[发明专利]一种山体滑坡MEMS加速度传感器误差补偿方法

说明书

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。

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系统(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，在智能系统、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，改变硬件电路结构，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。