一種電子羅盤的標定方法

2023-11-04 09:59:27

專利名稱：一種電子羅盤的標定方法
技術領域：
本發明涉及一種電子羅盤的標定方法，特別是一種基於自適應差分進化法和傅立葉神經網絡的電子羅盤的標定方法，屬於定嚮導航領域。
背景技術：
電子羅盤是一種通過測量地球磁場來實現定嚮導航功能的裝置，它是一種重要的導航工具，能實時提供物體的航向和姿態數據，且具有體積小、成本低、響應速度快、無累計誤差等特點，被廣泛的運用於移動機器人、車輛、飛行器等的定向子系統中；但是，由於電子羅盤是根據地磁原理計算磁方向角，其工作環境中除地球磁場的其他外界磁場不可避免的會對電子羅盤的輸出造成影響，從而產生誤差影響測量精度。因此，如何降低外界幹擾對其輸出的精度的影響是工程應用中必須解決的問題。現有的文獻已經提出了幾種可行的羅盤誤差補償方法。袁智榮的論文《三軸磁航向傳感器的全姿態誤差補償》提出將羅盤誤差分為正交誤差、零位與靈敏度誤差分別進行補償，該方法補償精度較高，但是在補償過程中需要無磁轉臺，而且需要計算機自動測出羅盤旋轉一周時X和Y軸傳感器輸出的最大、最小值，其標定過程較複雜，且對設備要求較高； 李希勝、王家鑫的論文《高精度電子羅盤的研製》以及邵婷婷，馬建倉的論文《電子羅盤的傾斜及羅差補償算法研究》採用最小二乘法對電子羅盤進行補償，該方法需要對羅盤在0° 360°旋轉時平均採樣，操作較繁瑣，而且採樣的數據量的大小不同會對擬合結果產生較大的影響，數據量太小，補償效果不好，數據量太大，會造成擬合性能惡化；楊新勇，黃聖國的論文《磁航向測量系統誤差修正方法研究》以及Qi Zhang, Liang-shui Lei, Jiang Fan, Song Liu 的論文《Autocalibration of a magnetic compasswithout heading reference》 提出一種基於橢圓假設誤差模型的補償方法，由於橢圓假設模型僅是根據實驗經驗提出， 缺乏理論推證，補償效果並不是很理想；晁敏，蔣東方，文彩虹的論文《磁羅盤誤差分析與校準》採用分析法建立磁方向測量系統較為精確的模型，並對電子羅盤在水平條件下進行補償，但補償過程中要辨識的參數較多(達到9個)，而且其結果顯示其補償效果類似橢圓假設模型；郝振海，黃聖國的論文《基於差分磁羅盤的組合航向系統》提出一種「差分磁羅盤」(DMC，Differential Magnetic Compasses)的設計方案，該方案利用兩個完全相同的磁羅盤的組合來判斷系統是否發生低頻幹擾，若系統沒有發生低頻幹擾，則採用磁羅盤導航方式，若系統發生低頻幹擾則將系統切換到陀螺儀的導航方式。該方案並未實質性的提高磁羅盤測量精度，且該導航方案由陀螺儀和多個磁羅盤構成，會導致成本大大增加；王璐， 趙忠等的論文《磁羅盤誤差分析及補償》採用BP神經網絡建立誤差模型，並利用LM學習算法訓練網絡，該方法無須在0° 360°內平均採樣，具有神經網絡能以任意精度逼近函數的特點，具有較高的補償精度，但BP神經網絡的收斂速度較慢，權值的初始值的設定需要非常小心，且易陷入局部最小。綜上所述，目前對電子羅盤進行標定的主要方法有最小二乘法、橢圓假設法、BP神經網絡法等，這些方法或存在標定步驟較繁瑣、對標定所需的儀器要求較高或標定精度不夠等問題。

發明內容
為了簡化標定步驟、降低對所需儀器的要求以及提高標定精度，本發明設計了一種電子羅盤的標定方法，該標定方法基於自適應差分進化法和傅立葉神經網絡(Adaptive Differential Evolution and Fourier Neural Network, ADE-FNN)，通過傅立葉神經網絡對電子羅盤誤差建模，該神經網絡採用正交傅立葉級數作為網絡激發函數，並採用自適應差分進化算法訓練網絡的權值，得到較為精確的誤差模型來補償羅盤的測量值，從而達到改善羅盤精度的目的。基於自適應差分進化法和傅立葉神經網絡的電子羅盤的標定方法，包括獲取訓練樣本、採用傅立葉神經網絡(FNN)建立誤差補償模型以及採用自適應差分進化算法(ADE) 訓練神經網絡權值三大部分，實現的具體步驟如下步驟一、獲取訓練樣本；將一款普通的二維固態磁阻電子羅盤在不對外界磁場做任何處理的室內環境下， 隨手動轉臺水平非勻速旋轉一圈，獲取電子羅盤的測量值及其對應的轉臺轉角作為訓練樣本；其中，電子羅盤測量值作為需要補償的值X，轉臺轉角作為理想值Y ；步驟二、確定神經網絡結構；採用單輸入單輸出三層前向傅立葉神經網絡SISO-FNN對電子羅盤方向角建立誤差補償模型，隱含層各神經元的激發函數為S1 = 1，...，S2i = cos(2i 31 χ/Τ)，S2i+1 = sin(2i π χ/Τ)，i = 1,2，· · ·，η (2)其中，T為測量周期；選擇傅立葉係數a。，···，apbi，i = 1，2，3，···, ηα, = (2 / Γ) J^ /(χ) cos(2/>rx / T)dx, / = 0,1,2,···, (3)b, = (2 / Γ) J^ /(χ) cos(2/>rx / T)dx, / = 1,2,···, (4)作為隱含層各神經元至輸出層的連接權值，其中f (χ)為神經網絡的輸出；則隱含層各神經元至輸出層的連接權值W1, ...，W2i，w2i+1為W1 = a0, . . . , w2i = Ei1, w2i+1 = bi7 i = 1, 2, ".,η (5)此外，神經網絡輸入層到隱含層各神經元的連接權值為1 ；隱含層各神經元的輸出為Oj = SjWj j = 1,2, L，2n+1 (6)輸出層採用線性神經元，則輸出層的輸出為
2m+1少=/O)=Σ Oj
；=1=w\ + w2cos(2^x/Τ)+ Wssin(2^xIΤ)Λ■...-\-w2ncos(2^xIT) + w2n+isin(2^x/T) (7)= +α cos(2;rx I T) + b\ sin(2^x I Τ) + ··· + αη cos(2^x !T) + bn sin(2^x / T)
2n+\+ cos(>x) + bn sin(>x))
；=1其中，y為電子羅盤補償後的輸出；
步驟三、建立電子羅盤誤差模型並選擇訓練指標；定義電子羅盤的誤差ei為神經網絡輸出值Ji與理想值Yi的差，即θ = Yi-Yi = Y^f(Xi), i = 1,2,...,M (8)其中，M為訓練樣本維數；並選擇訓練指標J為J = 0.5^ef(9)步驟四根據訓練樣本採用改進的自適應差分進化算法訓練神經網絡；採用步驟一獲取的訓練樣本，引入改進的自適應差分進化算法訓練神經網絡，優化神經網絡隱含層各神經元至輸出層的連接權值；所述的改進的自適應差分進化算法採用的自適應參數CRk由下式得到CRk = CRfflin+ (CRmax-CRmin) (frffflin) / (f「fmJ (10)其中，CRk為當前第k個體的交叉算子CR的值，CRmin、CRmax分別為設置好的交叉算子的最小值和最大值；fk為第k個體的適應度值，fmin、fmax分別為當前種群中適應度最優和最差的個體適應度值；其中，改進的自適應差分進化算法需要初始化的參數包括變量個數D、變異算子 F、交叉算子CR、種群個數NP以及最大進化代數G ；具體的初始化參數選擇原則如下(1)變量個數D變量個數D即為傅立葉神經網絡隱含層各神經元至輸出層的連接權值的個數；(2)變異算子F變異算子F取值範圍為W，2]；(3)交叉算子CRCR e
；(4)種群個數NP種群規模NP取5D 10D，其中變量個數D不少於4 ；(5)最大進化代數G最大進化代數G的選取根據神經網絡訓練指標和訓練時間來綜合選擇；步驟五、將優化後得到的神經網絡權值代入神經網絡，得到較為精確的補償模型；步驟六、將電子羅盤輸出的測量值輸入神經網絡進行補償，輸出補償後的值。有益效果1、本發明綜合考慮了影響電子羅盤測量精度的因素，提出了基於自適應差分進化法和傅立葉神經網絡的標定方法集中對其進行補償，一方面簡化標定過程，即只需在轉臺上旋轉(無須勻速旋轉)電子羅盤一周獲取訓練樣本和對應的真實值；另一方面具有更好的效果，即更精確地抵消外界幹擾，提高測量精度。2、該補償方法具有神經網絡結構簡單、易於實現，同時能以任意精度逼近非線性函數，具有較好泛化能力的優點。3、採用正交的傅立葉函數作為神經網絡的激發函數，將非線性優化問題轉化為線性優化問題，極大地提高收斂速度，避免陷入局部最小。4、採用自適應差分進化算法訓練神經網絡權值，避免了初始值依賴系統先驗知識難以選擇的問題；同時改進後的差分進化算法在初始階段有較強的全局搜索能力，能儘可能多地發現可能的全局最優點，而且在後續階段有較強的局部搜索能力，提高算法收斂速度和求解精度；因此該算法有較強的全局搜索能力，能有效避免早熟收斂，而且算法的穩定性好。


圖1是電子羅盤的標定方法原理示意圖；圖2是電子羅盤的標定方法程序流圖。
具體實施例方式下面結合附圖1對本發明作進一步說明，本發明具體實現步驟是第一步獲取訓練樣本將一款普通的二維固態磁阻電子羅盤在不對外界磁場做任何處理的室內環境下，隨手動轉臺水平非勻速旋轉一圈獲取電子羅盤的測量值以及對應的轉臺轉角作為訓練樣本，其中電子羅盤測量值作為需要補償的值X，轉臺轉角作為理想值 Y。第二步確定神經網絡結構採用單輸入單輸出傅立葉神經網絡(SISO-FNN)建立電子羅盤方向角誤差的模型。該網絡為三層前向網絡，其三層分別為輸入層、隱含層、輸出層。與其他神經網絡不同的是FNN選用正交三角函數系代替常用的sigmoid函數或者 Gaussian函數作為神經網絡各隱含層神經元的激發函數，並選傅立葉級數的係數^，bi; (i = 1，2，3，. . .，η)作為隱含層至輸出層的連接權值，神經網絡輸入層到隱含層各神經元為1，輸出層採用線性神經元，則輸出層的輸出與f(x)的傅立葉級數在形式上是等同的，因此傅立葉神經網絡的輸出等價於傅立葉級數。第三步定義神經網絡輸出值Ji與理想值Yi的誤差，並選擇訓練指標。步驟四採用改進的自適應差分進化算法訓練神經網絡；根據初始化的參數值和步驟一獲取的訓練樣本，採用改進的自適應差分進化算法優化隱含層各神經元至輸出層的連接權值，從而得到較為精確的電子羅盤補償模型，用來補償電子羅盤的測量角；若用當前補償模型標定後得到的電子羅盤測量角的精度不夠，則重新選取初始化的參數值重新計算隱含層各神經元至輸出層的連接權值，獲取新的電子羅盤補償模型，直到採用該補償模型標定後的電子羅盤測量角達到所需的補償精度為止；其中，改進自適應差分算法的方法如下自適應差分進化算法中CR越大，則變異個體對試驗個體的貢獻越多，越有利於局部搜索，但對目標向量的破壞也越大，容易破壞適應度好的個體；CR越小，則變異個體對試驗個體的貢獻越少，對目標向量的破壞也越小，有利於保持種群的多樣性，卻使得種群不易產生新的個體，所以應該對適應度差的個體，取較大的交叉算子CR，讓變異個體對試驗個體貢獻大，使該個體加快淘汰；而適應度好的個體， 取較小的交叉算子CR，使該個體進入新種群的機會增大；因此該方法採用隨著適應度值變化的自適應參數，自適應參數CRi由下式得到CRi = CRfflin+ (CRmax-CRmin) (frffflin) / (f「fmJ (10)其中，CRi為當前第i個個體的交叉算子CR的值，CRmin、CRmax分別為設置好的交叉算子的最小值和最大值A為第i個個體的適應度值，fmin、fmax分別為當前種群中適應度最優和最差的個體適應度值。改進後的差分進化算法在初始階段有較強的全局搜索能力，能儘可能多地發現可能的全局最優點，而在後期則有較強的局部搜索能力，提高算法收斂速度和求解精度，該算法有較強的全局搜索能力，能有效避免早熟收斂，而且算法的收斂速度快，穩定性好。改進的自適應差分算法中需要初始化的參數主要有重要變量個數D、變異算子 F、交叉算子CR、種群個數NP以及最大進化代數G ；其中變異算子F和交叉算子CR的選擇尤為關鍵，F用來控制種群的多樣性和收斂性，CR的值用來控制個體各個維數對交 叉的參與度，該兩個參數的選擇直接關係到算法的性能。具體選擇原則如下(1)變量個數D本方法利用改進的自適應差分進化算法來訓練傅立葉神經網絡的權值，故變量個數即為網絡權值的個數。(2)變異算子F變異算子F用於控制差異向量的縮放程度。它的取值影響進化過程的收斂性及收斂速度。F取值較小時，收斂速度較快，但如果過小，則易使種群過早收斂於非最優解；F取較大值時，如果其它參數取值合理，則能保證收斂到問題的最優解，但收斂速度較慢。按文獻，其取值範圍為
。(3)交叉算子CRt艮 ig t ■《Self-Adaptive Differential Evolution Algorithm in ConstrainedReal-parameter Optimization》所述，CRe
。本文採用交叉算子自適應算法，需要設置CI^in, CRmax，其具體值需綜合考慮算法局部搜索能力和全局搜索能力以及在實際仿真中的效果。(4)種群個數NP種群規模NP —般取5D和10D之間，其中D為目標函數決變量的個數，不能少於4， 否則無法進行變異操作，NP越大，種群多樣性越強，獲得最優解概率越大，但是計算時間更長。(5)最大進化代數G最大進化代數G的選區需要考慮到適應度函數的目標值，S卩神經網絡訓練指標來選擇。以上參數相互聯繫，要綜合考慮算法局部搜索能力和全局搜索能力以及在實際仿真中的效果綜合選取；採用自適應差分算法訓練神經網絡，參見附圖2，具體步驟如下步驟1 初始化種群個數NP，交叉算子的最大值CRmax和最小值CRmin，變異算子F， 變量個數D，最大進化代數G，以及個體取值的上下限χ11、？，按公式(11)令進化代數g = 1， 隨機初始化每一個個體，Xy- = X1j + rand(0,l)(x" -X1j)(11)式中i = I-NP, j = 1…D，Xij為個體變量，rand(0,1)為(0，1)之間的隨機數， <和《分別為第j維變量的上限和下限；步驟2 利用公式(9)計算第一個個體Xi的適應度值(即目標值)J(Xi),並把該個體作為最優個體Xbest,其適應度值J(Xbest)作為最優適應度值；
步驟3 計算每個個體適應度值，並與最優適應度值比較，若小於最優適應度值， 則把該個體替換為最優個體Xbest,其適應度值替換為最優適應度值J(Xbest)；步驟4 判斷最優適應度值J(Xbest)是否滿足精度要求或是否達到最大迭代次數 G，若是，則該最優個體Xbest即為最優權值並退出，否則繼續；步驟5 對種群中每個個體Xi (g)按(12)進行變異操作得到中間個體Vij = XrljJ+F(Xr2jj-Xr3jj)，i = IL NP, j = IL D (12)其中Vij為中間個體，rl, r2，r3是[1，N]中任意選取的三個不同的整數。步驟6 按(13)進行交叉操作得到試驗個體
權利要求
1. 一種電子羅盤的標定方法，其特徵在於，該方法實現的具體步驟如下 步驟一、獲取訓練樣本；將一款普通的二維固態磁阻電子羅盤在不對外界磁場做任何處理的室內環境下，隨手動轉臺水平非勻速旋轉一圈，獲取電子羅盤的測量值及其對應的轉臺轉角作為訓練樣本; 其中，電子羅盤測量值作為需要補償的值X，實際轉臺轉角作為理想值Y ； 步驟二、確定神經網絡結構；採用單輸入單輸出三層前向傅立葉神經網絡SISO-FNN對電子羅盤方向角建立誤差補償模型，隱含層各神經元的激發函數為S1 = 1，...，S2i = cos (2i π χ/Τ)，S2i+1 = sin (2i π x/T)，i = 1，2， ***, η (2) 其中，T為測量周期；選擇傅立葉係數徹，...,ai bi i = 1,2,3, ...，n
全文摘要
本發明公開了一種電子羅盤的標定方法，該方法基於自適應差分進化算法和傅立葉神經網絡原理，用於提高電子羅盤的測量精度，特別適用於要求低成本、精度較高的定向系統中。本發明採用傅立葉神經網絡對電子羅盤誤差建模，並採用改進的自適應差分進化算法對神經網絡的權值進行優化，從而得到較為精確的誤差模型來補償電子羅盤測量值。該方法建立的誤差模型能實現樣本空間的精確映射，具有較高的非線性逼近能力，且該方法避免陷入局部最小，克服了神經網絡的收斂速度過慢，振蕩等缺點，有效補償外界磁場對電子羅盤輸出的影響，因此能大大提高了電子羅盤的測量精度。
文檔編號G06N3/08GK102297687SQ20111012479
公開日2011年12月28日 申請日期2011年5月13日 優先權日2011年5月13日
發明者竇麗華, 鄧方, 陳杰, 龔鵾 申請人:北京理工大學