基于粒子群小波網絡的mems陀螺隨機誤差補償方法
【專利摘要】本發明涉及組合導航中MEMS微機械陀螺的隨機誤差建模與補償領域，具體涉及一種基于粒子群小波網絡的MEMS陀螺隨機誤差補償方法。本發明包括：連續采樣得到MEMS陀螺的輸出數據，對輸出數據進行預處理；對處理后的輸出數據進行去噪處理，獲得噪聲干擾更小的隨機誤差，利用小波包分析方法對隨機誤差去噪處理；構建粒子群小波網絡模型，利用粒子群算法優化小波網絡；初始化設置網絡：確定網絡的輸入節點數，輸出節點數，隱含層節點數，利用隨機誤差樣本數據訓練網絡，并保存網絡，利用網絡預測值對MEMS陀螺儀隨機誤差補償。本發明對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。
【專利說明】
【技術領域】
[0001] 本發明涉及組合導航中MEMS微機械陀螺的隨機誤差建模與補償領域，具體涉及 一種基于粒子群小波網絡的MEMS陀螺隨機誤差補償方法。 基于粒子群小波網絡的MEMS陀螺隨機誤差補償方法
【背景技術】
[0002] MEMS (Micro Electro Mechanical System，MEMS)陀螺儀由于其體積小、質量輕、 易于集成化、功耗低等特點，使其在低精度導航系統領域得到了廣泛的應用。陀螺儀隨機誤 差是影響MEMS陀螺精度的主要原因，也是慣導系統的主要誤差來源，通過對MEMS陀螺的誤 差分析、建模與補償可以有效的提高MMU的精度。因此對MEMS陀螺的誤差分析、建模與補 償研究是提高導航系統定位精度的一個新方向，對導航系統定位具有重要意義。
[0003] 粒子群算法（Particle Swarm Optimization, PS0)是一種基于疊代的優化工具， 采用"群體"與"進化"的概念，依據粒子的適應度值大小進行搜尋最優值。每個粒子代表 一個潛在解并對應一個適應度值，粒子移動的方向和距離根據粒子的速度確定，其速度隨 自身和其他粒子的移動經驗進行動態調整，實現個體在解空間的尋優。由于粒子群算法容 易理解、易于實現，目前已被廣泛應用于函數優化、系統控制、神經網絡訓練等領域。
[0004] 小波網絡是小波分析理論與神經網絡相結合的產物，它兼容了小波分析與人工神 經網絡的優點。充分利用了小波變換的時頻局部化特性和神經網絡的自學習能力，具有較 強的逼近與容錯能力、建模能力強。但由于小波網絡模型存在易陷入局部極小或不收斂等 問題，而小波網絡的學習過程主要是權值和閾值的調整過程，粒子群算法依據微粒的適應 值大小進行操作，因此可以利用粒子群算法優化小波網絡的各連接權值和各閾值，解決小 波網絡易陷入局部極小和不收斂等問題，使網絡模型達到最佳。
[0005] 傳統的陀螺儀隨機誤差建模方法有Allan方差分析法和ARMA時間序列分析法。兩 種方法都可以對MEMS陀螺儀的隨機誤差建立模型，但所建的模型精度較低且易受影響，不 能很好的應用于實際陀螺儀隨機誤差的補償中。但是基于PS0的小波網絡可以對陀螺儀隨 機誤差預測且精度較高，將此預測值用于隨機誤差補償中，有效減小了隨機誤差，提高陀螺 儀精度。
【發明內容】
[0006] 本發明的目的在于提出一種可以有效對MEMS陀螺隨機誤差補償的方法。
[0007] 本發明的目的是這樣實現的：
[0008] (1)連續采樣得到MEMS陀螺的輸出數據，對輸出數據進行預處理：
[0009] 采樣周期為10ms，進行20min采樣，得到MEMS陀螺漂移原始測量信號，將MEMS陀 螺漂移原始測量信號的常值漂移去除，對MEMS陀螺儀的靜態漂移數據求均值，在觀測數據 中將均值減去，得到陀螺儀的隨機誤差；
[0010] (2)對處理后的輸出數據進行去噪處理，獲得噪聲干擾更小的隨機誤差，利用小波 包分析方法對隨機誤差去噪處理：
[0011] (2. 1)對隨機誤差進行小波包分解，確定分解層次與小波基，；
[0012] (2. 2)計算最佳樹，確定最佳小波基函數，給定熵標準，計算最佳樹；
[0013] (2. 3)小波包分解后得到的系數進行閾值量化，然后進行去噪處理；
[0014] (2. 4)對分解后的隨機誤差進行小波包重構；
[0015] (3)構建粒子群小波網絡模型，利用粒子群算法優化小波網絡：
[0016] 將網絡參數與粒子群算法中粒子的位置來對應，每個粒子的位置向量變為：
[0017] w ( τ ) = [ ω iq, ω qp, aq, bq] τ = 1, 2,…；q 為隱含層神經元個數，
[0018] (3. 1)初始化，確定粒子個數τ，初始化粒子，設置粒子初始位置w和初始速度V， 設置最大迭代次數和終止條件；設置粒子當前最優位置為P b = ?，并記全局最優位置Pg = maxpb ；
[0019] (3. 2)給定小波網絡訓練樣本，訓練網絡：利用粒子群算法更新粒子的位置p和速 度v,記錄粒子的歷史最優位置pbestA :
[0020]
【權利要求】
1.基于粒子群小波網絡的MEMS陀螺隨機誤差補償方法，其特征在于： (1) 連續采樣得到MEMS陀螺的輸出數據，對輸出數據進行預處理： 采樣周期為l〇ms，進行20min采樣，得到MEMS陀螺漂移原始測量信號，將MEMS陀螺漂 移原始測量信號的常值漂移去除，對MEMS陀螺儀的靜態漂移數據求均值，在觀測數據中將 均值減去，得到陀螺儀的隨機誤差； (2) 對處理后的輸出數據進行去噪處理，獲得噪聲干擾更小的隨機誤差，利用小波包分 析方法對隨機誤差去噪處理： (2. 1)對隨機誤差進行小波包分解，確定分解層次與小波基，； (2. 2)計算最佳樹，確定最佳小波基函數，給定熵標準，計算最佳樹； (2. 3)小波包分解后得到的系數進行閾值量化，然后進行去噪處理； (2.4)對分解后的隨機誤差進行小波包重構； (3) 構建粒子群小波網絡模型，利用粒子群算法優化小波網絡： 將網絡參數與粒子群算法中粒子的位置來對應，每個粒子的位置向量變為： ￥(τ) = [ω?(?，ω(?ρ?] τ =1,2,…；q為隱含層神經元個數， (3. 1)初始化，確定粒子個數τ，初始化粒子，設置粒子初始位置w和初始速度V，設 置最大迭代次數和終止條件；設置粒子當前最優位置為pb = ?，并記全局最優位置pg = maxpb ； (3. 2)給定小波網絡訓練樣本，訓練網絡：利用粒子群算法更新粒子的位置p和速度v， 記錄粒子的歷史最優位置pbestA : vv；/ =a*vy\ +￡· ^randQ-^pbest -x'^ + c-, * rand()*( 其中Ci和c2為加速因子，λ為當前迭代次數，d為粒子維數，rand()為[0, 1]范圍內 的隨機數，α為慣性權值，pbest為粒子最佳位置； (3.3)根據粒子位置w和訓練樣本，計算隱層、輸出層的實際輸入、輸出及誤差E = E(N)； (3. 4)根據訓練誤差E (N)計算每個粒子的適應度f的值，更新pb和pg的值：
其中N為訓練樣本數，Dp為第p個輸出節點的理想輸出值，Yp為第p個輸出節點的實 際輸出值； (3. 5)更新粒子的位置w和速度V，如果速度越出邊界，則調整速度為算法最大值； (3. 6)當誤差達到設定值或達到最大迭代次數時，結束學習過程；否則，令N = Ν+1，減 小α值，返回步驟（3)繼續迭代，直到滿足要求為止； (3.7)將最終得到的全局最優值包括權值和閾值帶入小波網絡，計算網絡輸出； 利用消噪后的MEMS陀螺儀隨機誤差作為網絡的數據樣本，構建網絡模型； (4)初始化設置網絡：確定網絡的輸入節點數，輸出節點數，隱含層節點數，利用隨機 誤差樣本數據訓練網絡，并保存網絡，利用網絡預測值對MEMS陀螺儀隨機誤差補償： 利用粒子群小波網絡擬合函數： Xg - f (Χι，X2，…，Xg-i)， 式中，g為輸入數據個數。 以g個數據為一個樣本，前g-ι個數據[Xl，χ2，…，XgJ T作為網絡的輸入數據，第g個 數據Xg為網絡的輸出數據，選取β個輸入向量和目標向量分別訓練粒子群小波網絡，得到 隨機誤差模型，利用隨機誤差模型補償MEMS陀螺儀的隨機誤差。
【文檔編號】G01C21/00GK104101344SQ201410330718
【公開日】2014年10月15日 申請日期:2014年7月11日 優先權日:2014年7月11日
【發明者】徐定杰, 蘭曉明, 沈鋒, 王璐, 何爽, 韓浩, 張金麗, 劉向鋒, 周陽 申請人:哈爾濱工程大學