典型文献
深度学习下MEMS陀螺温度误差补偿方法
文献摘要：
针对MEMS陀螺仪因材质特性,制造工艺等差异导致输出数据受温度影响的问题.本文在传统温度误差补偿的基础上,提出将深度学习与神经网络相结合,通过LSTM神经网络进行温度误差补偿,从而减小温度变化引起的陀螺的温度漂移.分析了MEMS陀螺仪的温度特性,并在RNN神经网络模型的基础上,建立多层LSTM神经网络模型,利用基于ADAM的优化算法和时间反向传播BPTT算法对LSTM网络进行训练.将训练好的网络模型植入到STM32硬件中,进而实现对MEMS陀螺仪输出的实时温度补偿.实验表明,LSTM模型与RBF温度补偿模型相比,陀螺仪补偿后的零偏稳定性、零偏不稳定性和角度随机游走等性能指标,以及MAE、MSE、RMSE三个模型评价指标提高了90％以上.
文献关键词：
温度补偿;深度学习;LSTM神经网络;MEMS陀螺仪
中图分类号：
作者姓名：
宋一平;刘宁;刘福朝;雷明;戚文昊
作者机构：
北京信息科技大学高动态导航技术北京市重点实验室,北京100192
文献出处：
引用格式：
[1]宋一平;刘宁;刘福朝;雷明;戚文昊-.深度学习下MEMS陀螺温度误差补偿方法)[J].传感技术学报,2022(01):92-98
A类：
BPTT
B类：
MEMS,误差补偿,补偿方法,陀螺仪,因材,制造工艺,温度影响,小温,温度漂移,温度特性,RNN,ADAM,反向传播,练好,STM32,实时温度,温度补偿,RBF,补偿模型,零偏稳定性,随机游走,MAE,RMSE,模型评价指标
AB值：
0.334175
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。
