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 PDF

Info

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
Application number
CN202110952945.3A
Other languages
English (en)
Inventor
杨小平
谭凯
李哲宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Technology
Original Assignee
Guilin University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN202110952945.3A priority Critical patent/CN113780520A/zh
Publication of CN113780520A publication Critical patent/CN113780520A/zh
Pending legal-status Critical Current

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

一种山体滑坡MEMS加速度传感器误差补偿方法
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。
CN202110952945.3A 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 Pending CN113780520A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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