[发明专利]基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法

权利要求书

1.基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法，其特征在于，包括以下步骤：

S1、神经网络模型搭建

面向MEMS-INS定位增强的LSTM神经网络模型包含两个模块，即去噪模块和计算模块；

S2、数据集获取及预处理

神经网络搭建完毕后，采集数据并对数据集进行预处理，以供神经网络的训练与测试；使用陆地车辆作为MEMS-INS的载体用于数据集获取；

采集足量数据后，需按照时间窗序列长度L对数据集进行分割预处理；

最后，将预处理后的数据集依照8：2的比例分为训练集和测试集，以对神经网络模型进行训练和测试；

S3、神经网络模型训练与测试

定义损失函数为均方误差MSE损失函数，即表示神经网络模型预测值与基准值的欧氏距离之和，如下式所示：

训练阶段，使用Adam优化器对神经网络模型中的权重进行优化计算，初始学习率设置为10^-4；

设定最大训练步数为1000epochs，在每个训练周期中，通过前向传播计算神经网络模型的预测输出以及对应的损失函数；通过反向传播算法与Adam优化器对模型的权重进行优化；

在训练过程中每经过20epochs对神经网络模型的损失函数进行比较，若损失函数收敛到预设的阈值以内，则代表训练完成，终止对神经网络模型的训练；

测试阶段，将测试集中的数据输入到训练完毕后的LSTM神经网络模型中，计算神经网络模型的预测输出与损失函数值，进而评估神经网络模型的性能；

最终，将经训练与测试后的LSTM神经网络模型，用于低成本MEMS-INS的实际使用中，将设定时间窗序列长度中MEMS-IMU测得的原始数据作为神经网络模型的输入，模型最终输出当前时间窗始末载体的相对位姿变化量。

2.根据权利要求1所述的基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法，其特征在于，所述的去噪模块包括一个全连接层、一个LSTM层和一个门控循环单元GRU层依次连接，其作用是对MEMS-IMU测量的时序信号进行去噪处理，输出去噪后的IMU信号序列；

所述的计算模块由两个全连接层连接组成，其作用是根据去噪处理后的IMU时序信号计算出载体相对时刻间的位姿变化量。

3.根据权利要求2所述的基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法，其特征在于，所述的LSTM层由多个首尾相连的LSTM单元组成；

记IMU原始测量信号为其主要包含三轴加速度计测量(a_x,a_y,a_z)和三轴陀螺仪测量(ω_x,ω_y,ω_z)6个分量；进入LSTM层之前，将首先进入全连接层；记LSTM单元的IMU输入张量为x_t，LSTM单元的输出张量为y_t；

全连接层由多个具有6-128个神经元的全连接单元组成，其作用是将中的6个分量转化为具有128个数据分量的x_t，进而与LSTM层输入张量的维度相匹配；

全连接层后的LSTM层与GRU层均具有128个隐藏节点。