[发明专利]一种基于神经网络算法的谐振陀螺温度补偿方法

权利要求书

1.一种基于神经网络算法的谐振陀螺温度补偿方法，其特征在于：包括以下步骤：

步骤1、对谐振陀螺进行温度试验，并对谐振陀螺输出进行采样；

步骤2、进行对比分析，基于多项式模型，使用最小二乘法对陀螺零偏-温度样本进行多项式拟合，建立零偏随温度变化的一阶多项式模型；

步骤3、将步骤1中录取的陀螺和温度数据带入步骤2计算得到零偏随温度变化的一阶多项式模型中，得到陀螺输出数据；

步骤4、将陀螺输出数据作为RBF神经网络模型的样本输入对网络参数进行训练，得到一组训练完成的网络，并基于RBF神经网络模型对谐振陀螺进行温度补偿。

2.根据权利要求1所述的一种基于神经网络算法的谐振陀螺温度补偿方法，其特征在于：所述步骤1的具体步骤包括：

(1)对谐振陀螺进行20-35℃的温度试验，试验时间20小时，对陀螺输出进行采样，采样频率为250Hz

(2)数据采集完成后，由于样本数量过多对陀螺数据和温度数据进行100秒的平均平滑处理，即每25000个采样点的数据取平均数作为该段时间的陀螺输出和温度。

3.根据权利要求1所述的一种基于神经网络算法的谐振陀螺温度补偿方法，其特征在于：所述步骤2的零偏随温度变化的一阶多项式模型具体为：

G₀＝k₀+k₁T+k₂T²+...+k_nTⁿ

式中：G₀为陀螺输出，T为环境温度，为通过最小二乘拟合确定的拟合系数。

4.根据权利要求1所述的一种基于神经网络算法的谐振陀螺温度补偿方法，其特征在于：所述步骤4的具体步骤包括：

(1)对神经网络参数进行初始化，并给定η,α的取值以及迭代终止精度ε的值；

(2)计算网络输出均方根误差RMS的值，若RMS≤ε，则训练结束，否则进入步骤(3)；

(3)进行权重、中心向量和基宽向量的迭代计算；

(4)返回步骤(2)。

5.根据权利要求4所述的一种基于神经网络算法的谐振陀螺温度补偿方法，其特征在于：所述步骤4第(1)步的具体步骤包括：

①确定网络输入向量X＝[x₁,x₂,...,x_n]^T；

②初始化隐含层各神经元中心矢量C_j＝[c_j1,c_j2,...,c_jm]^T，一般用K-means聚类方法求取；

③初始化隐含层到输出层权向量W＝[w₁,w₂,...,w_m]，可用最小二乘法拟合求取；

④基于以上得到RBF网络中心参数初始值为：

其中，p为隐含层神经元总个数，j＝1,2,...,p，maxi,mini分别是训练集中第i个特征所有输入信息的最大值和最小值；

⑤初始化网络的基宽向量B_j＝[b_j1,b_j2,...,b_jm]^T，宽度向量影响神经元对输入信息的作用范围，计算方法如下：

其中，b_f为调宽系数，取值应小于1，有利于提高RBF神经网络的局部响应能力。

6.根据权利要求4所述的一种基于神经网络算法的谐振陀螺温度补偿方法，其特征在于：所述步骤4第(2)步的计算公式为：

7.根据权利要求4所述的一种基于神经网络算法的谐振陀螺温度补偿方法，其特征在于：所述步骤4第(3)步的计算公式为：

其中，c_jm(t)是第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重；b_jm(t)和w_kj(t)为第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心矢量和基宽向量；η为学习因子；

E为RBF神经网络的评价函数：

其中，O_lk为第k个输出神经元在第l个输入样本时的期望输出值；Y_lk为第k个输出神经元在第l个输入样本时的网络输出值。