[发明专利]基于粒子群小波网络的MEMS陀螺随机误差补偿方法

摘要

本发明涉及组合导航中MEMS微机械陀螺的随机误差建模与补偿领域，具体涉及一种基于粒子群小波网络的MEMS陀螺随机误差补偿方法。本发明包括：连续采样得到MEMS陀螺的输出数据，对输出数据进行预处理；对处理后的输出数据进行去噪处理，获得噪声干扰更小的随机误差，利用小波包分析方法对随机误差去噪处理；构建粒子群小波网络模型，利用粒子群算法优化小波网络；初始化设置网络：确定网络的输入节点数，输出节点数，隐含层节点数，利用随机误差样本数据训练网络，并保存网络，利用网络预测值对MEMS陀螺仪随机误差补偿。本发明对MEMS陀螺的输出信号进行去噪处理，减少噪声的影响，保证预测的准确性。

主权项

基于粒子群小波网络的MEMS陀螺随机误差补偿方法，其特征在于：(1)连续采样得到MEMS陀螺的输出数据，对输出数据进行预处理：采样周期为10ms，进行20min采样，得到MEMS陀螺漂移原始测量信号，将MEMS陀螺漂移原始测量信号的常值漂移去除，对MEMS陀螺仪的静态漂移数据求均值，在观测数据中将均值减去，得到陀螺仪的随机误差；(2)对处理后的输出数据进行去噪处理，获得噪声干扰更小的随机误差，利用小波包分析方法对随机误差去噪处理：(2.1)对随机误差进行小波包分解，确定分解层次与小波基,；(2.2)计算最佳树，确定最佳小波基函数，给定熵标准，计算最佳树；(2.3)小波包分解后得到的系数进行阈值量化，然后进行去噪处理；(2.4)对分解后的随机误差进行小波包重构；(3)构建粒子群小波网络模型，利用粒子群算法优化小波网络：将网络参数与粒子群算法中粒子的位置来对应，每个粒子的位置向量变为：w(τ)＝[ω_iq,ω_qp,a_q,b_q] τ＝1,2,…；q为隐含层神经元个数,(3.1)初始化，确定粒子个数τ，初始化粒子，设置粒子初始位置w和初始速度v，设置最大迭代次数和终止条件；设置粒子当前最优位置为p_b＝w，并记全局最优位置p_g＝maxp_b；(3.2)给定小波网络训练样本，训练网络：利用粒子群算法更新粒子的位置p和速度v，记录粒子的历史最优位置pbest^λ：$v_{\mathrm{\τd}}^{\mathrm{\λ}+1}=\mathrm{\α}*v_{\mathrm{\τd}}^{\mathrm{\λ}}+c_1*\mathrm{rand}\left(\right)*({\mathrm{pbest}}^{\mathrm{\λ}}-x_{\mathrm{\τd}}^{\mathrm{\λ}})+c_2*\mathrm{rand}\left(\right)*(p_g{\mathrm{best}}^{\mathrm{\λ}}-x_{\mathrm{\τd}}^{\mathrm{\λ}}),$$w_{\mathrm{\τd}}^{\mathrm{\λ}+1}=w_{\mathrm{\τt}}^{\mathrm{\λ}}+v_{\mathrm{\τd}}^{\mathrm{\λ}+1},$其中c₁和c₂为加速因子，λ为当前迭代次数，d为粒子维数，rand()为[0,1]范围内的随机数，α为惯性权值，pbest为粒子最佳位置；(3.3)根据粒子位置w和训练样本，计算隐层、输出层的实际输入、输出及误差E＝E(N)；(3.4)根据训练误差E(N)计算每个粒子的适应度f的值，更新p_b和p_g的值：$f=\frac{1}{1+E\left(N\right)},$$E\left(N\right)=\frac{1}{N}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}{(D_p-Y_p)}^2,$其中N为训练样本数，D_p为第p个输出节点的理想输出值，Y_p为第p个输出节点的实际输出值；(3.5)更新粒子的位置w和速度v，如果速度越出边界，则调整速度为算法最大值；(3.6)当误差达到设定值或达到最大迭代次数时，结束学习过程；否则，令N＝N+1，减小α值，返回步骤(3)继续迭代，直到满足要求为止；(3.7)将最终得到的全局最优值包括权值和阈值带入小波网络，计算网络输出；利用消噪后的MEMS陀螺仪随机误差作为网络的数据样本，构建网络模型；(4)初始化设置网络：确定网络的输入节点数，输出节点数，隐含层节点数，利用随机误差样本数据训练网络，并保存网络，利用网络预测值对MEMS陀螺仪随机误差补偿：利用粒子群小波网络拟合函数：x_g＝f(x₁,x₂,…,x_g‑1),式中，g为输入数据个数。以g个数据为一个样本，前g‑1个数据[x₁,x₂,…,x_g‑1]^T作为网络的输入数据，第g个数据x_g为网络的输出数据，选取β个输入向量和目标向量分别训练粒子群小波网络，得到随机误差模型，利用随机误差模型补偿MEMS陀螺仪的随机误差。