[發明專利]基于小波多尺度分析的MEMS陀螺隨機誤差補償方法

有效

• 申請號: 201410525603.3
• 申請日: 2014-10-09
• 公開（公告）號: CN104251712B
• 公開（公告）日: 2017-10-31
• 發明（設計）人: 徐定杰;蘭曉明;沈鋒;王璐;何爽;侯艷雪;遲曉彤;桑靖;李偉東
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01C25/00
• 分類號: G01C25/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于小波多尺度分析的MEMS陀螺隨機誤差補償方法，其特征在于，包括以下步驟：

步驟1：采集MEMS陀螺的靜態輸出數據，并對輸出數據進行預處理，去除輸出數據中的陀螺常值漂移；

步驟2：對預處理后的輸出數據展開小波多尺度分析，首先對輸出數據進行多尺度小波分解，再對小波分解后得到的低頻和高頻系數進行量化處理，然后分別進行重構，得到重構后的低頻系數和高頻系數，進而分離出有色噪聲和測量噪聲；

步驟3：分別利用步驟2中分離出的有色噪聲和測量噪聲對粒子群小波網絡進行訓練，分別建立有色噪聲和測量噪聲的小波網絡模型，并利用增加動量項方法修正網絡參數，訓練結束后保持網絡；

增加動量項的權值和參數修正方法流程如下：

計算網絡預測誤差e，其表達式為：

e=Σp=1m(d(p)-y(p))]]>

式中，m為輸出層節點數，p＝1,2,3,…m，d(p)為期望輸出；y(p)為小波網絡預測輸出；

根據預測誤差e修正小波網絡權值和小波基函數參數

ω_iq(z+1)＝ω_iq(z)+Δω_iq(z+1)+ρ*(ω_iq(z)-ω_iq(z-1))

ω_qp(z+1)＝ω_qp(z)+Δω_qp(z+1)+ρ*(ω_qp(z)-ω_qp(z-1))

a_q(z+1)＝a_q(z)+Δa_q(z+1)+ρ*(a_q(z)-a_q(z-1))

b_q(z+1)＝b_q(z)+Δb_q(z+1)+ρ*(b_q(z)-b_q(z-1))

式中，ω_iq為輸入層和隱含層的連接權值，b_q為小波基函數h的平移因子，a_q為小波基函數h的伸縮因子，ω_qp為隱含層到輸出層權值，ρ為動量項學習速率，z為迭代次數；Δω_iq(z+1)，Δω_qp(z+1)，Δa_q(z+1)，Δb_q(z+1)均根據網絡預測誤差計算得到：

Δωiq(z+1)=-η∂e∂ωiq(z)]]>

Δωqp(z+1)=-η∂e∂ωqp(z)]]>

Δaq(z+1)=-η∂e∂aq(z)]]>

Δbq(z+1)=-η∂e∂bq(z)]]>

式中，η為學習率；

對有色噪聲建立小波網絡的模型，其表達式為：

x_g＝f(x₁,x₂,…,x_g-1)

式中，x_g為網絡的輸出數據，g為輸入數據個數；[x₁,x₂,…,x_g]為重構后的低頻系數，作為網絡的輸入數據；f()為小波擬合函數；

對測量噪聲建立小波網絡模型，其表達式為：

ε_w＝f(D₁',D'₂,…,D'_j)

式中，ε_w為測量噪聲，j為小波分解尺度，[D₁',D'₂,…,D'_j]為重構后的高頻系數；

步驟4：將步驟3中得到的有色噪聲的小波網絡模型和測量噪聲的小波網絡模型進行組合，得到MEMS陀螺的隨機誤差模型，最終利用該隨機誤差模型去估計并補償MEMS陀螺的隨機誤差。