一种基于CWOA-MLP神经网络的光纤陀螺启动阶段标度因数误差补偿方法

一种基于cwoa-mlp神经网络的光纤陀螺启动阶段标度因数误差补偿方法
技术领域
1.本发明涉及光纤陀螺技术领域，主要涉及一种基于cwoa-mlp神经网络的光纤陀螺启动阶段标度因数误差补偿方法。


背景技术：

2.光纤陀螺作为新一代惯性传感器，具有轻小型，低功耗、长寿命、高可靠性、批量化生产等优点，因此在大量的精密仪器中得到广泛的应用。但在光纤陀螺的上电启动的过程中，各光电器件的工作会导致光纤陀螺内部温度升高，进而带来标度因数误差，降低了光纤陀螺的精度。因此，有必要对启动过程中的光纤陀螺标度因数误差进行建模和补偿。
3.为了对标度因数误差进行建模，首先应当测量光纤陀螺在应用所需满足的温度范围内的标度因数灵敏度。目前常用的测量方法为在所需满足的温度范围内均匀选择若干实验温度点，然后令光纤陀螺在温箱中达到规定温度后测量其标度因数。该测量过程中需要对陀螺进行多次保温，时间耗费较长，操作较为繁琐。而且选取实验温度点使得获得的温度与标度因数值为离散值，难以对整个温度范围进行覆盖，影响了后期建模和补偿的精度。
4.而目前对于启动过程中的标度因数误差补偿方法，多集中于对光源中心波长的控制或补偿，例如对光源增加温控系统或者对建立波长的启动模型等。这些方法虽然一定程度上抑制了标度因数误差，但由于光纤陀螺的标度因数误差还与温度升高带来的光纤环形变、反馈通道的调制系数变化等因素有关，因此难以达到理想的补偿效果。
5.现有的建模多采用简易可行的线性或者分段线性模型结构，但精度有限。而光纤陀螺的温度特性受多种因素影响，有着非常复杂的非线性特性。而神经网络具有良好的逼近复杂非线性函数的能力，使得温度补偿步骤得以简化，补偿精度得到提高。
6.目前训练神经网络的方法主要为反向传播算法即bp算法，但bp算法计算速度慢，且收初值的影响较大，容易陷入局部最优解。


技术实现要素：

7.本文的发明目的是提供一种基于cwoa-mlp神经网络的光纤陀螺启动阶段标度因数误差补偿方法，以实现对启动过程中标度因数误差的实时补偿。
8.为了实现上述目的，本发明采用的技术方案如下：
9.一种基于cwoa-mlp神经网络的光纤陀螺启动阶段标度因数误差补偿方法，包括以下步骤：
10.1)对光纤陀螺进行连续温度下启动阶段标度因数标定；
11.2)根据输入输出构建mlp神经网络；
12.3)利用cwoa算法对mlp神经网络参数进行寻优；
13.4)获得基于cwoa-mlp神经网络的光纤陀螺启动阶段标度因数误差模型，对光纤陀螺的标度因数误差进行实时补偿。
14.进一步地，所述的步骤1)具体为：
15.1.1)光纤陀螺仪置于温控速率台的速率转台上，将速率台的旋转轴置为垂直，使光纤陀螺仪的输入基准轴平行于速率台旋转轴；
16.1.2)设置温箱初始温度为t0，使光纤陀螺仪在温箱初始温度下达到热平衡；
17.1.3)设定温箱升温速率为δt℃/min，在光纤陀螺仪的工作温度范围 [t0,t1]内进行光纤陀螺仪的标定实验，所述的标定实验过程包括：
[0018]
1.3.1)设置转台转速为ω，光纤陀螺仪上电，在对应的测试温度点下采集光纤陀螺启动过程中内部的温度t和光纤陀螺输出的数字量g；
[0019]
1.3.2)每采样t1时间后，光纤陀螺仪断电，控制转台匀减速到0；待转台静止t2时间后，再次重复步骤1.3.1)，直至温箱升温至t1。
[0020]
进一步地，所述的步骤2)具体为：
[0021]
设置mlp神经网络为双输入、单输出的三层神经网络，数学模型表示为：
[0022][0023][0024][0025][0026]
其中，h为隐藏层的个数，w
1j
为从第1个输入到第j个隐藏层之间的权重，w
2j
为从第2个输入到第j个隐藏层之间的权重，sj为第j个隐藏层的输入加权和，θj为第j个隐藏层的阈值；t为光纤陀螺启动过程中内部的温度，sigmoid(.)为激活函数，sj为第j个隐藏层的输出；θ'是输出层的阈值，wj是从第j个隐藏层到输出层的权重，为隐藏层的输出加权和，为最终的标度因数估计值。上述的权重与阈值均需要进行进一步的训练优化得到最优的神经网络。
[0027]
进一步地，所述的步骤3)具体为：
[0028]
将mlp神经网络的权重和阈值作为cwoa算法的位置向量，mlp神经网络的误差作为cwoa算法的适应度函数，设定种群数量n，迭代次数t
max
，构建cwoa优化模型，其数学模型如下：
[0029][0030][0031]
其中，即为cwoa中每个个体的位置向量，j为mlp算法的损失函数，也即cwoa算法的适应度函数，为mlp神经网络中输入层到隐藏层的权重集合，为mlp神经网络中隐藏层到输出层的权重集合，为mlp神经网络的隐藏层的阈值集合，k为光纤陀螺的标度因数计算值；
[0032]
定义cwoa算法中的参数p，值如下：
[0033][0034][0035][0036][0037]
其中，p、是cwoa算法中的参数，p的初始值为[0,1]范围内的随机数，p
t
是第t次迭代时采用tent混沌映射生成的随机数，为[0,1]范围内均匀分布产生的随机数，为收敛因子，t为迭代次数，t
max
为最大迭代次数；
[0038]
当p＜0.5且时，选择收缩包围机制，公式如下：
[0039][0040][0041]
当p＜0.5且时，选择随机搜寻，公式如下：
[0042][0043][0044]
p≥0.5时，选择螺旋更新位置，公式如下：
[0045][0046]
其中，为第t次迭代时对应的当前全局最优位置向量，为随机生成的位置向量，为个体到当前全局最优位置的向量，为个体到随机位置的向量，l为[-1,1]之间的随机数，b为限定对数螺旋形状的常数。
[0047]
进一步地，所述的步骤4)的补偿方法具体为：
[0048]
(1)将光纤陀螺仪的内部温度t、内部温度的变化率输入到cwoa-mlp 神经网络模型中，计算出标度因数预测值
[0049]
(2)对光纤陀螺输出的数字量g进行修正：
[0050][0051]
其中，k0为预设的标度因数标准值，g
′
为修正后的光纤陀螺输出的数字量。
[0052]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0053]
本发明提供了一种基于cwoa-mlp神经网络的光纤陀螺标度因数补偿方法，研究了光纤陀螺启动阶段温度对标度因数的影响，并设计了在连续温度点下的标定实验，不需要
多次保温即可获得连续温度点下的光纤陀螺启动阶段输出数据。此外，cwoa优化算法原理简单，参数少，全局寻优能力强，优于常见的bp 训练方法，避免了容易陷入局部最优解的问题。实验结果表明，本发明相比于传统的离散式标定方案，在大幅缩短标定时间的同时提高了标定的精度，提高了光纤陀螺在不同温度的启动阶段下的表现。
附图说明
[0054][0055]
图1是本实例标度因数误差补偿流程图；
[0056]
图2是补偿前光纤陀螺标度因数与温度和温度变化率的关系示意图；
[0057]
图3是补偿后光纤陀螺标度因数与温度和温度变化率的关系示意图。
具体实施方式
[0058]
以下对本发明实施作进一步详述，所述实施方式的示例在附图中示出。下面描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0059]
如图1所示，本发明设计在连续温度点下的光纤陀螺启动阶段标度因数标定实验，只需要进行一组实验即可获得连续温度点下的光纤陀螺启动阶段输出数据，具体包括以下步骤：
[0060]
步骤1、光纤陀螺仪置于温控速率台的速率转台上。将速率台的旋转轴置为垂直，误差在规定值内；将光纤陀螺仪的输入基准轴ira平行于旋转轴，误差在规定值内。将光纤陀螺仪于输出测试设备连接好，使测试设备记录经过的时间与光纤陀螺仪输出。
[0061]
步骤2、设置温箱初始温度为-40℃，到达指定温度后，保温半小时，使得光纤陀螺仪达到热平衡。
[0062]
步骤3、令温箱以1℃/min的速率升温至，在光纤陀螺仪的工作温度范围 [-40℃,60℃]内进行光纤陀螺仪的启动过程标度因数标定。
[0063]
所述步骤3中，启动过程标度因数标定的具体实施步骤如下：
[0064]
(3.1)根据实验需求，设置转台的转动角速度为ω＝60
°
/s，启动转台，令转台以10
°
/s2角加速度变化到60
°
/s。
[0065]
(3.2)角速度平稳后，接通光纤陀螺仪电源，采集光纤陀螺启动阶段内部的温度t以及光纤陀螺输出的数字量g。
[0066]
(3.3)采样180s后，光纤陀螺仪断电，同时控制转台匀减速到0。
[0067]
(3.4)转台静止时间后180s，重复步骤(3.1)-(3.3)，直到温箱升温至目标温度60℃。
[0068]
步骤4、计算光纤陀螺的标度因数数值：
[0069]
k＝g/ω
[0070]
不同输入角速率和温度下的光纤陀螺启动阶段标度因数数值如图2所示，可以清楚得看到，光纤陀螺标度因数与温度呈现非线性趋势，且随着温度的升高而增大。
[0071]
步骤5、将光纤陀螺启动过程中内部的温度t、温度的变化率作为 cwoa-mlp神经网络的输入量，以标度因数数值k作为cwoa-mlp神经网络的输出量。对cwoa-mlp神经网络
的参数进行训练，得到一组训练完成的神经网络。
[0072]
所述步骤5中，cwoa-mlp的建立与训练具体步骤如下：
[0073]
(5.1)设置mlp神经网络为双输入，单输出的三层神经网络，设置隐藏层为，数学模型表示为：
[0074][0075][0076][0077][0078]
其中，h为隐藏层的个数，本实施例中，h＝20；w
1j
为从第1个输入到第j个隐藏层之间的权重，w
2j
为从第2个输入到第j个隐藏层之间的权重，sj第j个隐藏层的输入加权和，θj为第j个隐藏层的阈值；t为光纤陀螺启动过程中内部的温度，sigmoid(.)为激活函数，sj为第j个隐藏层的输出；θ'是输出层的阈值， wj是从第j个隐藏层到输出层的权重，为隐藏层的输出加权和，为最终的标度因数估计值。
[0079]
(5.2)以mlp的权重阈值作为cwoa的位置向量，mlp的误差作为 cwoa的适应度函数，设定种群数量n，迭代次数t
max
，构建cwoa优化算法，其数学模型如下：
[0080][0081][0082]
其中，即为cwoa中每个个体的位置向量，j为mlp算法的损失函数，也即cwoa的适应度函数，为mlp神经网络中输入层到隐藏层的权重集合，为mlp神经网络中隐藏层到输出层的权重集合，为mlp神经网络的隐藏层的阈值集合，k为光纤陀螺的标度因数计算值；
[0083]
定义cwoa算法中的参数p，值如下：
[0084][0085][0086][0087][0088]
其中，p、是cwoa算法中的参数，p的初始值为[0,1]范围内的随机数，且采用tent混沌映射生成混沌序列，p
t
是第t次迭代时对应的随机数，为[0,1]范围内均匀分布产
生的随机数，为从2线性减小到0的收敛因子，t为迭代次数，t
max
为最大迭代次数。
[0089]
当p＜0.5且时，选择收缩包围机制，公式如下：
[0090][0091][0092]
当p＜0.5且时，选择随机搜寻，公式如下：
[0093][0094][0095]
p≥0.5时，选择螺旋更新位置，公式如下：
[0096][0097]
其中，为第t次迭代时对应的当前全局最优位置向量，为随机生成的位置向量，为个体到当前全局最优位置的向量，为个体到随机位置的向量，l为[-1,1]之间的随机数，b为限定对数螺旋形状的常数。
[0098]
(5.3)按照步骤(5.2)对进行全局寻优，最终得到的最佳位置向量即为mlp的神经网络训练后的参数。
[0099]
步骤6、基于训练后的cwoa-mlp神经网络模型对谐振陀螺进行温度补偿。
[0100]
所述步骤6中，温度补偿的具体步骤如下：
[0101]
(6.1)将光纤陀螺仪的内部温度t、内部温度的变化率输入到 cwoa-mlp神经网络模型中，计算出标度因数预测值
[0102]
(6.2)对光纤陀螺输出的数字量g进行修正：
[0103][0104]
其中，k0为预设的标度因数标准值，g
′
为修正后的光纤陀螺输出的数字量。
[0105]
补偿效果如图3所示，在全温的光纤陀螺启动过程中，标度因数的变化小于 50ppm，可以看到补偿效果明显。
[0106]
本发明虽然已以较佳实施实例公开如上，但显然，本发明不限于以上实施例，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。