[發明專利]陀螺儀零偏誤差補償方法

在審

• 申請號: 202111006218.4
• 申請日: 2021-08-30
• 公開（公告）號: CN113642249A
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 劉寧;宋一平;陳榮;蘇中;袁超杰;雷明;李羚;李擎
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G01C25/00;G06F119/08
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 張文華

1.一種陀螺儀零偏誤差補償方法，其特征在于，包括：

獲取當前時刻待檢測陀螺儀的外殼內部的第一溫度；

將所述第一溫度輸入至長短期記憶LSTM神經網絡模型進行分析，得到所述待檢測陀螺儀的零偏誤差值，其中，所述零偏誤差值為在第一溫度下所述待檢測陀螺儀的零偏值與標準零偏值的差值，所述標準零偏值為所述待檢測陀螺儀在預定溫度下輸入信號為零時的測量值；

將所述零偏誤差值與所述標準零偏值相加，得到目標補償值。

2.根據權利要求1所述的方法，其特征在于，所述陀螺儀放置在溫箱內，所述溫箱的溫度大于第一閾值且小于第二閾值，將所述第一溫度輸入至長短期記憶LSTM神經網絡模型之前，所述方法還包括：

檢測所述陀螺儀金屬外部的內部溫度，在所述陀螺儀金屬外部的內部溫度達到所述第一閾值后，間隔第一預定時長后，每間隔第二預定時長采集所述內部溫度的第一變化數據以及所述陀螺儀的第一輸出值；

在所述溫箱的溫度達到所述第二閾值后，間隔第三預定時長采集所述陀螺儀金屬外部的內部溫度的第二變化數據以及所述陀螺儀的第二輸出值；

將所述第一變化數據、所述第二變化、所述第一輸出值以及所述第二輸出值組成的數據集，確定為初始LSTM神經網絡模型的訓練集；

基于所述訓練集對所述初始LSTM神經網絡模型進行訓練得到所述LSTM神經網絡模型。

3.根據權利要求2所述的方法，其特征在于，在基于所述訓練集對所述初始LSTM神經網絡模型進行訓練得到所述LSTM神經網絡模型之后，所述方法還包括：

選取預設指標，其中，所述預設指標包括：命中率和均方誤差，其中，所述命中率用于指示誤差的絕對值小于預設數值的樣本數占總樣本數的比率，所述均方誤差用于指示所述誤差的平均值；

基于所述預設指標確定所述LSTM神經網絡模型的預測效果等級，其中，所述預測效果等級至少包括：合格與不合格。

4.根據權利要求3所述的方法，其特征在于，基于所述預設指標確定所述LSTM神經網絡模型的預測效果等級，包括：

在所述命中率大于預設命中率以及所述均方誤差小于預設均方誤差的情況下，確定所述LSTM神經網絡模型為合格；

基于所述合格的LSTM神經網絡模型對所述陀螺儀的零偏誤差值進行預測。

5.根據權利要求2所述的方法，其特征在于，基于所述訓練集對所述初始LSTM神經網絡模型進行訓練得到所述LSTM神經網絡模型，包括：

確定所述初始LSTM神經網絡模型的每個神經元正向傳播參數；

確定所述神經元的誤差值，其中，所述誤差值包括：延時間反向傳播的誤差值，以及延所述神經元上一層反向傳播的誤差值；

根據所述誤差值確定所述正向傳播參數的梯度，基于隨機梯度下降算法更新所述正向傳播參數。

6.根據權利要求2所述的方法，其特征在于，基于所述訓練集對所述初始LSTM神經網絡模型進行訓練得到所述LSTM神經網絡模型之后，所述方法還包括：

調用預設軟件工具，將所述LSTM神經網絡模型轉換為控制器代碼，其中，所述控制器設置在單片機中；

運行所述控制器代碼處理來自所述陀螺儀的數據。

7.一種陀螺儀零偏誤差補償裝置，其特征在于，包括：

獲取模塊，用于獲取當前時刻待檢測陀螺儀的外殼內部的第一溫度；

分析模塊，用于將所述第一溫度輸入至長短期記憶LSTM神經網絡模型進行分析，得到所述待檢測陀螺儀的零偏誤差值，其中，所述零偏誤差值為在第一溫度下所述待檢測陀螺儀的零偏值與標準零偏值的差值，所述標準零偏值為所述待檢測陀螺儀在預定溫度下輸入信號為零時的測量值；

第一確定模塊，用于將所述零偏誤差值與所述標準零偏值相加，得到目標補償值。