[发明专利]应用改进动态递归网络的MEMS陀螺随机漂移建模方法

说明书

本发明公开了一种利用改进动态递归网络对MEMS陀螺的随机漂移进行建模的方法，该方法引入去噪算法将MEMS陀螺输出中的高频白噪声和低频随机漂移进行分离，采用改进动态递归网络对去噪处理后的随机漂移进行训练，建立非平稳漂移序列过去与当前时刻之间的模型关系，增加输出层节点反馈以改进网络结构，实现对陀螺随机漂移变化趋势的实时预测，有效提升了MEMS惯导系统的精度。

技术领域

本发明涉及惯性导航技术领域，更具体的说是涉及一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法。

背景技术

目前，作为惯性导航领域的重要分支，基于微机电系统(MEMS)的惯性导航系统具有体积小、成本低、易于安装、重量轻、高可靠性和耐冲击性等优点，在普通民用和战略军用导航等领域具有广阔的应用前景。然而，受制造工艺和使用环境的影响，MEMS惯性器件与传统惯性器件相比精度较低，其中，MEMS陀螺较低的信噪比成为制约MEMS惯导系统精度提升的主要因素之一。MEMS陀螺误差主要分为确定性误差和随机漂移两部分，确定性误差参数可通过标定实验获得，建立精确的数学模型加以补偿；随机漂移是非平稳、无规律的慢时变信号，难以获取其真实模型。作为MEMS陀螺的重要误差源，随机漂移的建模补偿方法的研究对于MEMS惯导系统精度提升尤为重要。现有的随机漂移建模补偿方法中，在对陀螺随机漂移建模时一般会采用时间序列分析、小波理论和神经网络等方法，且常用的随机漂移模型是基于平稳时间序列分析的ARMA模型。

但是，ARMA模型难以完整描述陀螺漂移的时变和非线性特性，基于平稳时间序列的建模方法必然会导致模型的不准确性。因此，寻求基于非平稳时间序列的建模方法成为提升陀螺漂移建模精度的重要研究方向。

作为常用的智能优化方法之一，神经网络具有独特的自适应学习、非线性变换以及并行信息处理能力等特征，在模式识别、信号处理、系统辨识等领域都具有广泛的应用前景，神经网络以其突出优势为非线性建模提供了一种有效途径，也在陀螺的随机漂移建模中得到广泛关注。目前，反向传播网络(BP)、径向基神经网络(RBF)、支持向量机(SVM)等算法被广泛应用于陀螺的随机漂移建模中，但存在易陷入局部最优解、收敛速度慢及过拟合等局限性。

因此，如何提供一种可有效提升MEMS惯导系统精度的MEMS陀螺随机漂移建模方法成为本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，该方法引入去噪算法将MEMS陀螺输出中的高频白噪声和低频随机漂移进行分离，采用改进动态递归网络神经网络对去噪处理后的随机漂移进行训练，建立非平稳漂移序列过去与当前时刻之间的模型关系，增加输出层节点反馈以改进网络结构，实现对陀螺随机漂移变化趋势的实时预测，有效提升了MEMS惯导系统的精度。

为了实现上述目的，本发明采用如下技术方案：

一种应用改进动态递归网络的MEMS陀螺随机漂移建模方法，该方法包括以下步骤：

建立MEMS陀螺的输出误差模型，分析影响陀螺输出的主要误差源，得到高频白噪声和低频随机漂移这两个主要误差源；

采集MEMS陀螺静态输出数据，采用去噪算法分离高频白噪声和低频随机漂移，提取陀螺输出信号中的随机漂移；

将提取出的随机漂移作为训练数据输入改进动态递归网络，大量训练改进动态递归网络，获得最优网络模型；

将未训练的测试数据输入最优网络模型，获得MEMS陀螺的随机漂移预测输出，完成对MEMS陀螺随机漂移的动态建模。

在上述方案的基础上，对本发明提供的方案做具体解释说明。

进一步地，所述MEMS陀螺的输出误差模型为：