典型文献
基于神经网络的MIMU动态误差标定与补偿方法
文献摘要：
由于微惯性测量单元(MIMU)易受环境影响,且存在输出非线性以及剧烈角运动和线运动下精度低的缺点,而传统的多项式标定方法难以精确地补偿动态误差,因此,利用深度学习方法对MIMU整体动态误差进行建模与补偿,分别使用浅层神经网络与深度循环神经网络建立MIMU的整体动态误差模型.设计了基于三轴带温箱位置速率转台的标定流程,使三轴带温箱转台的内、中、外3轴同时施加角运动并且施加温度变化,建立MIMU的多因素影响误差训练集.实验结果表明,浅层神经网络模型相对于传统模型在误差补偿效果上略有提升,深度循环神经网络模型补偿后残差均值与均方差显著下降,其中,门控循环单元(GRU)神经网络模型补偿效果最好,并且需要训练的参数较少、计算负担小.
文献关键词：
微惯性测量单元;神经网络;非线性误差;动态误差补偿
中图分类号：
作者姓名：
马一鸣;陈帅;王国栋;张琨;程玉
作者机构：
南京理工大学,南京 210000;北京航天控制仪器研究所,北京 100000
文献出处：
引用格式：
[1]马一鸣;陈帅;王国栋;张琨;程玉-.基于神经网络的MIMU动态误差标定与补偿方法)[J].电光与控制,2022(07):91-95
A类：
动态误差补偿
B类：
MIMU,误差标定,补偿方法,微惯性测量单元,角运动,多项式,标定方法,深度学习方法,浅层神经网络,误差模型,三轴,转台,加温,多因素影响,训练集,传统模型,上略,循环神经网络模型,模型补偿,门控循环单元,GRU,计算负担,非线性误差
AB值：
0.283443
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
