[发明专利]基于小波多尺度分析的MEMS陀螺随机误差补偿方法

摘要

本发明涉及惯性导航领域，具体涉及基于小波多尺度分析的MEMS陀螺(Micro Electro Mechanical System,MEMS)随机误差补偿方法。本发明包括采集MEMS陀螺的静态输出数据，并对输出数据进行预处理，去除输出数据中的陀螺常值漂移；对预处理后的输出数据展开小波多尺度分析；分别建立有色噪声和测量噪声的小波网络模型，并利用增加动量项方法修正网络参数，训练结束后保持网络；得到MEMS陀螺的随机误差模型，最终利用该随机误差模型去估计并补偿MEMS陀螺的随机误差。本发明利用小波多尺度分析方法对MEMS陀螺随机误差分析，能有效地分离出随机误差的有色噪声和测量噪声，进而建立相应的噪声模型。因此，所建立的模型更为精确，能提升对随机误差的估计精确度。

主权项

基于小波多尺度分析的MEMS陀螺随机误差补偿方法，其特征在于，包括以下步骤：步骤1：采集MEMS陀螺的静态输出数据，并对输出数据进行预处理，去除输出数据中的陀螺常值漂移；步骤2：对预处理后的输出数据展开小波多尺度分析，首先对输出数据进行多尺度小波分解，再对小波分解后得到的低频和高频系数进行量化处理，然后分别进行重构，得到重构后的低频系数和高频系数，进而分离出有色噪声和测量噪声；步骤3：分别利用步骤2中分离出的有色噪声和测量噪声对粒子群小波网络进行训练，分别建立有色噪声和测量噪声的小波网络模型，并利用增加动量项方法修正网络参数，训练结束后保持网络；增加动量项的权值和参数修正方法流程如下：计算网络预测误差e，其表达式为：e=Σp=1m(d(p)-y(p))]]>式中，m为输出层节点数，p＝1,2,3,…m，d(p)为期望输出；y(p)为小波网络预测输出；根据预测误差e修正小波网络权值和小波基函数参数ωiq(z+1)＝ωiq(z)+Δωiq(z+1)+ρ*(ωiq(z)‑ωiq(z‑1))ωqp(z+1)＝ωqp(z)+Δωqp(z+1)+ρ*(ωqp(z)‑ωqp(z‑1))aq(z+1)＝aq(z)+Δaq(z+1)+ρ*(aq(z)‑aq(z‑1))bq(z+1)＝bq(z)+Δbq(z+1)+ρ*(bq(z)‑bq(z‑1))式中，ωiq为输入层和隐含层的连接权值，bq为小波基函数h的平移因子，aq为小波基函数h的伸缩因子，ωqp为隐含层到输出层权值，ρ为动量项学习速率，z为迭代次数；Δωiq(z+1)，Δωqp(z+1)，Δaq(z+1)，Δbq(z+1)均根据网络预测误差计算得到：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为学习率；对有色噪声建立小波网络的模型，其表达式为：xg＝f(x1,x2,…,xg‑1)式中，xg为网络的输出数据，g为输入数据个数；[x1,x2,…,xg]为重构后的低频系数，作为网络的输入数据；f()为小波拟合函数；对测量噪声建立小波网络模型，其表达式为：εw＝f(D1',D'2,…,D'j)式中，εw为测量噪声，j为小波分解尺度，[D1',D'2,…,D'j]为重构后的高频系数；步骤4：将步骤3中得到的有色噪声的小波网络模型和测量噪声的小波网络模型进行组合，得到MEMS陀螺的随机误差模型，最终利用该随机误差模型去估计并补偿MEMS陀螺的随机误差。