[发明专利]基于粒子群小波网络的MEMS陀螺随机误差补偿方法

说明书

技术领域

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。

背景技术

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MIMU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。

粒子群算法(Particle Swarm Optimization，PSO)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。

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。

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PSO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

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。

本发明的目的是这样实现的：

(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；

(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：

w(τ)＝[ω_iq,ω_qp,a_q,b_q]  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p_b＝w，并记全局最优位置p_g＝maxp_b；

(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pbest^λ：