[发明专利]一种基于深度学习的三轴磁电子罗盘误差补偿方法

摘要

一种基于深度学习的三轴磁电子罗盘误差补偿方法，对隐式误差模型进行训练，以补偿磁罗盘测量存在的非线性误差，提高磁罗盘定向精度；误差模型训练包括两个阶段第一阶段为预训练；第二阶段是反向微调，使用反向传播算法对网络所有层进行微调，减小模型训练误差；磁罗盘标定和补偿的过程就是利用深度学习算法训练得到的非线性误差模型，把畸变后的测量磁场逆变回真实磁场值，从而减小航向角计算误差；针对磁罗盘非线性误差提出的基于深度学习的误差训练方法，相比传统神经网络随机初始化而言，各层权重会位于参数空间较好的位置，有利于提高算法收敛性和模型训练精度，实现磁罗盘高精度定向。

主权项

一种基于深度学习的三轴磁电子罗盘误差补偿方法，其特征在于：本方法一种基于深度学习的三轴磁强计误差补偿算法，隐式误差模型对隐式误差模型进行训练，以补偿磁电子罗盘测量存在的非线性误差，提高磁电子罗盘定向精度；误差模型的输入为7维向量其中分别表示磁电子罗盘坐标系下地磁场在x,y,z轴的分量，分别表示磁电子罗盘坐标系下重力场在x,y,z轴的分量，tmp代表温度；输出为实际航向角采用目前研究和应用最广的深度置信网络DBN构建多隐层；最后一层采用BP网络，接收来自RBM的输出特征向量，并作为BP网络的输入特征向量；航向角测量值和实际航向角之间存在非线性的函数关系∂=f(∂^)+β---(1)]]>其中β为磁偏角，f(·)表示航向角测量值和实际航向角之间的非线性函数映射关系；深度学习算法的目的就是训练误差模型更好的表达这种非线性函数关系；误差模型训练误差模型训练包括两个阶段；第一阶段为预训练，首先采用对比散度算法对RBM进行逐层训练；在每一步中，把已训练好的前L‑1层固定，然后增加第L层；最后用各层单独训练的权重初始化全部的深度网络权重；第二阶段是反向微调，首先利用光电编码器提供较精确的航向角参考，作为训练数据的标注；然后使用反向传播算法对网络所有层进行微调，减小模型训练误差；误差补偿磁电子罗盘标定和补偿的过程就是利用深度学习算法训练得到的非线性误差模型，把畸变后的测量磁场逆变回真实磁场值，从而减小航向角计算误差；a(1)=Xa(L)=g(w(L-1)a(L-1)+b(L-1))∂~=g(w(L)a(L)+b(L))---(2)]]>其中是补偿后的磁电子罗盘航向角，为激活函数，X为输入向量，w(L)表示第L层与第L+1层各单元间的连接参数向量，a(L)表示第L层各单元的激活值，b(L)表示附加到L+1层各单元的偏置项。