[发明专利]基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统

说明书

本发明涉及一种基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统，为了提高温度补偿精度而设计。本发明的方法包括：获取PSO寻优和BP神经网络的训练样本；基于训练样本构建BP神经网络，利用自适应权重PSO优化出的最优极值点作为BP神经网络的模型的初始权值和阈值；在PSO算法中引入变异操作，粒子每次更新后以一定的概率重新初始化粒子，变异操作拓展了在迭代中不断缩小的种群搜索空间；通过调用参数建立BP神经网络，实现对硅微加速度计的实时温度补偿并输出。本发明解决了求解最优补偿结果以及温度全局性的问题，最终实现硅微加速度计补偿精度的提升以及全局性改善。

技术领域

本发明属于MEMS加速度计温度补偿领域，具体涉及一种基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统。

背景技术

MEMS加速度计是微小型惯性导航系统中非常重要的元件之一，其性能的优劣程度对导航系统的姿态、速度和定位精度均产生直接的影响。它具有体积小、结构重量轻、造价成本低等优点，因此广泛应用于军事、工业和商业等诸多领域。环境因素是影响系统精度的重要因素，而温度更是影响MEMS加速度计可靠性的和精度的重要因素。随着环境温度的变化，由于硅基材料的噪声以及热胀冷缩效应、残余应力等因素的影响，其输出均会产生温度漂移。MEMS加速度计随环境温度变化而产生的测量误差是制约加速度计性能提升，限制其应用场合的关键因素之一。因此，在实际应用中必须采取有效措施减小环境温度变化对MEMS加速度计精度产生的影响，使补偿后的MEMS加速度计能够应用在高精度或者大温差场合。

目前一般有三种措施可以抑制温度产生的影响。第一，优化MEMS加速度计结构或工艺，来降低温度对传感器的影响；第二，控制MEMS加速度计工作环境的温度；第三，准确分析环境温度的影响规律，建立准确的温度补偿模型，采用软件的方法进行温度补偿。前两种方法实现较为复杂，从工程应用的角度来说，成本较高，周期较长，所以工程中多采用第三种软件补偿方案。常用补偿方法有多项式拟合、小波网络、向量机和BP神经网络等。

但是，现有技术分别从敏感结构和工艺角度、工作环境以及电路系统中软件偿等方面对硅微加速度计温度影响进行补偿。敏感结构和工艺改进虽然能对温度漂移起到一定的效果，但达不到工程需求，而现有成果过报道中的软件补偿对全温性能和计算复杂性均存在较大的局限性。特别是在全温范围补偿性能方面还没有比较好的成果报道，即使PSO_BP补偿方法也未见在MEMS加速度计中的应用。

鉴于上述的缺陷，本设计人积极加以研究创新，以期创设一种基于改进PSO优化神经网络的硅微加速度计温度补偿方法，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种实现方便、可靠性高、全局性好、补偿精度高、具有良好的自适应性、自组织性和学习能力强的以及抗干扰能力强的基于改进PSO优化神经网络的硅微加速度计温度补偿方法、系统。

为达到上述发明目的，本发明基于改进PSO优化神经网络的硅微加速度计温度补偿方法，包括：

S1分别测量硅微加速度计在N个不同温度点下的多组加速度输出量和实时温度值，作为PSO极值点寻优和BP神经网络的训练样本；

S2构建BP神经网络，设置BP神经网络输入、输出层及隐含层的神经元个数、各层传递函数以及网络训练参数，通过BP神经网络自学习得到加速度计的温度补偿模型参数；判断是否达到BP神经网络训练的要求，若达到，利用PSO优化出的最优极值点作为BP神经网络的模型的初始权值和阈值，跳转到S3；若未达到，则使用BP神经网络训练函数对各层权值和阈值进行训练；

S3存储得到的补偿模型参数，通过调用参数建立BP神经网络，实现对硅微加速度计的实时温度补偿并输出。

进一步地，BP神经网络的模型的初始权值和阈值的确定方法包括：