[发明专利]一种MEMS陀螺仪随机漂移误差的处理方法

说明书

技术领域

本发明属于惯性技术领域，特别涉及一种陀螺仪随机漂移误差的处理方法。

背景技术

近年来，微电子机械系统（MEMS）陀螺作为惯性领域一个十分重要的分支，获得了长足的发展。由于它的成本低、尺寸小、重量轻和可靠性高的特性，在低成本惯性系统中得到了越来越广泛的应用。但是，目前MEMS陀螺仪性能还比较低，如何降低MEMS陀螺仪的漂移误差，尤其是其中的随机漂移误差，成为了提高MEMS陀螺仪精度的关键。为了提高MEMS陀螺仪的精度，一方面是不断提高MEMS陀螺仪的器件精度，但是由于受到制造工艺的限制，短期内快速提高器件精度是很难实现的；另一方面就是建立合理的随机漂移误差处理模型，实时抑制MEMS陀螺仪的随机漂移误差。现有MEMS陀螺仪的随机漂移误差处理基本思路是：首先建立误差模型，然后采用一定的滤波技术对其进行估计和补偿。但该思路存在以下几个问题：1.因为MEMS陀螺仪的随机漂移误差的随机特性，很难建立合理的误差模型；2.采用滤波技术，计算量比较大，使用MEMS陀螺仪时的实时性会受到限制。

发明内容

为了克服现有技术的不足，本发明提供一种MEMS陀螺仪随机漂移误差的处理方法，采用实时均值法来抑制MEMS陀螺仪的随机漂移误差，利用基于遗传算法优化的RBF神经网络控制实时均值法的计算的步长，计算量小，可便捷实现MEMS陀螺仪实时的随机漂移误差抑制。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：设置RBF神经网络为单输入单输出，输入量为x＝[Δw]，Δw为MEMS陀螺仪角速度变化量，输出量为y＝[Y_step]，Y_step为实时均值法的计算步长，径向基向量h＝[h₁ h₂…h_j…h_n]^T，其中h_j为高斯基函数，n为隐含层单元数，

hj=exp(-||x-mj||22σj2),j=1,2···n]]>

式中，x是RBF神经网络的输入量，m_j和σ_j²分别是RBF神经网络的第j个隐含层单元高斯基函数的中心和方差；

RBF神经网络的权向量W＝[w₁,w₂,…,w_n]^T，

则RBF神经网络的输出y＝[Y_step]＝W^Th；得到1-n-1的RBF神经网络初始模型，其中高斯基函数的中心m_j、方差σ_j²和权向量W的初始值由步骤3中对初始种群解码后数据确定；

步骤2：将MEMS陀螺仪固定在单轴速率转台上，然后在范围内，等间隔分别给单轴速率转台输入k个角加速度，在给单轴速率转台输入每一个角加速度的同时采集MEMS陀螺仪输出的角速度和转台输出的角速度，得到k组训练样本；其中是MEMS陀螺仪可以量测的最大角加速度，所述的等间隔k为采集数据的组数，20≤k≤50；

步骤3：用步骤2得到的训练样本对步骤1得到的RBF神经网络初始模型进行训练，并采用遗传算法对RBF神经网络的高斯基函数的中心、方差和隐含层到输出层的连接权值进行优化，最后得到最优的RBF神经网络，具体包括以下步骤：