:2014年3月28日 優先權日:2014年3月28日
【發明者】沈鋒, 蘭曉明, 桑靖, 張金麗, 周陽, 遲曉彤, 韓浩, 劉向鋒, 李偉東 申請人:哈爾濱工程大學