[发明专利]一种基于RBF神经网络的MEMS陀螺仪温度补偿方法

权利要求书

1.一种基于RBF神经网络的MEMS陀螺仪温度补偿方法，其特征在于步骤如下：

步骤1：通过单轴转台对MEMS陀螺仪进行动静态性能测试试验，获得各温度点下未补偿陀螺输出值及转台转速真值试验数据；将实验数据分成两部分，一部分用于训练模型参数，一部分用于最后模型验证及网络测试；

步骤2：将温度和未补偿的MEMS陀螺输出值x₁,x₂作为RBF神经网络的输入层，转台转速真值作为RBF神经网络的输出层；采用K均值聚类算法对输入量进行聚类，使得代价函数J(C)最小化，得到聚类中心

$J\left(C\right)=\underset{j=1}{\overset{K}{\Σ}}\underset{C\left(i\right)=j}{\Σ}\left|\right|x_i-{\hat{c}}_j|{|}^2$

其中：J(C)为编码器C的代价函数；为属于聚类j的估计均值向量，即聚类中心，x_i为x₁,x₂的矩阵；

步骤3：计算各聚类中心之间的距离，挑选最大距离d_max：

步骤4：由各聚类中心之间的最大距离d_max及各聚类中心个数K求出高斯函数宽度；

$\mathrm{\σ}=\frac{d_{\max }}{\sqrt{2K}}$

步骤5：通过递归最小二乘法对输出层进行训练，得到权值ω_i：

R(n)ω_i＝r(n),n＝1,2,…

其中：R(n)为隐藏单元输出的K×K相关函数；r(n)为RBF网络输出的期望响应和隐藏单元之间的K×1互相关向量；

步骤6：根据得到的权值ω_i、高斯函数中宽度σ、中心和径向基构建RBF神经网络模型：

其中，x为输入量；f(x)为输出量；σ是以为中心的高斯函数的宽的观测；

步骤7：将温度和未补偿的MEMS陀螺输出值x₁,x₂作为RBF神经网络模型的输入层，输出得到进行温度补偿后的MEMS陀螺仪输出值f(x)。