CN109916388A - 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 - Google Patents
基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 Download PDFInfo
- Publication number
- CN109916388A CN109916388A CN201910228032.XA CN201910228032A CN109916388A CN 109916388 A CN109916388 A CN 109916388A CN 201910228032 A CN201910228032 A CN 201910228032A CN 109916388 A CN109916388 A CN 109916388A
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- temperature drift
- fiber optic
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000000835 fiber Substances 0.000 title claims abstract description 24
- 239000013307 optical fiber Substances 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005764 inhibitory process Effects 0.000 abstract 1
- 230000000717 retained effect Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Gyroscopes (AREA)
Abstract
本发明涉及一种基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法。其克服了现有技术存在的抑制温度漂移效果有限的问题。本发明采用的步骤为步骤(1):对光纤陀螺进行温度测试实验，获得学***滑处理，便于后续处理；步骤(3):通过小波分解对光纤陀螺原始数据进行处理，降低原始数据中的随机噪声，保留由温度带来的漂移量；步骤(4):将步骤(2)得到的温度数据和经步骤(3)滤波后的光纤陀螺数据作为学习样本，采用粒子群算法优化BP神经网络模型得到光纤陀螺温度漂移模型；步骤(5):根据步骤(4)中温度漂移模型，预测光纤陀螺在不同温度条件下的漂移量，实时补偿温度漂移。
Description
技术领域
本发明涉及一种惯性导航和伺服控制领域的光纤陀螺温度漂移补偿方法，适用于包含光纤陀螺的测量仪器，具体涉及一种基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法。
背景技术
光纤陀螺是一种基于Sagnac效应的光电惯性敏感器件，广泛应用于伺服控制和惯性导航等领域，在实际应用中要求有较宽的工作温度范围(-40℃～60℃)。
光纤陀螺的主要器件如光纤环圈、光源易受温度变化的影响，导致光纤陀螺输出随温度发生漂移，这种漂移会降低光纤陀螺的测量精度。抑制光纤陀螺温度漂移的方法一般采用改进光纤陀螺结构和部件、改善光纤绕环技术等方法，由于光纤陀螺的工作原理和各部件存在温度特性，采用上述方法抑制温度漂移的效果有限。
发明内容
本发明提出了基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法，要克服现有技术存在的抑制温度漂移效果有限的问题。
为了达到本发明的目的，本发明提供了基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法，
本发明的技术方案如下：
步骤(1)、对光纤陀螺进行温度测试实验，获得学习样本数据；
步骤(2)、对光纤陀螺温度漂移原始数据和温度数据进行平滑处理，便于后续处理；
步骤(3)、通过小波分解对光纤陀螺原始数据进行处理，降低原始数据中的随机噪声，保留由温度带来的漂移量；
步骤(4)、将步骤(2)得到的温度数据和经步骤(3)滤波后的光纤陀螺数据作为学习样本，采用粒子群算法优化BP神经网络模型得到光纤陀螺温度漂移模型；
步骤(5)、根据步骤(4)中温度漂移模型，预测光纤陀螺在不同温度条件下的漂移量，实时补偿温度漂移。
上述步骤(1)中所述的小波降噪所采用的基函数经过对比实验，选择为sym8，分解层数为5层。
上述步骤(1)中所述的小波降噪对于阈值的选取经过对比实验，选择为启发式sure阈值法。
上述步骤(2)中所述的粒子群优化BP神经网络时，是将神经网络各层的连接权值编码成粒子，每个粒子在空间中的位置向量与BP神经网络各层的权值和阈值对应，适应度值则为使用该组权值时的网络输出均方误差。
与现有技术相比，本发明的优点是：
本发明的优点在于：
1、本发明采用小波降噪对光纤陀螺原始信号进行处理，可有效降低了信号中的高频噪声且保留了温度漂移量，在小波降噪中对于阈值的计算采用了启发式sure阈值法和软阈值过滤，不仅可以有效降低信号噪声保留温度漂移量，而且可以去除明显的异常突变数据，提高了光纤陀螺在不同温度下的测量精度
2、目前采用BP神经网络用于光纤陀螺温度漂移补偿时没有进行优化，因此以陷入局部极小值，导致模型拟合精度较低。本专利采用粒子群算法优化BP神经网络模型的拟合精度相对一般未经优化BP神经网络更高，没有补偿光纤陀螺的输出标准差为0.0600332°/h，未经优化的BP神经网络补偿后光纤陀螺的输出标准差为0.0411212°/h，粒子群化BP神经网络补偿后光纤陀螺的输出标准差为0.0258433°/h。
附图说明
图1为本发明的工作流程图；
图2为经平滑处理后的光纤陀螺温度测试实验数据；
图3为采用固定阈值法的滤波效果；
图4为采用启发式sure阈值法滤波效果；
图5为采用一般未经优化的BP神经网络模型与采用的粒子群优化BP神经网络模型(图中标注为PSO-BP)拟合效果对比；
图6为采用一般未经优化BP神经网络模型的补偿效果；
图7为用粒子群优化BP神经网络模型的补偿效果
具体实施方式
下面将结合附图和实施例对本发明进行详细地说明。
参见图1，本发明提供的一种基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法，具体包括如下步骤：
步骤(1):对光纤陀螺进行温度测试实验，获得学习样本数据；
实验过程中光纤陀螺不断电，全程记录数据。实验时光纤陀螺敏感轴指向东西向。
步骤(2):对光纤陀螺温度漂移原始数据和温度数据进行平滑处理，便于后续处理。
具体地，为了减小计算量，对步骤(1)中得到的数据进行平滑处理，每隔1s，计算该时间段内光纤陀螺输出和温度的平均值。得到的平均值即为平滑处理后的数据。经过平滑处理后的数据如图2所示。
步骤(3):通过小波分解对平滑处理后光纤陀螺数据进行处理，降低原始数据中的随机噪声，保留由温度带来的漂移量；
所述的小波降噪对于阈值的选取经过对比实验，选择为启发式sure阈值法。启发式sure阈值选择法在滤波过程中，利用启发函数自动在基于stein无偏似然估计(sure)的软阈值估计和固定阈值法中选取一个，参见图3和图4。
步骤(4):将步骤(2)得到的温度数据和经步骤(3)滤波后的光纤陀螺数据作为学习样本，采用粒子群算法优化BP神经网络模型得到光纤陀螺温度漂移模型；
温度和时间作为输入样本，光纤陀螺数据作为输出样本。在BP神经网络进行学习时，由粒子群算法从全局对BP神经网络各层权值和阈值进行调节，直至完成训练。
采用粒子群优化BP神经网络模型得到光纤陀螺温度漂移模型。对一般BP神经网络能够避免陷入局部极小值，能够明显提高拟合精度，粒子群优化BP神经网络模型对光纤陀螺温度漂移的补偿效果更好。
粒子群优化BP神经网络时，将神经网络各层的连接权值编码成粒子，每个粒子在空间中的位置向量与BP神经网络各层的权值和阈值对应，适应度值则为使用该组权值时的网络输出均方误差，每个粒子的适应度值按(1)和(2)式计算。
上两式中：P为神经网络输出个数，Yij和yij分别为i各样本的第j个理想输出值和实际输出值，n为样本个数，m最大取得粒子群算法中粒子个数。BP神经网络的结构的输入层节点数为2，输出层节点个数为1，隐层节点数为10，学习速率为0.05，迭代次数设为5000，学习目标最小误差为0.0004。输入层与隐含层的传递函数为logsig函数，隐含层与输出层的传递函数为tansig函数，训练函数为traingdx函数。将温度(℃)和时间(s)两种数据表作为训练输入样本，温度测试实验中的光纤陀螺输出测量值作为训练输出期望进行训练。
一般未经优化的BP神经网络与采用粒子群优化BP神经网络的拟合效果如图5所示,未经优化的BP神经网络与采用粒子群优化BP神经网络的补偿效果分别如图6和图7所示。
步骤(5):根据步骤(4)中温度漂移模型，记录采用训练完成的粒子群算法优化BP神经网络各层权值和阈值，在光纤陀螺数据采集***中构建与步骤(4)中所述的BP神经网络结构相同的神经网络。
在光纤陀螺实际使用时，采集光纤陀螺温度即可通过该温度模型计算温度漂移量，在原始光纤陀螺输出上减去温度漂移模型计算的漂移量即可完成补偿。补偿效果如图7所示。
Claims (4)
1.基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法，包括如下步骤：
步骤(1):对光纤陀螺进行温度测试实验，获得学习样本数据；
步骤(2):对光纤陀螺温度漂移原始数据和温度数据进行平滑处理，便于后续处理；
步骤(3):通过小波分解对光纤陀螺原始数据进行处理，降低原始数据中的随机噪声，保留由温度带来的漂移量；
步骤(4):将步骤(2)得到的温度数据和经步骤(3)滤波后的光纤陀螺数据作为学习样本，采用粒子群算法优化BP神经网络模型得到光纤陀螺温度漂移模型；
步骤(5):根据步骤(4)中温度漂移模型，预测光纤陀螺在不同温度条件下的漂移量，实时补偿温度漂移。
2.根据权利1所述的基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法，其特征在于：所述步骤(3)中所述的小波分解所采用的基函数为sym8，分解层数为5层。
3.根据权利1或2所述的基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法，其特征在于步骤(1)中所述的小波分解对于阈值的选取为启发式sure阈值法。
4.根据权利3所述的光纤陀螺温度漂移补偿方法，其特征在于：所述步骤(2)中所述的粒子群优化BP神经网络时，是将神经网络各层的连接权值编码成粒子，每个粒子在空间中的位置向量与BP神经网络各层的权值和阈值对应，适应度值则为使用该组权值时的网络输出均方误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228032.XA CN109916388A (zh) | 2019-03-25 | 2019-03-25 | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228032.XA CN109916388A (zh) | 2019-03-25 | 2019-03-25 | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109916388A true CN109916388A (zh) | 2019-06-21 |
Family
ID=66966616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910228032.XA Pending CN109916388A (zh) | 2019-03-25 | 2019-03-25 | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109916388A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110926449A (zh) * | 2019-12-17 | 2020-03-27 | 重庆华渝电气集团有限公司 | 一种提高触发式光纤陀螺标度因数线性度的方法 |
| CN110954136A (zh) * | 2019-12-13 | 2020-04-03 | 陕西瑞特测控技术有限公司 | 一种光纤陀螺温度补偿的方法 |
| CN113739779A (zh) * | 2021-08-31 | 2021-12-03 | 中国船舶重工集团公司第七0七研究所 | 基于bp神经网络半球谐振陀螺多元温度补偿***及方法 |
| CN116222623A (zh) * | 2023-04-28 | 2023-06-06 | 北京邮电大学 | 一种光纤陀螺温度补偿方法及装置 |
| US11808780B1 (en) | 2022-05-20 | 2023-11-07 | Honeywell International Inc. | Inertial sensor error modeling and compensation, and system for lifetime inertial sensor calibration and navigation enhancement |
| CN117114195A (zh) * | 2023-08-31 | 2023-11-24 | 国网浙江电动汽车服务有限公司 | 基于概念漂移的多类型电动汽车充电需求实时预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
| CN103499345A (zh) * | 2013-10-15 | 2014-01-08 | 北京航空航天大学 | 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法 |
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
-
2019
- 2019-03-25 CN CN201910228032.XA patent/CN109916388A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
| CN103499345A (zh) * | 2013-10-15 | 2014-01-08 | 北京航空航天大学 | 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法 |
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 唐宋元, 北京邮电大学出版社 * |
| 高畅: "基于MEMS的IMU误差建模与温度补偿技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110954136A (zh) * | 2019-12-13 | 2020-04-03 | 陕西瑞特测控技术有限公司 | 一种光纤陀螺温度补偿的方法 |
| CN110926449A (zh) * | 2019-12-17 | 2020-03-27 | 重庆华渝电气集团有限公司 | 一种提高触发式光纤陀螺标度因数线性度的方法 |
| CN110926449B (zh) * | 2019-12-17 | 2023-04-11 | 重庆华渝电气集团有限公司 | 一种提高触发式光纤陀螺标度因数线性度的方法 |
| CN113739779A (zh) * | 2021-08-31 | 2021-12-03 | 中国船舶重工集团公司第七0七研究所 | 基于bp神经网络半球谐振陀螺多元温度补偿***及方法 |
| US11808780B1 (en) | 2022-05-20 | 2023-11-07 | Honeywell International Inc. | Inertial sensor error modeling and compensation, and system for lifetime inertial sensor calibration and navigation enhancement |
| CN116222623A (zh) * | 2023-04-28 | 2023-06-06 | 北京邮电大学 | 一种光纤陀螺温度补偿方法及装置 |
| CN116222623B (zh) * | 2023-04-28 | 2023-08-15 | 北京邮电大学 | 一种光纤陀螺温度补偿方法及装置 |
| CN117114195A (zh) * | 2023-08-31 | 2023-11-24 | 国网浙江电动汽车服务有限公司 | 基于概念漂移的多类型电动汽车充电需求实时预测方法 |
| CN117114195B (zh) * | 2023-08-31 | 2024-07-02 | 国网浙江电动汽车服务有限公司 | 基于概念漂移的多类型电动汽车充电需求实时预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109916388A (zh) | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 | |
| CN103593538B (zh) | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 | |
| CN107330149B (zh) | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 | |
| Zhang et al. | IMU data processing for inertial aided navigation: A recurrent neural network based approach | |
| Lin et al. | Intelligent filter-based SLAM for mobile robots with improved localization performance | |
| CN111006691B (zh) | 传感器校漂方法、装置、可读存储介质、电子设备及无人机 | |
| CN108444479A (zh) | 基于自适应鲁棒无迹卡尔曼滤波的重力匹配方法 | |
| CN109067381B (zh) | 一种mems陀螺仪随机噪声的实时滤波***及方法 | |
| CN107368784A (zh) | 一种基于小波分块的新颖的背景差分法运动目标检测方法 | |
| CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
| Matias et al. | Using a neural network for estimating plant gradients in real-time optimization with modifier adaptation | |
| CN113947616B (zh) | 一种基于层级化感知机的智能目标跟踪及丢失重检方法 | |
| RU2685767C1 (ru) | Способ и устройство бесплатформенной инерциальной навигации | |
| Yuan et al. | A simple self-supervised imu denoising method for inertial aided navigation | |
| CN110487275A (zh) | 一种基于最小上限滤波的gps/ins组合导航定位方法 | |
| CN108804721B (zh) | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
| CN115562345B (zh) | 一种基于深度强化学习的无人机侦测轨迹规划方法 | |
| CN114841338A (zh) | 训练模型参数的方法、决策确定方法、装置及电子设备 | |
| CN110765608A (zh) | 一种用于微机电***传感器的高精度交互两级估计算法 | |
| Lenac et al. | Revival of filtering based SLAM? Exactly sparse delayed state filter on Lie groups | |
| Shenoy et al. | Design Of Estimator For Level Monitoring Using Data Driven Model | |
| Wang et al. | Visual-Inertial Odometry Based on Kinematic Constraints in IMU Frames | |
| CN117131465B (zh) | 单管塔损伤识别方法、装置、电子设备及可读存储介质 | |
| CN117669008B (zh) | 一种基于深度学习的地基沉降预测方法及*** | |
| Badalkhani et al. | Effects of Moving Landmark's Speed on Multi-Robot Simultaneous Localization and Mapping in Dynamic Environments. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
| RJ01 | Rejection of invention patent application after publication |