[发明专利]基于ARMA和BPNN组合模型的MIMU陀螺随机漂移预测方法

说明书

本发明是一种基于ARMA和BPNN组合模型的MIMU陀螺随机误差预测方法，主要包括：步骤一：在静止的状态下采集单轴微陀螺仪的随机漂移数据，通过观察自相关参数ACF和偏相关参数PACF的图形特性判断陀螺原始数据序列的平稳性，进行ADF单位根的检验，经过差分剔除序列的趋势项后得到平稳的数据。步骤二：采用AIC最小准则法对陀螺平稳序列进行模型定阶，构建陀螺漂移平稳序列的ARMA模型。步骤三：使用组合模型对陀螺的随机漂移序列进行建模，从步骤二的ARMA模型的误差数据中选取训练集和测试集，建立BP神经网络预测模型，设置BP神经网络的结构。步骤四：对所建BP神经网络模型的样本数据进行训练，并保存陀螺随机漂移的预测结果。

技术领域

本发明涉及深组合导航系统中MIMU(微惯性测量单元)的随机漂移预测，具体涉及陀螺随机漂移误差预测拟合方法。

背景技术

随着集成电路硅半导体制造工艺的不断完善，微机械制造技术取得长足发展，MEMS(Micro-Electro-Mechanical System)惯性敏感器由此产生。同时它以尺寸小、质量轻、高可靠、耐冲击、易安装、可大批量生产、成本低廉的特点，与微电子加工电路相集成，做到了机电一体化。尤其，随着MEMS惯性敏感器精度的不断提升，在军事领域的导航系统设备中，采用微机械惯性仪表作为惯性测量器件的捷联惯性导航系统，正在不断占领市场。在制导弹药系统中，利用MEMS陀螺和加速度计构成惯性导航系统，不仅大大降低了弹药体积和重量，而且进一步提高了系统性能。基于微机电系统MEMS构建的微惯性测量单元IMU具有体积小、成本低的优点，可以提供运载体的位置、速度和姿态信息。

由于MEMS惯性传感器的精度相对较低，并且容易受到外界环境条件的影响，因此抑制MEMS-IMU误差的研究在任何环境条件下都需要开展，这些研究对我们将MEMS-IMU应用在复杂环境条件上具有参考意义。常用的方法是研究更优的误差补偿方法对MEMS-IMU的输出误差项进行补偿，以提高使用时的精度。

在现有的陀螺随机误差建模中，常见降低陀螺随机漂移的方法是Allan方差法、小波分析法和Kalman滤波法，Allan方差法虽然便于计算，易于分离误差，但是辨识噪声时容易泄露功率且定量表示方法单一。小波分析方法可以对信号进行任意细节的分解，适宜分析和处理非平稳信号，但是若是小波层数选取不当，会造成有用信号被滤除的后果。Kalman滤波法可用于时变、非平稳和多维信号的估计，但是噪声必须假定为统计特性为已知的高斯过程。ARMA建模方法建模简单，预测容易，参数易于估计，实用处理线性信号，BP神经网络具有强大的非线性映射能力，不需要精确的数学模型，具有强大的数据识别和模拟能力。本发明针对陀螺仪数据的弱时变和弱非线性特性，提出一种基于ARMA和BP神经网络的组合预测方法，提出运用该模型对MIMU陀螺仪的随机漂移数据进行建模，并对模型进行适用性检验和拟合。分析预测指标，可以大幅降低模型预测误差，提高模型预测的精度。

发明内容

为了减小MIMU陀螺仪随机漂移误差对系统精度的影响，本发明提出一种ARMA模型和BP神经网络组合模型预测陀螺仪输出数据的组合方法。该方法的步骤如下：

步骤1：对MIMU陀螺的实时输出数据进行预处理。在静止的状态下采集单轴陀螺的随机漂移数据，判断原始数据序列的平稳性，对陀螺的测试数据进行相关性检验，初步判定ARMA模型的阶数。

步骤2：采用AIC最小准则法对步骤1得到的陀螺平稳序列进行模型定阶。构建ARMA模型，在对未来的数据预测拟合过程中，列出陀螺漂移序列的预测模型。

步骤3：提出组合模型对陀螺的随机漂移序列进行建模，从步骤2的ARMA模型的误差数据中选取训练集和测试集。

步骤4：对所建BP神经网络模型的样本数据进行训练，并保存陀螺随机漂移的预测结果。

本发明的优点：

(1)本发明先对MIMU陀螺仪去除确定性误差，得到含有输出随机噪声的信号，降低陀螺的建模误差。