[发明专利]基于灰色小波神经网络的MEMS陀螺随机误差预测方法

说明书

技术领域

本发明涉及的是一种组合导航中MEMS（微机械陀螺）的随机误差预测方法。

背景技术

MEMS概念是由美国著名物理学家Feyman最先提出的，他指出MEMS技术发展的一个问题就是如何用低精度的工具制造高精度产品。MEMS陀螺仪具有如下优点：尺寸小、体积小、较轻的重量且成本比较低廉；MEMS陀螺采用的加工工艺是类集成电路的硅加工工艺，器件尺寸小，且重量轻，适合批量生产；性能稳定且抗干扰能力强；可靠性也比较高且易集成、功耗低。由于MEMS陀螺仪的这些优点，其在多个领域中均有广泛应用，尤其是航空、航天、军事及消费领域。目前，基于MEMS陀螺仪的导航、制导系统的研究很多，在汽车工业、生物医学工程、精密仪器、航天航空、移动通信等有了广泛的应用。但是由于MEMS陀螺精度比传统陀螺低，使其应用受到限制。如何改善MEMS陀螺精度成为MEMS陀螺的研究重点。

由于MEMS陀螺的制造工艺及使用环境的影响，使MEMS陀螺产生很大的随机误差，是影响其精度的一个重要原因。因此对MEMS陀螺进行误差补偿是提高其精度的一个重要手段。很多研究机构和学者都在研究MEMS陀螺的随机误差建模方法，以提高MEMS陀螺的性能和鲁棒性。

在现有的陀螺随机误差建模中，对于陀螺随机误差通常采用的是Allan方差和ARMA模型的建模方法。对于Allan方差方法是建立在统计学基础上的建模方法，仅适用于非平稳的随机信号；而时间序列ARMA模型要求数据必须是平稳、线性的，需对数据进行平稳化、线性化处理。小波神经网络是小波分析理论与神经网络相结合的产物，它继承了小波变换和神经网络的优点，因而表现出具有对非线性函数的最佳逼近和全局逼近的能力，又具有自学习、自适应、时频特性好、建模能力强等特性，因此在非线性系统建模获得了广泛的应用。灰色小波网络是将灰色理论与小波网络结合，用灰色理论模型预处理原始数据，然后用处理后的数据建立小波模型。这样可以减少网络的训练时间，提高预测精度。

发明内容

本发明的目的在于提供一种能保证预测的准确性的基于灰色小波神经网络的MEMS陀螺随机误差预测方法。

本发明的目的是这样实现的：

步骤1：对MEMS陀螺的输出数据进行预处理，采集MEMS陀螺的输出数据，对输出数据小波分析，选取Db4小波函数对陀螺的输出数据进行去噪处理；

步骤2：对去噪后的MEMS陀螺的输出数据进行分组，确定输入向量和目标向量；

步骤3：构建灰色小波网络预测模型，确定灰色小波网络的输入节点数，输出节点数，隐含层节点数，初始化网络；

步骤4：对所建网络进行训练，并保存网络用来预测陀螺随机误差的趋势。

本发明的优点：

（1）本发明首先对MEMS陀螺的输出信号进行去噪处理，减少噪声的影响，保证预测的准确性。

（2）本发明在信号去噪中采用改进阈值的方法对信号进行阈值处理，优点是可以很好保留信号的细节部分，去噪效果好。

（3）本发明采用的是灰色小波神经网络预测法。将灰色理论与小波网络集合，该方法利用灰色理论运算法则处理陀螺输出信号，使信号呈现一定的规律，优点是减少网络的训练时间及提高预测的精度。

附图说明

图1是基于灰色小波网络的MEMS陀螺随机误差预测流程图。

图2是提升方法的小波分解与重构示意图。

图3是MEMS陀螺原始数据输出示意图。

图4是基于小波去噪的MEMS陀螺数据输出示意图。

图5是小波神经网络结构图。

图6是小波神经网算法流程图。

图7是灰色小波网络预测输出结果。

具体实施方式

本发明描述的方法是一种MEMS陀螺随机误差预测方法，该发明采用了灰色小波网络的预测方法，与传统的陀螺随机误差建模方法相比，该方法将灰色理论与小波神经网络相结合，从而改善MEMS陀螺随机误差预测精度，并且与传统方法相比预测精度有了明显的提高。

结合图1，本发明的技术方案包括如下步骤：

步骤1：对MEMS陀螺的输出数据进行预处理。采集MEMS陀螺的输出数据，对输出数据小波分析，选取Db4小波函数对陀螺的输出数据进行去噪处理。