[发明专利]一种基于RBF神经网络的MEMS陀螺仪温度补偿方法

说明书

技术领域

本发明涉及MEMS陀螺仪技术领域，具体为基于RBF神经网络的MEMS陀螺仪温度补偿方法，适用于MEMS陀螺仪的温度补偿。

背景技术

温度是影响MEMS惯性系统姿态输出精度的重要因素，不同温度环境下会使构成MEMS惯性器件的材料产生不同形变，进而引起的附加力矩导致输出偏差，同时其他电路元件特性也会随环境温度的变化对MEMS惯性器件产生影响。从MEMS陀螺结构上看即使环境温度不发生大的改变，陀螺自身工作较长时间，其内部温度也会发生较大变化，经试验研究，其内部影响温度的最主要器件为电源模块，在设计电路时MEMS陀螺仪已远离电源附近，但因MEMS惯性测量产品结构小，MEMS陀螺仍受电源发热影响较大。

温度变化中陀螺仪表头质心发生偏移，从而引起比力及角加速度干扰力矩，使陀螺仪输出发生漂移，因此在动态环境下，特别是低输入转速区，MEMS惯性器件的输出受温度变化影响最大，在不同环境下零偏值显示出非常强的非线性特性。

本发明针对MEMS陀螺仪对温度的敏感性及其非线性特性，采用对非线性映射更加准确的神经网络算法原理对其进行温度补偿，解决了MEMS陀螺仪强非线性特性下的温度补偿问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于RBF神经网络的MEMS陀螺仪温度补偿方法。

技术方案

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

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；

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)。

有益效果

本发明提出的一种基于RBF神经网络的MEMS陀螺仪温度补偿方法，有益效果如下：

1)针对实际情况及MEMS陀螺仪试验数据结构，选择使用简单高效的K均值聚类法和递归最小二乘法，有效提高了RBF网络混合学习训练的效率，极大提升工作效率；

2)RBF神经网络对非线性温度模型的拟合度好，有效提升了MEMS陀螺仪的输出精度。

附图说明

图1径向基函数(RBF)神经网络结构，本发明中输入为x₁,x₂即温度和未补偿的MEMS陀螺输出值，输出为f(x)即MEMS测量用的转台测量值(真值)。

具体实施方式

本发明主要利用径向基函数(radial basis function，RBF)神经网络(见图1)对MEMS陀螺进行温度补偿模型建立(见公式1)，从而实现x∈R^m→f(x)∈Rⁿ即陀螺输出参数及温度参数与温度补偿后参数的非线性映射。