基于深度學習的MEMS加速度計隨機漂移補償方法

鄭怡晨,劉 洪

(北京信息科技大學高動態(tài)導航技術北京市重點實驗室,北京 100101)

0 引言

MEMS(微機電系統(tǒng))加速度計廣泛應用于航空航天、自動駕駛和機器人等領域[1-2]。由于MEMS加速度計在長期使用過程中存在測量誤差導致輸出精度較低,這限制了MEMS加速度計在實際應用中的進一步推廣和發(fā)展。因此,采用合理的方法對MEMS加速度計的測量誤差進行補償,對于提高其測量精度具有重要意義。

MEMS加速度計的測量誤差包括確定性誤差和隨機性誤差。確定性誤差例如零偏誤差、未正交對準和比例因子誤差可以通過標定補償[3]。由機械噪聲和電子噪聲等復雜隨機干擾引起的隨機誤差[4-5]無法通過標定消除。因此,隨機誤差是制約MEMS加速度計精度提高的主要因素。用來降低隨機誤差的網(wǎng)絡算法主要包括傳統(tǒng)的統(tǒng)計方法和人工智能(AI)方法。

隨著人工智能的快速發(fā)展[8-9],提出了更準確的基于人工智能算法的隨機漂移非線性模型。人工智能方法主要包括支持向量機建模方法[10-12]和神經(jīng)網(wǎng)絡建模方法[13-14],這類方法將數(shù)據(jù)的建模視為序列預測問題。由于隨機誤差中包含隨機漂移和白噪聲,因此需要通過預處理,去除隨機誤差中的白噪聲。預處理一般采用均值濾波、前向線性預測濾波和EMD等方法。目前,通過基于人工智能方法構建的模型補償隨機漂移的研究相對較少。

人工智能方法中,采用支持向量機的補償方法對MEMS加速度計的隨機漂移進行補償?shù)娜秉c在于選取特征向量和模型參數(shù)的過程復雜。因此,有必要用神經(jīng)網(wǎng)絡方法構建隨機漂移模型以實現(xiàn)對隨機漂移的高精度估計和補償。本文建立了一個基于LSTM深度神經(jīng)網(wǎng)絡的MEMS加速度計誤差模型,抑制MEMS加速度計的隨機漂移。

1 深度學習下的神經(jīng)網(wǎng)絡模型搭建

1.1 RNN神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network,RNN)是輸入為時間序列數(shù)據(jù),在序列的演進方向進行遞歸且所有節(jié)點按鏈式連接的遞歸神經(jīng)網(wǎng)絡[15]。圖1為RNN神經(jīng)網(wǎng)絡的結構圖以及展開圖。

圖1 RNN神經(jīng)網(wǎng)絡結構展開圖

圖1中,xt表示第t步的輸入值,st表示第t步的隱藏值,ot表示第t步的輸出值,U是輸入層到隱藏層的權重矩陣,V是隱藏層到輸出層的權重矩陣,W是各時間點隱藏層之間的權重矩陣。隱藏層的值st與當前的輸入值xt和上一隱藏層的值st-1有關。

1.2 LSTM神經(jīng)網(wǎng)絡

LSTM是能夠捕捉長時依賴的特殊時間循環(huán)神經(jīng)網(wǎng)絡,用于解決RNN存在的梯度消失與梯度爆炸問題[16]。LSTM的核心是記憶塊(memory block),主要包含3個門控單元與1個記憶細胞,3個門控單元分別為：遺忘門、輸入門和輸出門。LSTM的細胞狀態(tài)可以控制信息傳遞給下一時刻,而通過門控單元可以對細胞添加或刪除信息。LSTM神經(jīng)網(wǎng)絡結構如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡結構圖

通過門控單元可以有選擇地決定信息是否傳遞,它由1個Sigmoid神經(jīng)網(wǎng)絡層和1個成對乘法操作組成。該層的輸出是介于0～1的數(shù),表示允許通過信息的多少,0表示不允許通過,1表示允許通過。Sigmoid函數(shù)為

σ(x)=1/[1+e-x]

(1)

門控單元的形式表示為

目前健康管理還沒有一個公認和統(tǒng)一的定義。簡單來說，健康管理是以人的健康為中心，長期連續(xù)，周而復始，螺旋上升的全人、全程、全方位的健康服務?？梢?，健康管理的目標和健康的定義是密切相關的。世界衛(wèi)生組織(WHO)指出：“健康乃是一種在身體上、精神上的完滿狀態(tài)，以及良好的適應力，而不僅僅是沒有疾病和衰弱的狀態(tài)”。與健康管理相關的另外一個重要概念就是管理。目前認為，在健康管理中，管理是改善人群健康狀態(tài)以達到最大健康效應的過程。因此，從管理角度而言，健康管理也是以健康為核心的。

g(x)=σ(Wx+b)

(2)

遺忘門、輸入門和輸出門公式分別為：

ft=σ(Wxfxt+Whfht-1+bf)

(3)

it=σ(Wxixt+Whiht-1+bi)

(4)

ot=σ(Wxoxt+Whoht-1+bo)

(5)

式中：ft、it、ot分別為t時刻遺忘門、輸入門和輸出門的輸出值;W和b分別為網(wǎng)絡的權重系數(shù)矩陣和偏置值;ht-1為t-1時刻的隱藏層輸出。

當前時刻記憶細胞狀態(tài)值由輸入門和遺忘門決定,公式為

ct=ftct-1+ittanh(Wxcxt+Whcht-1+dc)

(6)

式中ct-1為t-1時刻的記憶細胞狀態(tài)值。

輸出值ht與輸入值相關,公式為

ht=ottanh(ct)

(7)

2 LSTM神經(jīng)網(wǎng)絡建模

本文使用LSTM神經(jīng)網(wǎng)絡模型,模型確定為單輸入單輸出的系統(tǒng),輸入為MEMS加速度計的實際輸出值,輸出為預測的MEMS加速度計的誤差信號。

2.1 數(shù)據(jù)預處理和拆分

圖3 LSTM模型建立過程

2.2 訓練

選用2.1中劃分的訓練集對LSTM神經(jīng)網(wǎng)絡進行訓練。輸入維度為2,時間步數(shù)為1。確定LSTM神經(jīng)網(wǎng)絡結構和存儲單元數(shù)目。為了訓練神經(jīng)網(wǎng)絡,需要定義一個損失函數(shù)來衡量模型預測值和真實值之間的誤差,并使用優(yōu)化器更新模型參數(shù),使損失函數(shù)最小化。

2.3 評估

使用測試集評估模型性能。LSTM 網(wǎng)絡模型的預測能力根據(jù)平均絕對誤差(MAE)、均方誤差(MSE)、均方根誤差(RMSE)這3個評價指標來判定[17]：

(8)

(9)

(10)

MAE、MES、RMSE的值越小表示預測模型的性能越好。

3 實驗驗證分析

3.1 數(shù)據(jù)采集與預處理

實驗中使用的設備包括MEMS慣性測量單元 (IMU)MPU6050、USB-TTL模塊和計算機。IMU首先被校準并靜態(tài)放置在工作臺上。然后以100 Hz的采樣頻率收集X軸加速度計的輸出,以g為單位。 校準后,記錄了6320個數(shù)據(jù)點。

在實驗中,將得到的數(shù)據(jù)點通過窗口大小為3的均值濾波器進行預處理,生成的數(shù)據(jù)集分為2部分(50%∶50%)。 圖4顯示了均值濾波前后的信號。

圖4 預處理均值濾波后與原始數(shù)據(jù)對比圖

3.2 訓練深度學習神經(jīng)網(wǎng)絡

選用3160個樣本數(shù)據(jù)集為訓練集,3160個樣本為測試集。對每種情況訓練200次,觀察網(wǎng)絡模型的性能指標。

本文模型由4個 LSTM 層和2個全連接層組成,其中每個 LSTM 層的輸出都需要返回到下一層的輸入。在這個模型中,第1個 LSTM 層有 50 個神經(jīng)元,其余3個 LSTM 層分別有 100、200 和 300 個神經(jīng)元。每個 LSTM 層都返回序列數(shù)據(jù),直到最后一層,之后將輸出序列數(shù)據(jù)重新形成單個向量,然后經(jīng)過2個全連接層后輸出單個標量結果。

本文模型使用二元交叉熵作為損失函數(shù),ADAM 優(yōu)化器進行優(yōu)化,準確度作為評估指標。使用 fit 函數(shù)對模型進行訓練,將訓練數(shù)據(jù)和標簽以及訓練時每個批次的大小和迭代次數(shù),作為函數(shù)的輸入,然后模型通過反向傳播算法進行參數(shù)優(yōu)化,不斷迭代,直到損失函數(shù)達到預定的最大迭代次數(shù)為止。最后,通過實際數(shù)據(jù)對訓練好的模型進行評估,得到其在應用中的表現(xiàn)。

4 實驗結果及分析

本文采用均值濾波的方法對采集到的數(shù)據(jù)進行預處理,并對LSTM網(wǎng)絡進行了200次迭代訓練。將獲得的網(wǎng)絡參數(shù)存儲,并使用這些參數(shù)對測試數(shù)據(jù)集進行測試,以評估LSTM網(wǎng)絡模型的性能。圖5顯示了LSTM網(wǎng)絡訓練損失隨著迭代次數(shù)的增加的變化情況。結果表明,LSTM網(wǎng)絡在經(jīng)過15次訓練后,其損失函數(shù)開始保持穩(wěn)定狀態(tài),不再顯著下降。

圖5 LSTM神經(jīng)網(wǎng)絡的模型損失和迭代次數(shù)的關系

為了驗證本文提出的隨機漂移補償方法的有效性,設計了相關實驗,并與傳統(tǒng)ARMA-KF算法進行比較,結果如表1所示。由表1可知LSTM網(wǎng)絡模型相比于ARMA-KF模型在抑制MEMS加速度計的隨機漂移方面表現(xiàn)出明顯的優(yōu)越性。圖6 顯示了2種方法的原始觀察結果和補償結果。

表1 補償前后加速度計的性能指標

圖6 實驗不同方法的補償結果

通過3次實驗對補償后的模型進行了評估,結果如表2所示,這3次實驗的均方誤差、絕對值均差和均方根誤差變化較小,且整體數(shù)值較小,驗證了本文模型具有很高的預測精度和穩(wěn)定的補償效果。

表2 LSTM網(wǎng)絡評價指標

5 結論

本文提出了一種將深度學習算法與神經(jīng)網(wǎng)絡相結合的補償 MEMS 加速度計隨機漂移的方法。首先,對采樣數(shù)據(jù)進行均值濾波和歸一化預處理,然后利用有限樣本數(shù)據(jù)對LSTM神經(jīng)網(wǎng)絡進行訓練,使網(wǎng)絡對非線性函數(shù)輸出具有一定的預測能力,從而實現(xiàn)對MEMS加速度計隨機誤差的補償。實驗結果表明,本文提出的方法降低了MEMS加速度計的噪聲指標80%以上,并且在相同的數(shù)據(jù)集上,基于LSTM的降噪方法明顯優(yōu)于傳統(tǒng)的ARMA-KF方法,驗證了基于LSTM濾波器的有效性。