[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

说明书

本发明公开了一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法，包括以下步骤；1)获取MEMS陀螺仪原始输出数据；2)数据预处理；3)构建降噪模型，基于Keras框架构造建LSTM神经网络模型；4)降噪处理，用训练集数据训练神经网络模型，并保存模型，测试集数据作为训练后模型的输入进行预测处理；5)降噪结果评估，通过降噪评估指标均方误差进行评估。该方法采用LSTM神经网络模型的记忆功能特点，更容易获取陀螺仪输出数据序列的潜在规律，对MEMS陀螺仪原始输出信号降噪的效果显著。

技术领域

本发明属于数字信号处理领域，涉及MEMS陀螺仪输出信号降噪，特别涉及一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法。

背景技术

目前，MEMS陀螺仪输出数据降噪方法有硬件设计和软件编程，软件设计主要进行建立模型，通过合适的滤波器对误差进行修正，优势在于成本低，周期短，而且性能提升的空间较大。常用的建模方法有：

1、利用滑动自回归建模方法，是基于时间序列分析建立滑动自回归模型，但滑动自回归模型的阶数太高就无法精确描述随机漂移误差。

2、基于小波分析的建模方法，小波变换能根据信号频率进行不同分辨率分析，然而小波基函数选取不合理就无法精确建模。

3、根据MEMS陀螺仪数据手册建模方法，建模精确度高但不适用于所有MEMS陀螺仪。

4、卡尔曼滤波器因其解算速度快，实时性好而成为常用的MEMS陀螺仪降噪算法，但模型不合理会造成滤波器发散，对外界输入的适应能力差。

而MEMS陀螺仪的随机漂移误差会随着外界环境的变化而变化，且没有明确的规律，难以对其建立准确的误差模型。因此，MEMS陀螺仪输出数据随机误差的辨识与降噪方法研究是本领域技术人员关注的课题之一。

发明内容

针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种基于LSTM神经网络的MEMS陀螺仪原始输出信号降噪方法。

为了实现上述任务，本发明采取如下的技术解决方案：

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；

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。