基于粒子群小波网络的mems陀螺随机误差补偿方法
【专利摘要】本发明涉及组合导航中MEMS微机械陀螺的随机误差建模与补偿领域，具体涉及一种基于粒子群小波网络的MEMS陀螺随机误差补偿方法。本发明包括：连续采样得到MEMS陀螺的输出数据，对输出数据进行预处理；对处理后的输出数据进行去噪处理，获得噪声干扰更小的随机误差，利用小波包分析方法对随机误差去噪处理；构建粒子群小波网络模型，利用粒子群算法优化小波网络；初始化设置网络：确定网络的输入节点数，输出节点数，隐含层节点数，利用随机误差样本数据训练网络，并保存网络，利用网络预测值对MEMS陀螺仪随机误差补偿。本发明对MEMS陀螺的输出信号进行去噪处理，减少噪声的影响，保证预测的准确性。
【专利说明】
【技术领域】
[0001] 本发明涉及组合导航中MEMS微机械陀螺的随机误差建模与补偿领域，具体涉及 一种基于粒子群小波网络的MEMS陀螺随机误差补偿方法。 基于粒子群小波网络的MEMS陀螺随机误差补偿方法
【背景技术】
[0002] MEMS (Micro Electro Mechanical System，MEMS)陀螺仪由于其体积小、质量轻、 易于集成化、功耗低等特点，使其在低精度导航系统领域得到了广泛的应用。陀螺仪随机误 差是影响MEMS陀螺精度的主要原因，也是惯导系统的主要误差来源，通过对MEMS陀螺的误 差分析、建模与补偿可以有效的提高MMU的精度。因此对MEMS陀螺的误差分析、建模与补 偿研究是提高导航系统定位精度的一个新方向，对导航系统定位具有重要意义。
[0003] 粒子群算法（Particle Swarm Optimization, PS0)是一种基于叠代的优化工具， 采用"群体"与"进化"的概念，依据粒子的适应度值大小进行搜寻最优值。每个粒子代表 一个潜在解并对应一个适应度值，粒子移动的方向和距离根据粒子的速度确定，其速度随 自身和其他粒子的移动经验进行动态调整，实现个体在解空间的寻优。由于粒子群算法容 易理解、易于实现，目前已被广泛应用于函数优化、系统控制、神经网络训练等领域。
[0004] 小波网络是小波分析理论与神经网络相结合的产物，它兼容了小波分析与人工神 经网络的优点。充分利用了小波变换的时频局部化特性和神经网络的自学习能力，具有较 强的逼近与容错能力、建模能力强。但由于小波网络模型存在易陷入局部极小或不收敛等 问题，而小波网络的学习过程主要是权值和阈值的调整过程，粒子群算法依据微粒的适应 值大小进行操作，因此可以利用粒子群算法优化小波网络的各连接权值和各阈值，解决小 波网络易陷入局部极小和不收敛等问题，使网络模型达到最佳。
[0005] 传统的陀螺仪随机误差建模方法有Allan方差分析法和ARMA时间序列分析法。两 种方法都可以对MEMS陀螺仪的随机误差建立模型，但所建的模型精度较低且易受影响，不 能很好的应用于实际陀螺仪随机误差的补偿中。但是基于PS0的小波网络可以对陀螺仪随 机误差预测且精度较高，将此预测值用于随机误差补偿中，有效减小了随机误差，提高陀螺 仪精度。
【发明内容】
[0006] 本发明的目的在于提出一种可以有效对MEMS陀螺随机误差补偿的方法。
[0007] 本发明的目的是这样实现的：
[0008] (1)连续采样得到MEMS陀螺的输出数据，对输出数据进行预处理：
[0009] 采样周期为10ms，进行20min采样，得到MEMS陀螺漂移原始测量信号，将MEMS陀 螺漂移原始测量信号的常值漂移去除，对MEMS陀螺仪的静态漂移数据求均值，在观测数据 中将均值减去，得到陀螺仪的随机误差；
[0010] (2)对处理后的输出数据进行去噪处理，获得噪声干扰更小的随机误差，利用小波 包分析方法对随机误差去噪处理：
[0011] (2. 1)对随机误差进行小波包分解，确定分解层次与小波基，；
[0012] (2. 2)计算最佳树，确定最佳小波基函数，给定熵标准，计算最佳树；
[0013] (2. 3)小波包分解后得到的系数进行阈值量化，然后进行去噪处理；
[0014] (2. 4)对分解后的随机误差进行小波包重构；
[0015] (3)构建粒子群小波网络模型，利用粒子群算法优化小波网络：
[0016] 将网络参数与粒子群算法中粒子的位置来对应，每个粒子的位置向量变为：
[0017] w ( τ ) = [ ω iq, ω qp, aq, bq] τ = 1, 2,…；q 为隐含层神经元个数，
[0018] (3. 1)初始化，确定粒子个数τ，初始化粒子，设置粒子初始位置w和初始速度V， 设置最大迭代次数和终止条件；设置粒子当前最优位置为P b = ?，并记全局最优位置Pg = maxpb ；
[0019] (3. 2)给定小波网络训练样本，训练网络：利用粒子群算法更新粒子的位置p和速 度v,记录粒子的历史最优位置pbestA :
[0020]
【权利要求】
1.基于粒子群小波网络的MEMS陀螺随机误差补偿方法，其特征在于： (1) 连续采样得到MEMS陀螺的输出数据，对输出数据进行预处理： 采样周期为l〇ms，进行20min采样，得到MEMS陀螺漂移原始测量信号，将MEMS陀螺漂 移原始测量信号的常值漂移去除，对MEMS陀螺仪的静态漂移数据求均值，在观测数据中将 均值减去，得到陀螺仪的随机误差； (2) 对处理后的输出数据进行去噪处理，获得噪声干扰更小的随机误差，利用小波包分 析方法对随机误差去噪处理： (2. 1)对随机误差进行小波包分解，确定分解层次与小波基，； (2. 2)计算最佳树，确定最佳小波基函数，给定熵标准，计算最佳树； (2. 3)小波包分解后得到的系数进行阈值量化，然后进行去噪处理； (2.4)对分解后的随机误差进行小波包重构； (3) 构建粒子群小波网络模型，利用粒子群算法优化小波网络： 将网络参数与粒子群算法中粒子的位置来对应，每个粒子的位置向量变为： ￥(τ) = [ω?(?，ω(?ρ?] τ =1,2,…；q为隐含层神经元个数， (3. 1)初始化，确定粒子个数τ，初始化粒子，设置粒子初始位置w和初始速度V，设 置最大迭代次数和终止条件；设置粒子当前最优位置为pb = ?，并记全局最优位置pg = maxpb ； (3. 2)给定小波网络训练样本，训练网络：利用粒子群算法更新粒子的位置p和速度v， 记录粒子的历史最优位置pbestA : vv；/ =a*vy\ +￡· ^randQ-^pbest -x'^ + c-, * rand()*( 其中Ci和c2为加速因子，λ为当前迭代次数，d为粒子维数，rand()为[0, 1]范围内 的随机数，α为惯性权值，pbest为粒子最佳位置； (3.3)根据粒子位置w和训练样本，计算隐层、输出层的实际输入、输出及误差E = E(N)； (3. 4)根据训练误差E (N)计算每个粒子的适应度f的值，更新pb和pg的值：
其中N为训练样本数，Dp为第p个输出节点的理想输出值，Yp为第p个输出节点的实 际输出值； (3. 5)更新粒子的位置w和速度V，如果速度越出边界，则调整速度为算法最大值； (3. 6)当误差达到设定值或达到最大迭代次数时，结束学习过程；否则，令N = Ν+1，减 小α值，返回步骤（3)继续迭代，直到满足要求为止； (3.7)将最终得到的全局最优值包括权值和阈值带入小波网络，计算网络输出； 利用消噪后的MEMS陀螺仪随机误差作为网络的数据样本，构建网络模型； (4)初始化设置网络：确定网络的输入节点数，输出节点数，隐含层节点数，利用随机 误差样本数据训练网络，并保存网络，利用网络预测值对MEMS陀螺仪随机误差补偿： 利用粒子群小波网络拟合函数： Xg - f (Χι，X2，…，Xg-i)， 式中，g为输入数据个数。 以g个数据为一个样本，前g-ι个数据[Xl，χ2，…，XgJ T作为网络的输入数据，第g个 数据Xg为网络的输出数据，选取β个输入向量和目标向量分别训练粒子群小波网络，得到 随机误差模型，利用随机误差模型补偿MEMS陀螺仪的随机误差。
【文档编号】G01C21/00GK104101344SQ201410330718
【公开日】2014年10月15日 申请日期:2014年7月11日 优先权日:2014年7月11日
【发明者】徐定杰, 兰晓明, 沈锋, 王璐, 何爽, 韩浩, 张金丽, 刘向锋, 周阳 申请人:哈尔滨工程大学