[发明专利]遗传小波神经网络的陀螺随机误差补偿方法及系统

说明书

本发明提供了一种遗传小波神经网络的陀螺随机误差补偿方法及系统，该方法包括：确定小波神经网络的输入量和输出量；通过梯度修正法训练小波神经网络的权值和小波基函数系数；通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；根据基于遗传算法与小波神经网络的陀螺随机误差模型对陀螺随机误差进行补偿。本发明的方法及系统，通过结合遗传算法的全局性寻优特点可以弥补小波函数的局部分析特性，将两者进行统一，进而得到具有全局寻优并兼顾局部寻优特点，从而可以有效的对陀螺随机误差进行预测并补偿，从而达到消除误差的目的。

技术领域

本发明涉及惯性技术领域，尤其涉及一种遗传小波神经网络的陀螺随机误差补偿方法及系统。

背景技术

微惯性测量单元是一种对六维惯性参量进行集成的惯性测量组合器件，其采用MEMS传感器(Microelectro Mechanical Systems，微机电系统)的设计方法和加工工艺，能够同时检测多轴加速度值与角速度值，因此器件的体积和质量都更加轻便，在各个领域中得到了广泛应用。导航系统和航姿系统的有效性主要取决于微机电系统-惯性测量单元(microelectro mechanical system-inertial measurement unit,MEMS-IMU)的精度，然而由于MEMS惯性器件自身结构和加工工艺的局限性，其输出存在信噪比低的弊端，导致导航精度低。MEMS惯性器件的随机漂移误差主要由随机性的干扰力矩产生，通常包括角度随机游走、量化噪声、零偏不稳定性等误差项。因此，对MEMS惯性器件的随机误差进行有效补偿对提高其精度、扩展MEMS惯导系统的应用范围具有十分重要的意义。

小波神经网络(Wavelet Neural Network，WNN)是将小波变换和神经网络理论结合起来的一种神经网络，其思想是用小波函数作为网络中隐含层的激励函数，这样得到的网络具有更多的自由度和更灵活有效的函数逼近能力和较强的容错能力。利用小波函数作为网络中隐含层的激励函数，使得小波变换在时频域内既可对信号局部特征进行描述又兼顾神经网络所具有的自主学习和自适应等优点。小波分析理论是傅里叶分析方法的的发展与延拓，经过小波平移和伸缩变换处理，可实现在时频域内同时对信号进行局部特征分析。人工神经网络(Artificial Neural Network，ANN)是从数学、物理方法及信息处理的角度对人类神经网络进行抽象而建立的简化模型，具有大规模并行处理能力、分布式存储能力、自适应能力等特征。神经网络具备对非线性问题的最优逼近优点，相比于传统方法，更适合最优非线性建模。因此，它在模式识别、信号处理、预测估计、自动控制等领域有着广泛的应用。小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络，其拓扑结构如图1所示。遗传算法(Genetic Algorithm，GA)是一种自适应全局优化概率搜索算法，可以直接对结构对象进行操作，具有内在隐并行性和更好的全局寻优能力。遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，非常适用于处理传统搜索算法难以解决的复杂和非线性优化问题。它是一种并行随机搜索最优化方法，不需了解问题的具体信息，可以对特定目标自动优化，不受搜索空间的限制。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的遗传小波神经网络的陀螺随机误差补偿方法及系统，解决MEMS陀螺随机误差具有非确定性、时变性，以及难以采用精确数学模型进行补偿的问题。

根据本发明的一方面，提供了一种遗传小波神经网络的陀螺随机误差补偿方法，包括：

确定小波神经网络的输入量和输出量；

通过梯度修正法训练小波神经网络的权值和小波基函数系数；

通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；