本發(fā)明涉及溫度補(bǔ)償，特別是涉及一種面向陀螺儀的溫度補(bǔ)償方法。

背景技術(shù)：

1、mems陀螺儀作為一種重要的微慣性器件，在航空航天、智能電子、虛擬現(xiàn)實(shí)等領(lǐng)域有著廣泛的應(yīng)用。它可以測(cè)量物體的角速度，為導(dǎo)航、姿態(tài)控制等應(yīng)用提供數(shù)據(jù)支持。然而，內(nèi)部熱敏材料的溫度變化會(huì)導(dǎo)致溫度漂移現(xiàn)象，從而影響其輸出信號(hào)的穩(wěn)定性和準(zhǔn)確性。溫度補(bǔ)償可以抵消溫度對(duì)mems陀螺儀的影響，提高其精度和長(zhǎng)期穩(wěn)定性。溫度補(bǔ)償方法的研究與發(fā)展是當(dāng)前mems陀螺儀研究的熱點(diǎn)之一。mems陀螺儀的補(bǔ)償方法大致可分為兩種：硬件補(bǔ)償和軟件補(bǔ)償。這些方法旨在減輕溫度波動(dòng)對(duì)陀螺儀性能的有害影響，最終提高其在不同操作場(chǎng)景中的準(zhǔn)確性和穩(wěn)定性。硬件補(bǔ)償方法主要包括設(shè)計(jì)和集成陀螺儀系統(tǒng)中的物理結(jié)構(gòu)或部件，以抵消溫度引起的誤差。這種方法通常包括將溫度傳感器直接嵌入到陀螺儀組件中，以監(jiān)測(cè)環(huán)境溫度的變化。通過(guò)測(cè)量這些波動(dòng)，傳感器提供反饋來(lái)實(shí)時(shí)調(diào)整陀螺儀的操作參數(shù)，如偏差和比例因子，以抵消溫度影響。軟件補(bǔ)償算法可分為串行和并行兩種結(jié)構(gòu)，串行結(jié)構(gòu)即先去噪后進(jìn)行溫度補(bǔ)償，這會(huì)導(dǎo)致有用信號(hào)的丟失。相反，并行架構(gòu)是首先對(duì)信號(hào)進(jìn)行分解，然后針對(duì)不同的信號(hào)選擇相應(yīng)的處理手段，軟件補(bǔ)償算法通常依賴于自適應(yīng)信號(hào)分解方法、去噪方法、神經(jīng)網(wǎng)絡(luò)等。

2、mems陀螺儀的溫度補(bǔ)償可以通過(guò)創(chuàng)新結(jié)構(gòu)設(shè)計(jì)，如i型體聲諧振器的設(shè)計(jì)，被用來(lái)提高溫度穩(wěn)定性和廣譜動(dòng)態(tài)頻率調(diào)整能力。針對(duì)高q值mems陀螺儀，有學(xué)者設(shè)計(jì)了一種實(shí)時(shí)溫度自感知硬件補(bǔ)償算法，大大提高了陀螺儀的測(cè)量精度。雖然硬件補(bǔ)償方法更加準(zhǔn)確可靠，但是這種方法開(kāi)發(fā)周期長(zhǎng)，適應(yīng)性有限，不易推廣。

3、主流的去噪算法包括小波變換、卡爾曼濾波、傅里葉變換等，這些算法都有不同程度的缺點(diǎn)。傅里葉變換缺乏時(shí)域定位能力，不適用于非平穩(wěn)信號(hào)?？柭鼮V波涉及矩陣運(yùn)算，計(jì)算量大，信號(hào)失真嚴(yán)重。有研究人員探索了一種雙閉環(huán)控制策略，其特征在于對(duì)諧振集成光學(xué)陀螺儀進(jìn)行差分調(diào)制，提高檢測(cè)精度并使噪聲干擾最小化，這顯著提高了陀螺儀的可靠性，并減少了不同條件下的控制不準(zhǔn)確性。通過(guò)這一方法設(shè)計(jì)了一種具有獨(dú)特設(shè)計(jì)的mems陀螺儀，增強(qiáng)了對(duì)制造和環(huán)境變化的適應(yīng)能力。有學(xué)者通過(guò)采用單自由度驅(qū)動(dòng)器和2自由度傳感機(jī)制，使獨(dú)立的頻率和帶寬調(diào)整，從而減輕以前的限制在陀螺儀健壯性。由于驅(qū)動(dòng)器和產(chǎn)期的自由度都較小，技術(shù)要求很高，而且使用獨(dú)立的頻率和帶寬調(diào)整會(huì)大大增加成本。

4、需要說(shuō)明的是，在上述背景技術(shù)部分公開(kāi)的信息僅用于對(duì)本技術(shù)的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于克服上述背景技術(shù)的缺陷，提供一種面向陀螺儀的溫度補(bǔ)償方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種面向陀螺儀的溫度補(bǔ)償方法，尤其是面向mems陀螺儀，包括如下步驟：

4、s1、在加入特定噪聲后，將陀螺儀的輸出信號(hào)分解為一系列固有模態(tài)函數(shù)imf；其中，所述特定噪聲是從高斯白噪聲序列中根據(jù)預(yù)定規(guī)則選擇的子集；

5、s2、利用樣本熵se對(duì)分解后的固有模態(tài)函數(shù)imf分為噪聲段、混合段和特征段；其中所述噪聲段主要包含大量噪聲，所述混合段包含噪聲和有用信號(hào)，而所述特征段主要由溫度變化引起的漂移項(xiàng)組成；

6、s3、使用長(zhǎng)窗時(shí)頻峰值濾波tfpf對(duì)噪聲段進(jìn)行去噪處理，使用短窗時(shí)頻峰值濾波tfpf對(duì)所述混合段去噪的同時(shí)保留有用信號(hào)；

7、s4、使用非支配排序遺傳算法nsga?ii優(yōu)化的極限學(xué)習(xí)機(jī)elm對(duì)于含有溫度漂移項(xiàng)的所述特征段進(jìn)行溫度補(bǔ)償；

8、s5、將去噪后的噪聲段和混合段以及補(bǔ)償后的特征段結(jié)合起來(lái)，重建出最終的陀螺儀輸出信號(hào)。

9、進(jìn)一步地，步驟s1中，選擇來(lái)源于高斯白噪聲的第k個(gè)分量的白噪聲ek[w(i)]作為特定噪聲輔助，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解emd方法進(jìn)行所述分解。

10、進(jìn)一步地，步驟s1具體包括：

11、s11、向陀螺儀的輸出信號(hào)中加入標(biāo)準(zhǔn)差為β0的特定噪聲w(i)；

12、s12、利用經(jīng)驗(yàn)?zāi)B(tài)分解emd算法對(duì)加入特定噪聲的信號(hào)進(jìn)行分解，依次計(jì)算得到第一至第k個(gè)imf值；

13、s13、將分解計(jì)算得到的k個(gè)imf值以及最后得到的殘差項(xiàng)結(jié)合，重構(gòu)出原始信號(hào)的近似表示。

14、進(jìn)一步地，步驟s12中，對(duì)于原始信號(hào)x(i)，通過(guò)emd算法計(jì)算其局部平均值作為第一個(gè)殘差r1，從原始信號(hào)x(i)中減去殘差r1，得到的差值即為第一個(gè)imf值c1；對(duì)于剩余的信號(hào)，將當(dāng)前殘差作為新的原始信號(hào)，并計(jì)算新的局部平均值，然后從當(dāng)前殘差中減去新的局部平均值得到新的imf值，重復(fù)此過(guò)程，直到達(dá)到預(yù)定的imf值數(shù)量k為止。

15、進(jìn)一步地，步驟s3中，使用基于wvd和瞬時(shí)頻率參數(shù)估測(cè)原理的時(shí)頻峰值濾波tfpf算法對(duì)信號(hào)進(jìn)行濾波和去噪，其中在處理多分量信號(hào)時(shí)，整合偽wiener-ville分布pwvd進(jìn)行信號(hào)處理。

16、進(jìn)一步地，步驟s4中，使用極限學(xué)習(xí)機(jī)elm進(jìn)行溫度補(bǔ)償之前，通過(guò)非支配排序遺傳算法nsga?ii優(yōu)化隱層中神經(jīng)元的數(shù)量、激活函數(shù)的類型和輸入層連接權(quán)重的范圍。

17、進(jìn)一步地，步驟s4中，使用非支配排序遺傳算法nsga?ii優(yōu)化極限學(xué)習(xí)機(jī)elm包括：

18、將elm中的待優(yōu)化參數(shù)映射為nsga-ii算法中的種群個(gè)體，設(shè)置隱神經(jīng)元的優(yōu)化間隔，并為激活函數(shù)選擇多種類型進(jìn)行測(cè)試；引入比例因子λ來(lái)動(dòng)態(tài)調(diào)整輸入層連接權(quán)重的范圍：

19、wij∈λ·[-1,1]λ∈[0,1]

20、其中，wij表示輸入層連接權(quán)重，λ為比例因子。

21、進(jìn)一步地，步驟s4中，使用非支配排序遺傳算法nsga?ii優(yōu)化極限學(xué)習(xí)機(jī)elm包括：使用均方誤差rmse和輸出權(quán)重的2-范數(shù)作為目標(biāo)函數(shù)，如下：

22、

23、其中，n是輸入樣本的個(gè)數(shù)，yp,i和yt,i是第一次訓(xùn)練樣本的預(yù)測(cè)值和真值。

24、進(jìn)一步地，步驟s4中，nsga?ii的算法過(guò)程包括：首先，隨機(jī)生成包含n個(gè)體的初始種群pt；然后，利用遺傳算法的基本運(yùn)算得到后代種群qt；然后，通過(guò)重構(gòu)pt和qt，得到種群大小為2n的新種群rt；根據(jù)精英策略，通過(guò)選擇rt中的最優(yōu)n個(gè)體得到pt+1，并通過(guò)遺傳算法再次得到其后代種群qt+1，構(gòu)造新種群rt+1，迭代執(zhí)行此過(guò)程直到滿足停止條件。

25、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序由處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的面向陀螺儀的溫度補(bǔ)償方法。

26、本發(fā)明具有如下有益效果：

27、本發(fā)明提出一種面向陀螺儀的溫度補(bǔ)償方法，是一種新的并行溫度補(bǔ)償和降噪方案，有效地解決了陀螺儀輸出信號(hào)中噪聲和溫度漂移的混合問(wèn)題。首先對(duì)加入輔助噪聲后的陀螺儀輸出信號(hào)進(jìn)行分解，之后利用自適應(yīng)噪聲對(duì)陀螺儀輸出信號(hào)進(jìn)行了改進(jìn)的完全系綜經(jīng)驗(yàn)?zāi)B(tài)分解，提高了陀螺儀的識(shí)別率。然后，利用樣本熵對(duì)一系列固有模態(tài)函數(shù)進(jìn)行分類，將其分為噪聲段、混合段和特征段。對(duì)于不同噪聲水平的噪聲段和混合段，采用不同窗口長(zhǎng)度的時(shí)頻峰值濾波(tfpf)方法實(shí)現(xiàn)噪聲去除和信號(hào)保持之間的折衷。針對(duì)具有溫度漂移的特征分段，采用非支配排序遺傳算法(nsga?ii)對(duì)極值學(xué)習(xí)機(jī)(elm)進(jìn)行優(yōu)化，建立了高精度溫度補(bǔ)償模型。最后對(duì)處理后的分量進(jìn)行重構(gòu)，得到最終的輸出信號(hào)。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的對(duì)比分析，證明了該方法在陀螺儀溫度補(bǔ)償方面具有良好的性能和效果。

28、優(yōu)選實(shí)施例中，本發(fā)明提出了一種基于iceemdan-se-tffpf和nsgaii-elm的陀螺儀溫度補(bǔ)償混合算法。經(jīng)過(guò)iceemdan分解和se分類，將陀螺儀的輸出信號(hào)分為噪聲段、混合段和特征段，然后選擇長(zhǎng)窗和短窗tfpf分別對(duì)噪聲段和混合段進(jìn)行去噪處理。在處理特征片段之前，使用nsgaii優(yōu)化elm，包括隱層神經(jīng)元的數(shù)量、激活函數(shù)的類型和輸入層連接權(quán)重的范圍。優(yōu)化目標(biāo)由預(yù)測(cè)輸出的均方誤差(rmse)和輸出層連接權(quán)重的2-范數(shù)確定。這使得elm具有較好的泛化能力和較高的預(yù)測(cè)精度。

29、與bp神經(jīng)網(wǎng)絡(luò)和elm相比，本發(fā)明改進(jìn)后的elm的預(yù)測(cè)值最接近實(shí)際值，提高了補(bǔ)償精度。實(shí)驗(yàn)結(jié)果表明，補(bǔ)償后輸出信號(hào)的角度隨機(jī)游走和偏置穩(wěn)定性分別從0.531076降低到6.65894×10-3°/h/√hz和32.7364降低到0.259247°/h。

30、本發(fā)明實(shí)施例的優(yōu)點(diǎn)主要包括：

31、1、經(jīng)過(guò)iceemdan分解和se分類，將加入特定噪聲后的陀螺儀的輸出信號(hào)分為噪聲段、混合段和特征段，然后選擇長(zhǎng)窗和短窗tfpf分別對(duì)噪聲段和混合段進(jìn)行去噪處理，可以很好的降低噪聲的干擾；

32、2、在處理特征片段之前，先使用nsgaii優(yōu)化elm，包括隱層神經(jīng)元的數(shù)量、激活函數(shù)的類型和輸入層連接權(quán)重的范圍，可以大大提高溫度補(bǔ)償效果；

33、3、將優(yōu)化目標(biāo)由預(yù)測(cè)輸出的均方誤差(rmse)和輸出層連接權(quán)重的2-范數(shù)確定。這使得elm具有較好的泛化能力和較高的預(yù)測(cè)精度，與bp神經(jīng)網(wǎng)絡(luò)和elm相比，改進(jìn)后的elm的預(yù)測(cè)值最接近實(shí)際值，提高了補(bǔ)償精度。

34、本發(fā)明實(shí)施例中的其他有益效果將在下文中進(jìn)一步述及。