一种基于神经网络的三轴MEMS磁强计自主标定方法技术

本发明专利技术公开了一种基于神经网络的三轴MEMS磁强计自主标定方法，包含步骤1

【技术实现步骤摘要】
一种基于神经网络的三轴MEMS磁强计自主标定方法


[0001]本专利技术涉及三轴MEMS磁强计自主标定领域，具体涉及一种基于神经网络的三轴MEMS磁强计自主标定方法。

技术介绍

[0002]MEMS惯性器件以体积小、成本低、功耗低、重量轻等优势，在航空航天及军事领域具有巨大的应用潜力；
[0003]三轴MEMS磁强计是MEMS惯性导航系统的重要部件，其根据地磁导航修正陀螺的航向漂移，磁强计的测量精度决定着载体姿态的航向导航精度，准确可靠的三轴MEMS磁强计标定是实现高精度地磁导航的基础，受制造工艺、周围环境等影响，其在使用时不可避免会存在零位、灵敏度等误差，因此在使用前必须先进行准确的标定，在三轴MEMS磁强计的快速、自主标定应用中，当前的标定方法面临着如下问题：
[0004](1)样本数据受限，难以进行大量数据的标定，标定结果鲁棒性差、标定精度不高，当前普遍采用的最小二乘标定方法需要先采集并存储好所有样本数据后，最后再进行参数辨识，提取被估计量的信息，受微型导航计算机能力的制约，样本数据数目不能太大，在这种情况下，基于小样本数据的标定结果鲁棒性与精度受到限制；
[0005](2)标定误差项不全，模型精度差，在不采用标定设备进行无依托的快速自主标定中，对标定模型进行简化，如采用最小二乘法标定零位偏差与灵敏度因子，缺少对非正交因子的标定。模型的简化会进一步影响三轴MEMS磁强计的标定精度；
[0006]以上问题制约着MEMS磁强计快速、自主标定的精度，影响整个MEMS导航系统的测量精度。

技术实现思路

[0007]本专利技术要解决的技术问题是现有方法中样本数据受限，难以进行大量数据的标定，标定结果鲁棒性差、标定精度不高，标定误差项不全，模型精度差，本专利技术提供一种基于神经网络的三轴MEMS磁强计自主标定方法，本方法可对三轴MEMS磁强计的零位偏差、灵敏度因子与非正交因子进行标定，标定模型精度高；采用自主的六面体数据采集方法，根据三轴MEMS加计信息自主判定旋转轴；根据磁力计测量信息均分布自主遍历采集样本数据的方法，提高样本数据的多样性，用以解决现有技术导致的缺陷。
[0008]为解决上述技术问题本专利技术提供以下的技术方案：
[0009]一种基于神经网络的三轴MEMS磁强计自主标定方法，其中，包含以下步骤：
[0010]步骤1：建立载体坐标系，将三轴MEMS磁强计、三轴MEMS加计的各轴与所述载体坐标系各轴平行；
[0011]步骤2：分别测量所述载体坐标系三轴的磁场强度记为m、加速度记为a，其中，m＝[m
x
,m
y
,m
z
]T
，a＝[a
x
,a
y
,a
z
]T
，其中T表示矩阵转置；
[0012]步骤3：将所述载体坐标系的+x轴朝下，并绕+x轴旋转，旋转过程中，保持x轴采集
的加速度测量满足条件a
x
≤
‑
a
min
，即得到所述载体坐标系的六面体+x面数据；
[0013]步骤4：将所述载体坐标系绕+x轴旋转，采集y轴和z轴的磁力计测量数据记为m
y
、m
z
，并计算夹角θ，θ＝atan2(m
y
,m
z
)，当夹角θ满足φ(j)<θ<φ(j+1)时，记录得到第j组三轴磁场强度m+
xj
＝[m
x
,m
y
,m
z
]；
[0014]其中，夹角θ为y轴和z轴之间的夹角，其中j＝1,2,...,N；
[0015]步骤5：对第j组三轴磁场强度[m
x
,m
y
,m
z
]进行一次标定，运行一次神经网络算法对待辨识参数η进行一次参数估计与更新；
[0016]步骤6：将所述载体坐标系绕+x轴旋转360
°
，重复步骤4、步骤5，遍历采集、标定六面体+x面的N组磁强计数据；
[0017]步骤7：依次将所述载体坐标系的
‑
x、+y、
‑
y、+z、
‑
z朝下，重复步骤4～步骤6标定参数η；
[0018]步骤8：记录存储得到最终的η；
[0019]步骤9：根据η求解标定模型的包含灵敏度因子与非正交因子的矩阵G、零偏X0，公式如下：
[0020][0021]G＝chol(A)；
[0022][0023]其中，chol(A)表示对矩阵A进行cholesky分解，η1
‑
η9为构造的中间变量，无具体含义；
[0024]步骤10：标定后的三轴MEMS磁强计校正输出，经标定后的三轴MEMS磁强计校正输出为：
[0025][0026]”'
[0027]其中，m
x
、m
y
、m
z
为三轴MEMS磁强计的原始测量值，m
x
、m
y
、m
z
为标定后的输出值。
[0028]上述的一种基于神经网络的三轴MEMS磁强计自主标定方法，其中，步骤5中对第j组三轴磁场强度[m
x
,m
y
,m
z
]进行一次标定，运行一次神经网络算法对待辨识参数η进行一次参数估计与更新的具体方法如下：
[0029]步骤51：根据当前的[m
x
,m
y
,m
z
]构造矢量D；
[0030][0031]步骤52：引入神经网络算法辨识η，采用三层神经网络进行辨识：
[0032]以D作为神经网络的输入，η为神经网络的输出，误差函数为：
[0033][0034]其中，为所有采集[m
x
,m
y
,m
z
]的模的平均值，其递推公式为：
[0035][0036]输入层有L＝9个输入信号，其中的任一输入信号用l表示，隐层为I，即有I个神经元，其中的任一神经元用i表示，输出层为P，即有P＝9个输出神经元，其中任一神经元用p表示，输入层与隐层的突触权值用w
li
表示；隐层与输出层的突触权值用w
ip
表示，激励函数采用Sigmoid传递函数；
[0037]正向传播公式：
[0038][0039][0040][0041]反向传播公式：
[0042][0043]上述的一种基于神经网络的三轴MEMS磁强计自主标定方法，其中，步骤7中依次将所述载体坐标系的
‑
x、+y、
‑
y、+z、
‑
z朝下，重复步骤4～步骤6标定参数η的具体方法如下：
[0044]步骤71：将所述载本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的三轴MEMS磁强计自主标定方法，其特征在于，包含以下步骤：步骤1：建立载体坐标系，将三轴MEMS磁强计、三轴MEMS加计的各轴与所述载体坐标系各轴平行；步骤2：分别测量所述载体坐标系三轴的磁场强度记为m、加速度记为a，其中，m＝[m
x
,m
y
,m
z
]
T
，a＝[a
x
,a
y
,a
z
]
T
，其中T表示矩阵转置；步骤3：将所述载体坐标系的+x轴朝下，并绕+x轴旋转，旋转过程中，保持x轴采集的加速度测量满足条件a
x
≤
‑
a
min
，即得到所述载体坐标系的六面体+x面数据；步骤4：将所述载体坐标系绕+x轴旋转，采集y轴和z轴的磁力计测量数据记为m
y
、m
z
，并计算夹角θ，θ＝atan2(m
y
,m
z
)，当夹角θ满足φ(j)<θ<φ(j+1)时，记录得到第j组三轴磁场强度m+
xj
＝[m
x
,m
y
,m
z
]；其中，夹角θ为y轴和z轴之间的夹角，其中j＝1,2,...,N；步骤5：对第j组三轴磁场强度[m
x
,m
y
,m
z
]进行一次标定，运行一次神经网络算法对待辨识参数η进行一次参数估计与更新；步骤6：将所述载体坐标系绕+x轴旋转360
°
，重复步骤4、步骤5，遍历采集、标定六面体+x面的N组磁强计数据；步骤7：依次将所述载体坐标系的
‑
x、+y、
‑
y、+z、
‑
z朝下，重复步骤4～步骤6标定参数η；步骤8：记录存储得到最终的η；步骤9：根据η求解标定模型的包含灵敏度因子与非正交因子的矩阵G、零偏X0，公式如下：G＝chol(A)；其中，chol(A)表示对矩阵A进行cholesky分解，η1
‑
η9为构造的中间变量，无具体含义；步骤10：标定后的三轴MEMS磁强计校正输出，经标定后的三轴MEMS磁强计校正输出为：”'其中，m
x
、m
y
、m
z
为三轴MEMS磁强计的原始测量值，m
x
、m
y
、m
z
为标定后的输出值。2.如权利要求1所述的一种基于神经网络的三轴MEMS磁强计自主标定方法，其特征在
于，步骤5中对第j组三轴磁场强度[m
x
,m
y
,m
z
]进行一次标定，运行一次神经网络算法对待辨识参数η进行一次参数估计与更新的具体方法如下：步骤51：根据当前的[m
x
,m
y
,m
...

【专利技术属性】
技术研发人员：陈忠学，
申请(专利权)人：陈忠学，
类型：发明
国别省市：