CN116086497A - 基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质 - Google Patents
基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质 Download PDFInfo
- Publication number
- CN116086497A CN116086497A CN202310380651.7A CN202310380651A CN116086497A CN 116086497 A CN116086497 A CN 116086497A CN 202310380651 A CN202310380651 A CN 202310380651A CN 116086497 A CN116086497 A CN 116086497A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sub
- output signal
- training
- loss function
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013307 optical fiber Substances 0.000 title claims description 40
- 239000000835 fiber Substances 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 50
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Gyroscopes (AREA)
Abstract
本发明提出了一种基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置及存储介质,该方法包括:采集步骤S101,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;预测步骤S102,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;校正步骤S103,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;本发明中的神经网络包括两个子神经网络,并基于优化的损失函数对两个子神经网络进行联合训练,使得两个子神经网络的整体预测性能最佳,提高了输出校正的准确性。
Description
技术领域
本发明涉及人工智能及光纤陀螺仪校准技术领域,具体涉及一种基于神经网络的光纤陀螺仪低角速率下的输出校正方法方法、装置及存储介质。
背景技术
中国发明专利申请CN201811530095.2公开了一种光纤陀螺仪低角速率下标度因数非线性的改进方法,在光纤陀螺仪每工作一个周期过程中,将A/D转换器采集的数据最低位进行存储并组合出一个二进制数。将此二进制数作为基础序列,对FPGA内寄存器进行设置,通过寄存器生成逆重复M序列。通过逆重复M序列的调制方式,防止由于复位引起的周期性电子串扰误差。由于逆重复M序列相对于M序列来讲实现真正的白噪声,及均值位为零,故在消除周期性电子串扰的同时,可以大幅减小其他噪声引起的误差。该方法采用采集的模拟数据进行模数转后进行处理,导致改进性能有限,且不能对光纤陀螺仪低角速率下的输出进行校正,或者即使校正了,可靠性及准确性也较差。
神经网络一般用于预测,比如,根据样本集数据对神经网络训练后,基于采集的数据进行预测,这是神经网络的基本原理,但如何基于神经网络对光纤陀螺仪低角速率下的输出进行预测校正,即如何基于神经网络提高校正的准确性及可靠性,是一项技术难题。
现有技术中,一般直接使用预测值作为校准后的输出信号,这样方式在对光纤陀螺仪在低角速率下的输出校正时并不适用,这是因为预测值可能与实际的输出值差别较大,这样的预测值可靠性较低。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷,提出了如下技术方案。
一种基于神经网络的光纤陀螺仪低角速率下的输出校正方法,其特征在于,该方法包括:
采集步骤,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;
预测步骤,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;
校正步骤,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;
其中,所述神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数
L1进行训练,所述第二子神经网络使用损失函数
L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练,所述优化的损失函数
L为:
;
;
;
其中,
表示训练样本集中的第
i个训练样本红外图像,
表示训练样本集中的第
i个训练样本工作温度,表示训练样本集中的第
i个训练样本输出信号,表示监督值,分别表示预测值,分别表示对应的权重值。
更进一步地,基于所述工作温度对采集的红外图像进行过滤操作以舍掉不合适的红外图像。
更进一步地,所述过滤操作包括:从数据库中获取所述工作温度对应的标准红外图像,计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,则舍掉该采集的红外图像,继续进行红外图像的采集,如果大于或等于第一阈值,则判定该采集的红外图像为合格。
更进一步地,确定的方式为:
;
;
其中,表示第一子神经网络在训练过程中损失函数的最大值,表示第一子神经网络在训练过程中损失函数的最小值,表示第二子神经网络在训练过程中损失函数的最大值,表示第二子神经网络在训练过程中损失函数的最小值。
更进一步地,所述基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号的操作为:计算所述输出信号S与所述第一预测输出信号Ps的差值的绝对值diff,则所述校正的输出信号Cs为:
;
其中,的确定方式为:
为第二阈值,
T2为第三阈值。
本发明还提出了一种基于神经网络的光纤陀螺仪低角速率下的输出校正装置,其特征在于,该装置包括:
采集单元,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;
预测单元,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;
校正单元,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;
其中,所述神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数
L1进行训练,所述第二子神经网络使用损失函数
L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练,所述优化的损失函数
L为:
;
;
;
其中,
表示训练样本集中的第
i个训练样本红外图像,
表示训练样本集中的第
i个训练样本工作温度,表示训练样本集中的第
i个训练样本输出信号,表示监督值,分别表示预测值,分别表示对应的权重值。
更进一步地,基于所述工作温度对采集的红外图像进行过滤操作以舍掉不合适的红外图像。
更进一步地,所述过滤操作包括:从数据库中获取所述工作温度对应的标准红外图像,计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,则舍掉该采集的红外图像,继续进行红外图像的采集,如果大于或等于第一阈值,则判定该采集的红外图像为合格。
更进一步地,确定的方式为:
;
;
其中,表示第一子神经网络在训练过程中损失函数的最大值,表示第一子神经网络在训练过程中损失函数的最小值,表示第二子神经网络在训练过程中损失函数的最大值,表示第二子神经网络在训练过程中损失函数的最小值。
更进一步地,所述基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号的操作为:计算所述输出信号S与所述第一预测输出信号Ps的差值的绝对值diff,则所述校正的输出信号Cs为:
;
其中,的确定方式为:
为第二阈值,
T2为第三阈值。
本发明还提出了一种电子设备,所述电子设备包括处理器和存储器,所述存储器上存储有计算机程序,当所述计算机存储介质上的计算机程序被处理器执行时实现上述任一项所述的方法。
本发明还提出了一种计算机可读存储介质,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于:本发明的一种基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置及存储介质,该方法包括:采集步骤S101,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;预测步骤S102,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;校正步骤S103,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;本发明中提出了基于神经网络对光纤陀螺仪在低角速率下的输出进行校正,该神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数
L1进行训练,所述第二子神经网络使用损失函数
L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练。也就是说本申请的神经网络包括两个子神经网络,两个子神经网络实际都可以对光纤陀螺仪在低角速率下的输出进行校正,本发明为了提高校正精度,分别对两个子神经网络单独训练后,基于优化的损失函数对两个子神经网络进行联合训练,使得两个子神经网络的整体预测性能最佳,本发明提出了具体的优化后的损失函数,进而提高了预测性能,从而提高了光纤陀螺仪在低角速率下的输出校正的准确性;本发明提出了两个子神经网络联合网络的优化的损失函数,该损失函数中的关键一点是两个变量L1、L2的权重确定方式,本发明提出了基于两个子神经网络在训练的过程中各自损失函数的最大值、最小值确定权重的具体公式,相当于将两个子神经网络的权重进行了设置,提高了提高校正的可靠性,这是本发明的另一个重要发明点。本发明提出了具体的校正公式,即二者的差小于T1时,二者求和除以2即可,二者的差大于或等于T1且小于T2时,基于具体的公式进行计算,该计算方式考虑了二者的差的绝对值diff的作用,从而使得校正后的信号更为准确,大于或等于T2时,说明预测值误差较大,需要舍去,然后重新进行预测。这种方式提高了校正后的输出信号的准确性及可靠性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种基于神经网络的光纤陀螺仪低角速率下的输出校正方法的流程图。
图2是根据本发明的实施例的一种基于神经网络的光纤陀螺仪低角速率下的输出校正装置的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于神经网络的光纤陀螺仪低角速率下的输出校正方法,其特征在于,该方法包括:
采集步骤S101,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;本发明所称的低角速率是指光纤陀螺仪单位时间的偏转角度很小,比如小于5º/s,此时,认为光纤陀螺仪处于低角速率,由于光纤陀螺仪的输出受温度等外界条件影响较大,在低角速率下产生的输出误差会更大,因此,有必要对光纤陀螺仪低角速率下的输出进行校正。
预测步骤S102,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;
校正步骤S103,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;
其中,所述神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数
L1进行训练,所述第二子神经网络使用损失函数
L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练,所述优化的损失函数
L为:
;
;
;
其中,
表示训练样本集中的第
i个训练样本红外图像,
表示训练样本集中的第
i个训练样本工作温度,表示训练样本集中的第
i个训练样本输出信号,表示监督值,分别表示预测值,分别表示对应的权重值。
本发明中提出了基于神经网络对光纤陀螺仪在低角速率下的输出进行校正,该神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数
L1进行训练,所述第二子神经网络使用损失函数
L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练。也就是说本申请的神经网络包括两个子神经网络,两个子神经网络实际都可以对光纤陀螺仪在低角速率下的输出进行校正,本发明为了提高校正精度,分别对两个子神经网络单独训练后,基于优化的损失函数对两个子神经网络进行联合训练,使得两个子神经网络的整体预测性能最佳,本发明提出了具体的优化后的损失函数,进而提高了预测性能,从而提高了光纤陀螺仪在低角速率下的输出校正的准确性,这是本发明的一个重要发明点。
在一个进一步地实施例中,基于所述工作温度对采集的红外图像进行过滤操作以舍掉不合适的红外图像。所述过滤操作包括:从数据库中获取所述工作温度对应的标准红外图像,计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,则舍掉该采集的红外图像,继续进行红外图像的采集,如果大于或等于第一阈值,则判定该采集的红外图像为合格。红外图像反应了光纤陀螺仪在一定温度下的状态,所以才将其作为校准的一个输入条件,但是,由于外界因素的干扰,导致采集的红外图像可能不佳,需要对采集的图像进行判断,本发明中计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,可以通过图像相似度的具体计算方法进行计算,从而舍去不佳的图像,进而提高校正的可靠性,这是本发明的另一个重要发明点。
在一个进一步地实施例中,确定的方式为:
;
;
其中,表示第一子神经网络在训练过程中损失函数的最大值,表示第一子神经网络在训练过程中损失函数的最小值,表示第二子神经网络在训练过程中损失函数的最大值,表示第二子神经网络在训练过程中损失函数的最小值。
本发明重要的发明构思是提出了两个子神经网络联合网络的优化的损失函数,该损失函数中的关键一点是两个变量L1、L2的权重确定方式,本发明提出了基于两个子神经网络在训练的过程中各自损失函数的最大值、最小值确定权重的具体公式,相当于将两个子神经网络的权重进行了设置,提高了提高校正的可靠性,这是本发明的另一个重要发明点。
在一个进一步地实施例中,所述基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号的操作为:计算所述输出信号S与所述第一预测输出信号Ps的差值的绝对值diff,则所述校正的输出信号Cs为:
;
其中,的确定方式为:
为第二阈值,
T2为第三阈值。
现有技术中,一般直接使用预测值作为校准后的输出信号,这样方式在对光纤陀螺仪在低角速率下的输出校正时并不适用,这是因为预测值可能与实际的输出值差别较大,这样的预测值可靠性较低,为了解决该问题,本发明提出了具体的校正公式,即二者的差小于T1时,二者求和除以2即可,二者的差大于或等于T1且小于T2时,基于具体的公式进行计算,该计算方式考虑了二者的差的绝对值diff的作用,从而使得校正后的信号更为准确,大于或等于T2时,说明预测值误差较大,需要舍去,然后重新进行预测。这种方式提高了校正后的输出信号的准确性及可靠性,这是本发明的一个重要发明构思之所在。
图2示出了本发明的一种基于神经网络的光纤陀螺仪低角速率下的输出校正装置,其特征在于,该装置包括:
采集单元201,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;本发明所称的低角速率是指光纤陀螺仪单位时间的偏转角度很小,比如小于5º/s,此时,认为光纤陀螺仪处于低角速率,由于光纤陀螺仪的输出受温度等外界条件影响较大,在低角速率下产生的输出误差会更大,因此,有必要对光纤陀螺仪低角速率下的输出进行校正。
预测单元202,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;
校正单元203,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;
其中,所述神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数
L1进行训练,所述第二子神经网络使用损失函数
L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练,所述优化的损失函数
L为:
;
;
;
其中,
表示训练样本集中的第
i个训练样本红外图像,
表示训练样本集中的第
i个训练样本工作温度,表示训练样本集中的第
i个训练样本输出信号,表示监督值,、分别表示预测值,分别表示对应的权重值。
本发明中提出了基于神经网络对光纤陀螺仪在低角速率下的输出进行校正,该神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数
L1进行训练,所述第二子神经网络使用损失函数
L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练。也就是说本申请的神经网络包括两个子神经网络,两个子神经网络实际都可以对光纤陀螺仪在低角速率下的输出进行校正,本发明为了提高校正精度,分别对两个子神经网络单独训练后,基于优化的损失函数对两个子神经网络进行联合训练,使得两个子神经网络的整体预测性能最佳,本发明提出了具体的优化后的损失函数,进而提高了预测性能,从而提高了光纤陀螺仪在低角速率下的输出校正的准确性,这是本发明的一个重要发明点。
在一个进一步地实施例中,基于所述工作温度对采集的红外图像进行过滤操作以舍掉不合适的红外图像。所述过滤操作包括:从数据库中获取所述工作温度对应的标准红外图像,计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,则舍掉该采集的红外图像,继续进行红外图像的采集,如果大于或等于第一阈值,则判定该采集的红外图像为合格。红外图像反应了光纤陀螺仪在一定温度下的状态,所以才将其作为校准的一个输入条件,但是,由于外界因素的干扰,导致采集的红外图像可能不佳,需要对采集的图像进行判断,本发明中计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,可以通过图像相似度的具体计算方法进行计算,从而舍去不佳的图像,进而提高校正的可靠性,这是本发明的另一个重要发明点。
在一个进一步地实施例中,确定、的方式为:
;
;
其中,表示第一子神经网络在训练过程中损失函数的最大值,表示第一子神经网络在训练过程中损失函数的最小值,表示第二子神经网络在训练过程中损失函数的最大值,表示第二子神经网络在训练过程中损失函数的最小值。
本发明重要的发明构思是提出了两个子神经网络联合网络的优化的损失函数,该损失函数中的关键一点是两个变量L1、L2的权重确定方式,本发明提出了基于两个子神经网络在训练的过程中各自损失函数的最大值、最小值确定权重的具体公式,相当于将两个子神经网络的权重进行了设置,提高了提高校正的可靠性,这是本发明的另一个重要发明点。
在一个进一步地实施例中,所述基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号的操作为:计算所述输出信号S与所述第一预测输出信号Ps的差值的绝对值diff,则所述校正的输出信号Cs为:
;
其中,的确定方式为:
为第二阈值,
T2为第三阈值。
现有技术中,一般直接使用预测值作为校准后的输出信号,这样方式在对光纤陀螺仪在低角速率下的输出校正时并不适用,这是因为预测值可能与实际的输出值差别较大,这样的预测值可靠性较低,为了解决该问题,本发明提出了具体的校正公式,即二者的差小于T1时,二者求和除以2即可,二者的差大于或等于T1且小于T2时,基于具体的公式进行计算,该计算方式考虑了二者的差的绝对值diff的作用,从而使得校正后的信号更为准确,大于或等于T2时,说明预测值误差较大,需要舍去,然后重新进行预测。这种方式提高了校正后的输出信号的准确性及可靠性,这是本发明的一个重要发明构思之所在。
本发明一个实施例中提出了一种电子设备,所述电子设备包括处理器和存储器,所述存储器上存储有计算机程序,当所述计算机存储介质上的计算机程序被处理器执行时实现上述任一项所述的方法。
本发明一个实施例中提出了一种计算机存储介质,所述计算机存储介质上存储有计算机程序,当所述计算机存储介质上的计算机程序被处理器执行时实现上述的方法,该计算机存储介质可以是硬盘、DVD、CD、闪存等等存储器。
本发明的为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (10)
1.一种基于神经网络的光纤陀螺仪低角速率下的输出校正方法,其特征在于,该方法包括:
采集步骤,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;
预测步骤,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;
校正步骤,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;
其中,所述神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数L1进行训练,所述第二子神经网络使用损失函数L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练,所述优化的损失函数L为:
;
;
;
其中,表示训练样本集中的第i个训练样本红外图像,表示训练样本集中的第i个训练样本工作温度,表示训练样本集中的第i个训练样本输出信号,表示监督值,分别表示预测值,分别表示对应的权重值。
2.根据权利要求1所述的方法,其特征在于,基于所述工作温度对采集的红外图像进行过滤操作以舍掉不合适的红外图像。
3.根据权利要求2所述的方法,其特征在于,所述过滤操作包括:从数据库中获取所述工作温度对应的标准红外图像,计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,则舍掉该采集的红外图像,继续进行红外图像的采集,如果大于或等于第一阈值,则判定该采集的红外图像为合格。
4.根据权利要求3所述的方法,其特征在于,
确定的方式为:
;
;
其中,表示第一子神经网络在训练过程中损失函数的最大值,表示第一子神经网络在训练过程中损失函数的最小值,表示第二子神经网络在训练过程中损失函数的最大值,表示第二子神经网络在训练过程中损失函数的最小值。
5.一种基于神经网络的光纤陀螺仪低角速率下的输出校正装置,其特征在于,该装置包括:
采集单元,采集光纤陀螺仪当前的红外图像、工作温度以及输出信号,所述输出信号是所述光纤陀螺仪在低角速率下产生的;
预测单元,将采集的所述红外图像、工作温度以及输出信号输入至训练后的神经网络进行预测得到第一预测输出信号,所述神经网络基于优化的损失函数进行训练;
校正单元,基于所述输出信号和第一预测输出信号进行处理得到校正的输出信号;
其中,所述神经网络包括第一子神经网络和第二子神经网络,所述第一子神经网络基于训练样本集中的样本红外图像进行训练,所述第二子神经网络基于训练样本集中的样本工作温度和样本输出信号进行训练,所述第一子神经网络使用损失函数L1进行训练,所述第二子神经网络使用损失函数L2进行训练,当所述第一、二子神经网络训练好后,使用所述优化的损失函数对所述第一、二子神经网络进行联合训练,所述优化的损失函数L为:
;
;
;
其中,表示训练样本集中的第i个训练样本红外图像,表示训练样本集中的第i个训练样本工作温度,表示训练样本集中的第i个训练样本输出信号,表示监督值,分别表示预测值,分别表示对应的权重值。
6.根据权利要求5所述的装置,其特征在于,基于所述工作温度对采集的红外图像进行过滤操作以舍掉不合适的红外图像。
7.根据权利要求6所述的装置,其特征在于,所述过滤操作包括:从数据库中获取所述工作温度对应的标准红外图像,计算所述采集的红外图像与所述标准红外图像之间的相似度,如果所述相似度小于第一阈值,则舍掉该采集的红外图像,继续进行红外图像的采集,如果大于或等于第一阈值,则判定该采集的红外图像为合格。
8.根据权利要求7所述的装置,其特征在于,
确定的方式为:
;
;
其中,表示第一子神经网络在训练过程中损失函数的最大值,表示第一子神经网络在训练过程中损失函数的最小值,表示第二子神经网络在训练过程中损失函数的最大值,表示第二子神经网络在训练过程中损失函数的最小值。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器上存储有计算机程序,当所述计算机存储介质上的计算机程序被处理器执行时实现权利要求1-4任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,当所述计算机存储介质上的计算机程序被处理器执行时实现权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380651.7A CN116086497B (zh) | 2023-04-11 | 2023-04-11 | 基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380651.7A CN116086497B (zh) | 2023-04-11 | 2023-04-11 | 基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116086497A true CN116086497A (zh) | 2023-05-09 |
CN116086497B CN116086497B (zh) | 2023-06-09 |
Family
ID=86206817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310380651.7A Active CN116086497B (zh) | 2023-04-11 | 2023-04-11 | 基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116086497B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110348563A (zh) * | 2019-05-30 | 2019-10-18 | 平安科技(深圳)有限公司 | 神经网络半监督训练方法、装置、服务器及存储介质 |
CN112633267A (zh) * | 2020-12-11 | 2021-04-09 | 苏州浪潮智能科技有限公司 | 一种图片的文本定位方法、***、设备以及介质 |
CN114754801A (zh) * | 2022-06-16 | 2022-07-15 | 北京理工导航控制科技股份有限公司 | 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质 |
CN114973152A (zh) * | 2022-07-27 | 2022-08-30 | 北京华夏圣远能源科技有限公司 | 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质 |
CN114973177A (zh) * | 2022-06-02 | 2022-08-30 | 广州小鹏自动驾驶科技有限公司 | 车位检测方法、装置、车辆及存储介质 |
US20220309779A1 (en) * | 2021-03-26 | 2022-09-29 | Canon Kabushiki Kaisha | Neural network training and application method, device and storage medium |
CN115511069A (zh) * | 2021-06-22 | 2022-12-23 | Oppo广东移动通信有限公司 | 神经网络的训练方法、数据处理方法、设备及存储介质 |
-
2023
- 2023-04-11 CN CN202310380651.7A patent/CN116086497B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110348563A (zh) * | 2019-05-30 | 2019-10-18 | 平安科技(深圳)有限公司 | 神经网络半监督训练方法、装置、服务器及存储介质 |
CN112633267A (zh) * | 2020-12-11 | 2021-04-09 | 苏州浪潮智能科技有限公司 | 一种图片的文本定位方法、***、设备以及介质 |
US20220309779A1 (en) * | 2021-03-26 | 2022-09-29 | Canon Kabushiki Kaisha | Neural network training and application method, device and storage medium |
CN115511069A (zh) * | 2021-06-22 | 2022-12-23 | Oppo广东移动通信有限公司 | 神经网络的训练方法、数据处理方法、设备及存储介质 |
CN114973177A (zh) * | 2022-06-02 | 2022-08-30 | 广州小鹏自动驾驶科技有限公司 | 车位检测方法、装置、车辆及存储介质 |
CN114754801A (zh) * | 2022-06-16 | 2022-07-15 | 北京理工导航控制科技股份有限公司 | 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质 |
CN114973152A (zh) * | 2022-07-27 | 2022-08-30 | 北京华夏圣远能源科技有限公司 | 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116086497B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115600891B (zh) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及*** | |
CN116086497B (zh) | 基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质 | |
CN112097772B (zh) | 机器人及其地图构建方法和装置 | |
CN110335219B (zh) | 一种像素畸变的校正方法、校正装置及终端 | |
CN112113471A (zh) | 基于最优模糊***的惯导测量弹道修正方法 | |
CN111626168A (zh) | 手势识别方法、装置、设备和介质 | |
CN116740145A (zh) | 一种多目标跟踪方法、装置、车辆及存储介质 | |
US6163291A (en) | Successive approximation analog to digital converter with bit error correction | |
CN114614825B (zh) | 一种低成本高速脉冲信号数据采样和峰值检测方法 | |
CN116295528A (zh) | 一种mems陀螺仪非线性分段温度补偿方法 | |
CN110751174A (zh) | 一种基于多任务级联卷积网络的表盘检测方法和*** | |
US4206505A (en) | Random process initial moments computer | |
CN112102942B (zh) | 骨骼发育等级检测方法及终端设备 | |
CN115802355B (zh) | 一种移动物联网卡管理方法、装置及云平台 | |
CN117664117B (zh) | 一种光纤陀螺的漂移数据分析及优化补偿方法 | |
JPH02503965A (ja) | 改良された標的連想法 | |
CN110580429B (zh) | 一种视频背景库的管理方法、装置及其应用 | |
CN113822270B (zh) | 一种结构健康监测高频数据异常值的确定方法及装置 | |
CN117406759B (zh) | 一种管道机器人爬行校准方法和*** | |
CN116908134B (zh) | 增塑剂含量的半定量分析方法及分析模型的训练方法 | |
JP3017504B2 (ja) | 論理回路シミユレーシヨン用期待値抽出方法 | |
CN118067155A (zh) | 陀螺仪的温度补偿方法及装置 | |
CN115540909A (zh) | 一种惯性平台***调平电流异常值检测处理方法 | |
CN116148806A (zh) | 一种确定目标物体深度的方法、装置及电子设备 | |
CN117742215A (zh) | 适用于复杂工况下超强越障的无人机控制***及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |