CN113780520A - 一种山体滑坡mems加速度传感器误差补偿方法 - Google Patents
一种山体滑坡mems加速度传感器误差补偿方法 Download PDFInfo
- Publication number
- CN113780520A CN113780520A CN202110952945.3A CN202110952945A CN113780520A CN 113780520 A CN113780520 A CN 113780520A CN 202110952945 A CN202110952945 A CN 202110952945A CN 113780520 A CN113780520 A CN 113780520A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- error compensation
- mems
- fusion model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种山体滑坡MEMS加速度传感器误差补偿方法,包括以下步骤:获取数据集、将数据集预处理为1D‑CNN模型输入格式、建立1D‑CNN模型和LSTM模型的融合模型,利用训练集对融合模型进行训练和学习、通过验证集来评估融合模型,对参数进行优化以及确定融合模型的网络结构,利用测试集判定融合模型的最终补偿效果的步骤。本发明针对目前MEMS器件精度不高的问题,提出一种基于一维卷积神经网络与LSTM相结合的MEMS加速度计误差补偿方法。以采集传感器的测量值与三轴转台真实值制作数据集,进行有监督学习,对网络模型进行训练,得到预测后的数据,最终使MEMS加速度计的数据得到了误差补偿,精度有所提高,解决了BP神经网络泛化能力不足的问题。
Description
技术领域
本发明涉及传感器误差补偿领域,具体涉及一种山体滑坡MEMS加速度传感器误差补偿方法。
背景技术
MEMS的全称是微型电子机械***(Micro Electro Mechanical System),与传统机械传感器相比,其优势在于高集成、功耗低、灵敏度高、体积小及成本低等,在智能***、可穿戴设备、智能家居等领域有着广泛的用途。为了提高MEMS器件采集到数据的测量精度,需要对漂移数据进行误差补偿。
目前,绝大多数MEMS器件都存在误差较大的问题,其误差来源主要分为确定性误差与随机误差。确定性误差主要是由于MEMS器件在本身制造过程中存在的精度不够,提高确定性误差需要提高制造工艺,改***件电路结构,因此成本较大。随机误差主要是由于外部环境因素的影响,如温度、振动和海拔等他因素。针对MEMS加速度计测量精度不高的问题,目前BP神经网络已有学者应用在对MEMS加速度计的误差补偿中,通过模拟人类脑神经网络建立惯性器件的误差模型。理论上BP神经网络能够完成对任何非线性函数的映射,但是,随着所拟合目标不断复杂、网络模型不断扩大,BP网络出现泛化能力不足的问题。其网络连接只能反映空间映射而不能反映样本内含的规律,并且容易出现权值局部最小值,无法完成训练,迫切需要加以改进。
发明内容
为解决上述问题,本发明提供了一种山体滑坡MEMS加速度传感器误差补偿方法。本发明针对目前MEMS器件精度不高的问题,提出一种基于一维卷积神经网络与LSTM相结合的MEMS加速度计误差补偿方法。以采集传感器的测量值与三轴转台真实值制作数据集,进行有监督学习,对网络模型进行训练,得到预测后的数据,最终使MEMS加速度计的数据得到了误差补偿,精度有所提高。解决了BP神经网络泛化能力不足的问题。
为实现所述技术目的,本发明的技术方案是:一种山体滑坡MEMS加速度传感器误差补偿方法,包括以下步骤:
S1:将MEMS加速度计放置于三轴转台,读取MEMS加速度计的测量值,获取三轴转台运动的真实值;
S2:将采集到加速度计的测量值和真实值的时间序列数据,构建成数据集,将数据集划分为训练集、验证集和测试集;
S3:将数据集预处理为1D-CNN模型输入格式;
S4:建立1D-CNN模型和LSTM模型的融合模型,利用训练集对融合模型进行训练和学习;
S5:通过验证集来评估融合模型,对参数进行优化以及确定融合模型的网络结构,利用测试集判定融合模型的最终补偿效果。
进一步,所述步骤S1中读取MEMS加速度计测量值的方法为无线采集。
进一步,所述步骤S3中数据集预处理方法包括:
T1:将原始序列数据通过自定义函数,以特定步长在原始时间序列上滑动,从而转换为[samples,timesteps]的形状;
T2:将步骤T1中的[samples,timesteps]通过重塑函数reshape()操作,增加一个特征维度[samples,timesteps,features],满足1D-CNN模型输入格式。
进一步,所述步骤S4中利用训练集对融合模型进行训练和学习的方法包括:
E1:根据所述步骤T2中的[samples,timesteps,features],将时间序列划分为多个输入/输出模式,其中使用三个时间步骤作为输入,并且将真实值用作正在学习的一步预测的输出,将三个时间步骤输入1D-CNN模型的卷积层;
E2:通过卷积层后,在1D-CNN模型的池化层,采用最大池化的方法进行池化;
E3:通过池化层的输出作为LSTM模型的输入,通过引入“细胞状态”来记录信息的传输路径,在前一状态遗忘和添加信息,然后输出到下一个“细胞”;
E4:通过全连接层,得到预测数据序列输出。
本发明的有益效果在于:
本发明针对目前MEMS器件精度不高的问题,提出一种基于一维卷积神经网络与LSTM相结合的MEMS加速度计误差补偿方法。以采集传感器的测量值与三轴转台真实值制作数据集,进行有监督学习,对网络模型进行训练,得到预测后的数据,最终使MEMS加速度计的数据得到了误差补偿,精度有所提高。解决了BP神经网络泛化能力不足的问题。
附图说明
图1是本发明山体滑坡MEMS加速度传感器误差补偿方法的整体流程图;
图2是本发明1D-CNN模型的工作流程示意图;
图3是本发明一维卷积计算流程示意图;
图4是本发明一维池化的示意图;
图5是本发明LSTM模型的工作流程示意图;
图6是本发明1D-CNN和LSTM模型的融合模型示意图。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述。
一种山体滑坡MEMS加速度传感器误差补偿方法,如图1所示,包括以下步骤:
S1:将MEMS加速度计放置于三轴转台,读取MEMS加速度计的测量值,获取三轴转台运动的真实值;
S2:将采集到加速度计的测量值和真实值的时间序列数据,构建成数据集,将数据集划分为训练集、验证集和测试集;
S3:将数据集预处理为1D-CNN(一维卷积神经网络One-DimensionalConvolutional neural networks)模型输入格式;
S4:建立1D-CNN模型和LSTM模型的融合模型,利用训练集对融合模型进行训练和学习;首先数据先通过一维卷积层,然后通过最大池化层,进行特征的提取。之后数据进入LSTM(长短期记忆网络)层,再通过全连接层,最终得到预测输出值,即误差补偿后的加速度值。
S5:通过验证集来评估融合模型,对参数进行优化以及确定融合模型的网络结构,利用测试集判定融合模型的最终补偿效果。
进一步,所述步骤S1中读取MEMS加速度计测量值的方法为无线采集。这是由于MEMS加速度计放置于三轴转台,而三轴转台在不停运动,因此传统有线采集的方式并不可取,因此本发明优选采用蓝牙、LORa、ZigBee、Wifi、NB-iot等无线模块的一种连接MEMS加速度传感器,进行测量值的读取。
进一步,所述步骤S3中数据集预处理方法包括:
T1:将原始序列数据通过自定义函数,以特定步长在原始时间序列上滑动,从而转换为[samples,timesteps]的形状;优选的,如图2所示,本发明的窗口大小选择3个时间步骤,即使用三个时间步步骤作为1D-CNN模型的输入,滑动补偿不大于3个时间。
T2:将步骤T1中的[samples,timesteps]通过重塑函数reshape()操作,增加一个特征维度[samples,timesteps,features],满足1D-CNN模型输入格式。
进一步,所述步骤S4中利用训练集对融合模型进行训练和学习的方法包括:
E1:根据所述步骤T2中的[samples,timesteps,features],将时间序列划分为多个输入/输出模式,其中使用三个时间步骤作为输入,并且将真实值用作正在学***移不变的性质。在时间序列数据上进行窗口平移,提取局部序列段并与权重进行点乘,持续不断输出计算得到的序列特征。然后进行池化下采样,与二维池化运算类似,进行平均池化或者最大池化,进一步过滤数据中对于预测无益的噪声信息,使得预测性能得到优化,1D-CNN的工作过程如图2所示。
如图3所示,假设输入序列为[2,1,-1,1,3,2,-1],长度为7,卷积核为[1,0,1],宽度为3,进行卷积计算时,卷积核以一定时间步长在输入序列上滑动,在每个移动后的位置进行卷积计算,直至最后一个序列数据。一维卷积计算过程如图2所示,图中移动步长为2,最终得到输出为序列[1,2,2],通过卷积操作后,输出长度比输入长度明显减小,说明卷积计算不仅可以提取特征还可以降低维度。
E2:通过卷积层后,在1D-CNN模型的池化层,采用最大池化的方法进行池化;如图4所示,一维池化与二维池化类似,都是通过最大池化或者平均池化的方式来减少特征的维度。最大池化是在一定宽度区域内选择最大的元素作为输出,而平均池化则是在一定宽度区域内的几个元素求取平均值作为输出。图3为一维池化过程示意图,步长为2,宽度为2。优选的,本发明采用最大池化的方法。
E3:通过池化层的输出作为LSTM模型的输入,进而连接两个网络层,如图5所示,通过引入“细胞状态”来记录信息的传输路径,在前一状态遗忘和添加信息,然后输出到下一个“细胞”,可以看作其具有“记忆”功能。因此可以将数据序列处理过程的信息传递下去,消除了短时记忆的影响。。
E4:如图6所示,通过全连接层,得到预测数据序列输出。
对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.一种山体滑坡MEMS加速度传感器误差补偿方法,其特征在于,包括以下步骤:
S1:将MEMS加速度计放置于三轴转台,读取MEMS加速度计的测量值,获取三轴转台运动的真实值;
S2:将采集到加速度计的测量值和真实值的时间序列数据,构建成数据集,将数据集划分为训练集、验证集和测试集;
S3:将数据集预处理为1D-CNN模型输入格式;
S4:建立1D-CNN模型和LSTM模型的融合模型,利用训练集对融合模型进行训练和学习;
S5:通过验证集来评估融合模型,对参数进行优化以及确定融合模型的网络结构,利用测试集判定融合模型的最终补偿效果。
2.根据权利要求1所述的山体滑坡MEMS加速度传感器误差补偿方法,其特征在于,所述步骤S1中读取MEMS加速度计测量值的方法为无线采集。
3.根据权利要求2所述的山体滑坡MEMS加速度传感器误差补偿方法,其特征在于,所述步骤S3中数据集预处理方法包括:
T1:将原始序列数据通过自定义函数,以特定步长在原始时间序列上滑动,从而转换为[samples,timesteps]的形状;
T2:将步骤T1中的[samples,timesteps]通过重塑函数reshape()操作,增加一个特征维度[samples,timesteps,features],满足1D-CNN模型输入格式。
4.根据权利要求3所述的山体滑坡MEMS加速度传感器误差补偿方法,其特征在于,所述步骤S4中利用训练集对融合模型进行训练和学习的方法包括:
E1:根据所述步骤T2中的[samples,timesteps,features],将时间序列划分为多个输入/输出模式,其中使用三个时间步骤作为输入,并且将真实值用作正在学习的一步预测的输出,将三个时间步骤输入1D-CNN模型的卷积层;
E2:通过卷积层后,在1D-CNN模型的池化层,采用最大池化的方法进行池化;
E3:通过池化层的输出作为LSTM模型的输入,通过引入细胞状态来记录信息的传输路径,在前一状态遗忘和添加信息,然后输出到下一个细胞;
E4:通过全连接层,得到预测数据序列输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952945.3A CN113780520A (zh) | 2021-08-19 | 2021-08-19 | 一种山体滑坡mems加速度传感器误差补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952945.3A CN113780520A (zh) | 2021-08-19 | 2021-08-19 | 一种山体滑坡mems加速度传感器误差补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780520A true CN113780520A (zh) | 2021-12-10 |
Family
ID=78838289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110952945.3A Pending CN113780520A (zh) | 2021-08-19 | 2021-08-19 | 一种山体滑坡mems加速度传感器误差补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780520A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150425A (zh) * | 2023-07-10 | 2023-12-01 | 郑州轻工业大学 | 基于机理数据融合的管片拼装机运动状态预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及*** |
CN112580263A (zh) * | 2020-12-24 | 2021-03-30 | 湖南工业大学 | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 |
CN112577521A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种组合导航误差校准方法及电子设备 |
-
2021
- 2021-08-19 CN CN202110952945.3A patent/CN113780520A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
CN112577521A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种组合导航误差校准方法及电子设备 |
CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及*** |
CN112580263A (zh) * | 2020-12-24 | 2021-03-30 | 湖南工业大学 | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
张永峰;陆志强;: "基于集成神经网络的剩余寿命预测", 工程科学学报, no. 10 * |
李荣冰 等: "基于 LSTM 深度神经网络的 MEMS-IMU 误差模型及标定方法", 《中国惯性技术学报》, pages 165 - 171 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150425A (zh) * | 2023-07-10 | 2023-12-01 | 郑州轻工业大学 | 基于机理数据融合的管片拼装机运动状态预测方法 |
CN117150425B (zh) * | 2023-07-10 | 2024-04-26 | 郑州轻工业大学 | 基于机理数据融合的管片拼装机运动状态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN109755683B (zh) | 一种基于压缩感知理论的电池包内部温度实时监测方法 | |
CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN110533166B (zh) | 一种基于时空间融合特征的室内定位方法 | |
FI101501B (fi) | Laite ja menetelmä anturijärjestelmän kalibrointiin | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112862178A (zh) | 一种基于深度学习的海洋站水位时空预测方法及装置 | |
CN113780520A (zh) | 一种山体滑坡mems加速度传感器误差补偿方法 | |
CN114707632A (zh) | 一种传感网络传感器故障定位方法、***、设备及介质 | |
CN102608519A (zh) | 基于节点信息的电路故障诊断方法 | |
CN116910534A (zh) | 一种不同海域海洋环境要素时空智能预测方法和装置 | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、***、设备及存储介质 | |
CN112949944B (zh) | 一种基于时空特征的地下水位智能预测方法及*** | |
CN114719860A (zh) | 一种基于多头注意力机制的惯性导航方法 | |
CN117516517A (zh) | 一种室内环境下无源融合定位方法、***及电子设备 | |
CN111623797B (zh) | 一种基于深度学习的步数测量方法 | |
CN117041972A (zh) | 基于信道-时空注意自编码的车联网传感器异常检测方法 | |
CN116502700A (zh) | 皮肤检测模型训练方法、皮肤检测方法、装置及电子设备 | |
CN116340817A (zh) | 液压活塞泵智能故障识别方法 | |
CN116067600A (zh) | 幕墙工作模态参数识别、故障诊断与健康状态监测方法 | |
CN110503631A (zh) | 一种遥感图像变化检测方法 | |
CN115906641A (zh) | 一种基于深度学习的imu陀螺仪随机误差补偿方法及装置 | |
Yu et al. | Fault diagnosis of wearable temperature sensors based on multi-scale feature extraction | |
CN115421212B (zh) | 重磁图件补全与去噪同步处理方法及*** |
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 |