一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法制造方法及图纸

本发明专利技术是一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。本发明专利技术涉及高精度惯性测量技术领域，本发明专利技术建立光纤陀螺参数漂移预测的双向LSTM网络模型，然后对网络进行训练完成模型参数的寻优，实现对光纤惯性测量装置零偏误差模型时间序列复杂特性的精确表征。通过搭建的基于双向LSTM神经网络的应力加速稳定装置获得光纤陀螺和石英加速度计的静态输出数据后。将训练集输入到双向LSTM神经网络中训练，迭代优化网络权重，获得最终的光纤惯性测量装置应力加速稳定参数漂移预测模型。然后使用测试集进行评估，对输出值进行反归一化后，计算真值与预测值的差异。计算真值与预测值的差异。计算真值与预测值的差异。

【技术实现步骤摘要】
一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法


[0001]本专利技术涉及高精度惯性测量
，是一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

技术介绍

[0002]光纤惯性测量装置是由光纤陀螺、石英挠性加速度计及有关电路构成的子系统，可测量运载体相对于惯性空间的线运动和角运动。由于测量装置零部件的材质为多种金属、非金属，在加工等多种因素的影响下(如金属材料的应力释放)，随着存储时间的延长，测量装置的部分标定参数会产生漂移。当漂移量超出一定范围后，测量装置将难以满足性能指标要求。因此，需要对应力变化导致的陀螺和加速度计的零偏漂移情况进行准确预测，从而提高惯性导航系统的整体导航精度。
[0003]目前BackPropagation(BP)神经网络已经应用在惯性器件建模中，其通过模拟生物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，随着所拟合对象复杂度提高、网络规模的扩大，BP网络出现泛化能力不足问题。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。近年来，机器学习的重要分支——深度学习迅猛发展，其具备强感知能力和强化学习的决策能力，在自然语言处理、无人驾驶、智能终端设备等领域得到应用，其中的LongShort TermMemory(LSTM)神经网络由于其特有的循环结构而具备了长短时记忆效应、对高维度信息整体逻辑的强表征能力，在时序问题领域独立鳌头，取得众多成果。
[0004]针对光纤陀螺误差模型特性复杂且受外界环境因素影响显著的问题，开展基于双向LSTM网络的光纤陀螺参数漂移预测研究。建立光纤陀螺参数漂移预测的双向LSTM网络模型，然后对网络进行训练完成模型参数的寻优，实现对光纤惯性测量装置零偏漂移模型时间序列复杂特性的精确表征。

技术实现思路

[0005]本专利技术为克服现有技术的不足，本专利技术的目的在于提供在一种预测应力变化导致的光纤惯性测量装置参数零偏漂移的基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，基于此，本专利技术提供一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。
[0006]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0007]本专利技术提供了一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，本专利技术提供了以下技术方案：
[0008]一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，所述方法包括以下步骤：
[0009]步骤1：搭建基于双向LSTM神经网络的应力加速稳定装置，将光纤惯导系统放置在大理石平台上；
[0010]步骤2：启动光纤惯导系统的、预热准备、初始对准，实时存储闭环光纤陀螺和石英挠性加速度计的静态输出数据；
[0011]步骤3：对光纤惯性测量装置静态数据进行预处理，获得多个时间段的零偏漂移；
[0012]步骤4：构建双向LSTM神经网络的训练集和测试集；
[0013]步骤5：构建双向LSTM神经网络模型，并进行参数设置；
[0014]步骤6：使用双向LSTM神经网络模型对零偏漂移进行预测并评估，得到预测精度。
[0015]优选地，基于双向LSTM神经网络的应力加速稳定装置包括工控机、光纤惯导系统、铅蓄电池和稳压器，数据存储及处理模块使用工控机，采用铅蓄电池和直流稳压器为整体该装置供电。
[0016]优选地，所述步骤3具体为：
[0017]对光纤陀螺和石英加速度计的静态输出数据进行十秒平滑，并且每12小时计算一次均值，从而获得多个时间段的静态输出值，再减去初始时间段的静态输出，从而获得多个时间段的零偏漂移：
[0018][0019]其中，表示陀螺的三轴静态输出，为石英挠性加速度计的三轴静态输出，n表示时间段的个数，由采集时间决定，并且对三轴数据进行归一化处理，获得最终的闭环光纤陀螺和石英加速度计的零偏漂移数据。
[0020]优选地，所述步骤4具体为：
[0021]将前12.5％天的零偏漂移量作为输入值，将后87.5％天的零偏漂移量作为输出值构建训练集，对采集到的零偏漂移数据施加8％的随机噪声，从而构建多个训练样本数据，并且取其中的部分数据作为测试集，构建的闭环光纤陀螺和石英加速度计零偏漂移训练集。
[0022]优选地，所述步骤5具体为：
[0023]设置双向LSTM神经网络的隐藏层有200单元，并进行500轮训练，为防止梯度爆炸，将梯度阈值设置为1，设定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率，网络模型通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出，细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量。
[0024]优选地，为了计算预测值和生成下一个时间步完整的输入，LSTM通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出，细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量：
[0025]o
t
＝σ(W
o
[h
t
‑1,x
t
‑1]+b
o
)。
[0026]优选地，所述步骤6具体为：
[0027]对测试集进行预测，前12.5％天的零偏漂移量作为输入值，后87.5％天的零偏漂移量作为输出值，反归一化处理后获得预测的零偏漂移值，并结合零偏漂移实测值对模型进行评估，将零偏漂移预测值的误差RMSE与真实零偏漂移量的RMSE的比值A作为双向LSTM的预测精度：
[0028][0029]其中，RMSE
pre
表示零偏漂移预测值的误差RMSE值，RMSE
truth
真实零偏漂移量的RMSE值。
[0030]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。
[0031]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。
[0032]本专利技术具有以下有益效果：
[0033]本专利技术与现有技术相比：
[0034]本专利技术使用双向LSTM神经网络对对光纤惯性测量装置零偏漂移模型时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，其特征是：所述方法包括以下步骤：步骤1：搭建基于双向LSTM神经网络的应力加速稳定装置，将光纤惯导系统放置在大理石平台上；步骤2：启动光纤惯导系统的、预热准备、初始对准，实时存储闭环光纤陀螺和石英挠性加速度计的静态输出数据；步骤3：对光纤惯性测量装置静态数据进行预处理，获得多个时间段的零偏漂移；步骤4：构建双向LSTM神经网络的训练集和测试集；步骤5：构建双向LSTM神经网络模型，并进行参数设置；步骤6：使用双向LSTM神经网络模型对零偏漂移进行预测并评估，得到预测精度。2.根据权利要求1所述的方法，其特征是：基于双向LSTM神经网络的应力加速稳定装置包括工控机、光纤惯导系统、铅蓄电池和稳压器，数据存储及处理模块使用工控机，采用铅蓄电池和直流稳压器为整体该装置供电。3.根据权利要求2所述的方法，其特征是：所述步骤3具体为：对光纤陀螺和石英加速度计的静态输出数据进行十秒平滑，并且每12小时计算一次均值，从而获得多个时间段的静态输出值，再减去初始时间段的静态输出，从而获得多个时间段的零偏漂移：其中，表示陀螺的三轴静态输出，为石英挠性加速度计的三轴静态输出，n表示时间段的个数，由采集时间决定，并且对三轴数据进行归一化处理，获得最终的闭环光纤陀螺和石英加速度计的零偏漂移数据。4.根据权利要求3所述的方法，其特征是：所述步骤4具体为：将前12.5％天的零偏漂移量作为输入值，将后87.5％天的零偏漂移量作为输出值构建训练集，对采集到的零偏漂移数据施加8％的随机噪声，从而构建多个训练样本数据，并且取其中的部分数据作为测试集，构建的闭环光纤陀螺和石英加速度计零偏漂移训练集。5.根据权利要求4所述的方法，其特征是：所述步骤5具体为：设置双向LSTM神经网络的隐藏层有200单元，并进行500轮训练，为防止梯度爆炸，将梯度阈值设置为1，设定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率，网络模型通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出，细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量。6.根据权利要求5所述的方法，其特...

【专利技术属性】
技术研发人员：范世伟，张亚，李广民，孙骞，于飞，高伟，郭鹍，汪涛，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：