[发明专利]一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法

权利要求书

1.一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法，其特征在于，按以下步骤实施：

步骤1)，获取MEMS陀螺仪原始输出数据

首先搭建主要由MEMS陀螺仪模块、上位机软件、计算机、供电电源组成的MEMS陀螺仪数据采集系统，该系统通过串口通信的方式将采集的数据信息上传到上位机，上位机软件获取MEMS陀螺仪数据主要通过RS-422串口通信协议，它采用平衡传输采用单向/非可逆，有使能端或没有使能端的传输线；MEMS陀螺仪模块通过RS-422串口通信协议转USB接口与计算机USB接口连接，上位机软件通过控制计算机的操作系统调用接口进行采集MEMS陀螺仪原始输出数据；

步骤2)，数据预处理

读取步骤1)获取的陀螺仪输出样本数据，进行样本数据格式变换，采用最大最小归一化方法对陀螺仪数据进行归一化处理，将样本数据映射到[0，1]之间，并进一步将样本数据集按7∶3的比例划分出训练集数据与测试集数据；

步骤3)：建立降噪模型

基于Keras框架构造LSTM神经网络模型，包括1层LSTM和3层Dense层，设置LSTM神经网络模型的结构以及模型参数公式；

步骤4)：降噪处理

将训练集数据通过LSTM神经网络模型进行模型训练，通过损失函数进行参数调整直到模型收敛，并保存模型；以测试集数据作为模型的输入进行降噪处理；

步骤5)：降噪结果评估

通过降噪评估指标均方误差和降噪结果对比图进行评估。

2.如权利要求1所述的法，其特征在于，步骤2)中所述对陀螺仪输出样本数据，进行样本数据格式变换的过程为；从统计的角度入手，将陀螺仪的随机误差处理为一组有序的时间序列的随机变量，将陀螺仪数据降噪问题转变为时间序列数据预测。

3.如权利要求1所述的方法，其特征在于，步骤3)中所述的模型参数公式包括：

遗忘门f_t＝σ(W_f[x_t，h_t-1]+b_f)，其中f_t∈[0，1]表示t时刻的节点对t-1时刻细胞记忆的选择权重，b_f为遗忘门的偏置项，h_t-1表示t-1节点的隐层状态信息，非线性函数

输入门i_t＝σ(W_i[x_t，h_t-1]+b_i)，其中i_t∈[0，1]表示t时刻的节点对当前节点信息的选择权重，b_i为输入门的偏置项，非线性函数

当前节点输入信息其中为偏置项；

输出记忆信息C_t＝f_t·C_t-1+i_t·C_in，其中C_t-1表示t-1节点的记忆信息；

输出门o_t＝σ(W_o[x_t，h_t-1]+b_o)，其中o_t∈[0，1]表示t时刻的节点细胞记忆信息的选择权重，b_o为输出门的偏置项；

t时刻的隐层状态h_t＝o_t·tanh(C_t)；

x_t表示t时刻LSTM神经网络节点的输入向量，h_t表示t时刻LSTM神经网络节点的隐层状态信息；tanh为双曲正切激活函数；W_f为遗忘门的权重矩阵，W_i为输入门的权重矩阵，W_o表示待更新信息的权重矩阵。