[发明专利]一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法

说明书

本发明公开了一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，用于对MEMS陀螺的随机误差进行预测，包括，对MEMS陀螺的原始输出数据进行确定性误差标定；将数据组分为训练数据组和测试数据组，确定输入数据和输出数据；构建小波神经网络与BFO算法的映射关系；设计小波神经网络并根据映射关系对其进行训练，获得MEMS陀螺的随机误差预测小波神经网络网络；保存小波神经网络网络并将其用于对MEMS陀螺进行预测。发明技术方案的方法，针对目前MEMS陀螺的随机误差预测收敛速度慢、容易产生局部动荡以及容易陷入极小值的情况，利用经细菌觅食优化算法(BFO)优化的小波神经网络对MEMS的随机误差进行预测，可以有效提高MEMS陀螺的随机误差预测精度。

技术领域

本发明属于陀螺误差校正领域，具体涉及一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法。

背景技术

近些年，随着微电子加工技术的发展，MEMS惯性传感器、特别是陀螺仪的精度已得到大幅提高，MEMS陀螺凭借其在体积、成本、功耗和抗冲击能力等方面的优势，利用MEMS陀螺的惯性导航技术有了广泛的应用场景，如无人机控制导航技术，机器人运动控制，具有动作识别的可穿戴设备等。基于MEMS陀螺的惯性系统己成为当今惯性技术领域的一个重要的研究热点。

然而低成本的MEMS陀螺虽然瞬态性能较好，但误差漂移会随着时间逐渐累积，对测量精度影响很大。MEMS陀螺误差的增大无疑会对整个设备的测量精度产生影响，尤其是在高度依赖MEMS的情况下，这种影响会直接导致测量设备的可靠性，如何提高MEMS陀螺的精度一直以来是研究人员们比较关注的一个重要问题。根据观察，MEMS陀螺的误差包括确定性误差和随机误差，即陀螺的漂移。对确定性误差，可以比较容易的用代数方程来表示，并通过标定补偿。而随机误差由于制造工艺及使用环境的影响，存在很大的不确定性，是影响其精度的一个重要原因。因此，对MEMS陀螺进行随机误差补偿是提高其精度的一个重要手段。

在现有的陀螺随机误差建模中，通常采用的是Allan方差和ARMA模型的建模方法。一般来说，在分析振荡器的相位和频率不稳定性，高稳定度振荡器的频率稳定度的时域表征时会采用Allan方差，但是这种方法仅适用于非平稳的随机信号。ARMA模型是研究时间序列的重要方法，由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成，其要求数据必须是平稳、线性的。针对这个问题，现有技术中CN103900610A公开了一种“基于灰色小波神经网络的MEMS陀螺随机误差预测方法”中，其中提出利用对非线性函数具有更强适应性的小波神经网络对MEMS陀螺的随机误差进行预测。其预测效果虽然比传统方法有所改进，但其学习算法存在收敛速度慢、易产生局部动荡以及易陷入局部极小值等问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，至少可以部分解决上述问题。本发明技术方案的方法，针对目前MEMS陀螺的随机误差预测收敛速度慢、容易产生局部动荡以及容易陷入极小值的情况，利用经细菌觅食优化算法(BFO)优化的小波神经网络对MEMS的随机误差进行预测，可以有效提高MEMS陀螺的随机误差预测精度。

为实现上述目的，按照本发明的一个方面，提供了一种基于BFO小波神经网络的MEMS陀螺随机误差预测方法，用于对MEMS陀螺的随机误差进行预测，其特征在于，包括，

S1采集MEMS陀螺的原始输出数据，对原始输出数据进行确定性误差标定，去除噪声数据，获得MEMS陀螺的输出数据集合；

S2将输出数据集合分为若干数据组，确定输入数据和目标输出数据，将数据组分为训练数据组和测试数据组，形成小波神经网络的训练数据；

S3对小波神经网络的输入层、隐含层和输出层数进行设置，确定小波神经网络的精度值要求，构建小波神经网络与BFO算法的映射关系；