[发明专利]一种基于RBF神经网络的MEMS陀螺仪温度补偿方法

摘要

本发明涉及一种基于RBF神经网络的MEMS陀螺仪温度补偿方法，通过K均值聚类算法和递归最小二乘法的组合处理样本数据，采用非线性映射更加准确的RBF神经网络算法原理建模对其进行温度补偿，可以实现MEMS陀螺仪强非线性特性下的温度补偿问题。

主权项

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(C)=Σj=1KΣC(i)=j||xi-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，xi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dmax：步骤4：由各聚类中心之间的最大距离dmax及各聚类中心个数K求出高斯函数宽度；σ=dmax2K]]>步骤5：通过递归最小二乘法对输出层进行训练，得到权值ωi：R(n)ωi＝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ωi、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)。