[发明专利]基于神经网络的九轴姿态传感器一体化智能误差补偿方法

权利要求书

1.一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，其特征在于，所述神经网络为BP神经网络，所述补偿方法包括以下步骤：

S1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种传感器误差补偿方法及结果；

采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空间对准和时间对准，将信号划分为神经网络的训练集和测试集；

S2：采用训练集训练BP神经网络，输入为低精度九轴姿态传感器输出测量值；输出为高精度九轴姿态传感器输出测量值；

S3：采用误差曲线最大值和平均值以及RMSE作为评价补偿效果指标；其中陀螺仪X轴RMSE为：

其中，指陀螺仪x轴误差补偿前后误差的RMSE指标，ω_x(i)和指陀螺仪第i次测量x轴输出的测量值和误差补偿得到的x轴输入估计值。

2.如权利要求1所述的方法，其特征在于，所述神经网络训练算法为levenbergmarquardt，损失函数为Mean Square Error。

3.如权利要求1或2所述的方法，其特征在于，所述神经网络的隐藏层层数、神经元节点数以及迭代次数根据训练集确定。

4.一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，其特征在于，所述神经网络为RBF神经网络；所述补偿方法包括以下步骤：

S1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种传感器误差补偿方法及结果；采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空间对准和时间对准，将信号划分为神经网络的训练集和测试集；

S2：采用训练集训练RBF神经网络，输入为低精度九轴传感器输出测量值，输出为九轴传感器输出测量值；

S3：采用误差曲线最大值和平均值以及RMSE作为评价补偿效果指标。

5.如权利要求3所述的方法，其特征在于，所述神经网络的分散度参数根据训练集不同进行调整。