[发明专利]基于GA优化BP神经网络的硅微加速度计温度补偿方法、系统

说明书

本发明涉及一种基于GA优化BP神经网络的硅微加速度计温度补偿方法、系统，为了提高温度补偿精度而设计。本发明，基于遗传算法的选择出最优的个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值；基于训练样本，建立BP神经网络，通过BP神经网络自学习建立加速度计的温度补偿模型，将得到的温度补偿模型参数存放在微处理器的存储器中，编写程序，通过调用GA‑BP神经网络模型参数矩阵，计算出补偿后输出值，并实现补偿算法的实时输出。本发明神经网络前向反馈训练过程采用附加动量和动态自适应学习率的梯度下降算法，动态自适应学习率算法有效防止训练发散和收敛速度慢的缺点。

技术领域

本发明属于温度补偿领域，具体涉及一种基于GA优化BP神经网络的硅微加速度计温度补偿方法、系统。

背景技术

硅微加速度计是惯性测量和导航系统的关键元件之一，已广泛应用于航空航天、弹药、高铁机车、智能手机和汽车等领域。因此，硅微加速度计的精度和稳定性也就显得尤为重要，而硅微加速度计精度和稳定性受环境因素是影响很大，其中环境温度对其性能影响最为突出。这是由于硅微加速度计本身对温度敏感。当环境温度改变时，硅微加速度计的模型也将发生改变。因此，对硅微加速度计进行温度补偿是提高硅微加速度计精度和稳定性的重要手段。

目前，常用的补偿方法有硬件补偿和软件补偿两大类。其中，硬件补偿方法主要有：①在硅微加速度计设计时充分考虑热设计，妥善处理设计中出现的热干扰，尽可能减小对硅微加速度计的影响；②在硅微加速度计中增加温度补偿结构设计，采用负温度系数的材料或元件以抵消由温度变化造成的材料物理参数的变化，从而达到温度补偿的目的；③通过增加硬件措施，改善加速度计工作环境温度。硬件补偿方法大都实现成本高，过程复杂。所以工程中更多采用软件补偿方案，软件补偿方法则是通过相关算法构建硅微加速计温度模型，诸如多项式的曲面拟合、向量机、小波神经网络、人工神经网络等。

现有技术分别从敏感结构和工艺加工过程、工作环境以及电路中的软件等方面实现硅微加速度计温度补偿。这些技术要么设计加工难度高、效果差，要么电路复杂，很难在实际工程中得到应用，还存在温度全局性欠佳以及输出精度不高等问题。已公开文献中的补偿方法也存在算法自适应性较差。

鉴于上述的缺陷，本设计人积极加以研究创新，以期创设一种基于GA优化BP神经网络的硅微加速度计温度补偿方法、系统，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种可靠性高、全局性好、补偿精度高、具有良好的自适应性、自组织性和学习能力强的基于GA优化BP神经网络的硅微加速度计温度补偿方法、系统。

为达到上述发明目的，本发明基于GA优化BP神经网络的硅微加速度计温度补偿方法，包括：

获取遗传算法GA的搜索种群和BP神经网络的训练样本，所述训练样本为硅微加速在不同温度点下的多组加速输出的平均值、温度输出的平均值；

基于遗传算法的反复选择、交叉、变异操作选择出最优的个体，该个体所包含的网络权值和阈值作为BP网络训练的初始权值和阈值；

基于训练样本，建立BP神经网络，通过BP神经网络自学习建立加速度计的温度补偿模型，表达式如下：