發(fā)布時(shí)間：2023-04-05 09:55

　　陀螺儀固有的隨機(jī)誤差會(huì)隨時(shí)間積累越來越大,循環(huán)神經(jīng)網(wǎng)絡(luò)作為一種有效處理時(shí)間序列信號(hào)的算法被廣泛使用,然而傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)在處理陀螺儀產(chǎn)生的隨機(jī)誤差上無法解決長(zhǎng)期依賴,容易出現(xiàn)梯度消失和梯度爆炸問題.為了獲得精確的陀螺儀信號(hào),本文基于循環(huán)神經(jīng)網(wǎng)絡(luò)變體的長(zhǎng)短記憶網(wǎng)絡(luò)和門循環(huán)單元的陀螺儀信號(hào)降噪算法,并創(chuàng)新性的將兩種網(wǎng)絡(luò)進(jìn)行組合驗(yàn)證.文中先是通過Allan方差對(duì)陀螺儀隨機(jī)誤差進(jìn)行誤差分析,然后基于LSTM和GRU組合對(duì)陀螺儀輸出信號(hào)進(jìn)行補(bǔ)償處理,結(jié)果表明LSTM結(jié)合GRU對(duì)陀螺儀的隨機(jī)誤差處理有明顯改善,其中X、Y、Z軸方向陀螺儀的量化噪音、角度隨機(jī)游走、零偏不穩(wěn)定性、角速度游走和速度斜坡性能均有不同程度的提升.

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 誤差模型
    1.1 Allan方差辨識(shí)誤差
2 循環(huán)神經(jīng)網(wǎng)絡(luò)神經(jīng)
    2.1 長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)
    2.2 門循環(huán)單元(GRU)
    2.3 算法流程實(shí)現(xiàn)
        2.3.1 LSTM-LSTM網(wǎng)絡(luò)模型
        2.3.2 LSTM-GRU網(wǎng)絡(luò)模型
3 實(shí)驗(yàn)驗(yàn)證
    3.1 實(shí)驗(yàn)分析
    3.2 實(shí)驗(yàn)結(jié)果
        3.2.1 不同網(wǎng)絡(luò)對(duì)陀螺儀數(shù)據(jù)補(bǔ)償?shù)膬?yōu)勢(shì)
        3.2.2 陀螺儀隨機(jī)誤差預(yù)測(cè)前后對(duì)比
4 結(jié)論



本文編號(hào)：3783204