專(zhuān)利名稱(chēng)：基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法
技術(shù)領(lǐng)域：
本發(fā)明屬于慣性技術(shù)領(lǐng)域中的信號(hào)處理，涉及一種光纖陀螺零漂信號(hào)處理方法， 特別涉及一種基于前向線性預(yù)測(cè)(FLP)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法-FLP-WNN算法，適用于各種光纖陀螺儀。
背景技術(shù)：
光纖陀螺(FOG)自1976年提出原理方案以來(lái)得到了極大的發(fā)展。光纖陀螺是以 Sagnac效應(yīng)為基礎(chǔ)發(fā)展起來(lái)的一種新型的全固態(tài)的陀螺儀，是一種無(wú)機(jī)械轉(zhuǎn)動(dòng)部件的慣性測(cè)量元件，但是因?yàn)槠漭敵鲂盘?hào)往往受到噪聲的影響而造成漂移，影響陀螺的輸出特性。因此，如何去除噪聲，對(duì)漂移進(jìn)行補(bǔ)償，以提高信號(hào)的零漂性能，這是光纖陀螺信號(hào)處理方向中的一個(gè)很重要的課題。衡量光纖陀螺性能的一項(xiàng)重要指標(biāo)是零偏穩(wěn)定性，也成為零位漂移即零漂，它通常定義為一定平均時(shí)間(如IOs)下陀螺輸出角速率的標(biāo)準(zhǔn)偏差(1 σ )。通常情況下，零漂由光纖陀螺靜態(tài)輸出中的漂移和噪聲共同決定。其中噪聲呈現(xiàn)為一種短期的隨機(jī)變化，而漂移通常是指輸出中的低頻波動(dòng)或趨勢(shì)性變化。在光纖陀螺中，噪聲和漂移是兩個(gè)不同的概念，它們產(chǎn)生的機(jī)理和特性不同，對(duì)系統(tǒng)性能的影響也是不同的。在不考慮漂移因素的情況下，光纖陀螺輸出的噪聲特性含有一個(gè)稱(chēng)為“隨機(jī)游走”的統(tǒng)計(jì)過(guò)程，其中每一個(gè)輸出數(shù)據(jù)都由一個(gè)統(tǒng)計(jì)學(xué)上獨(dú)立的時(shí)間構(gòu)成，彼此是不相關(guān)的。隨著測(cè)量時(shí)間的增加，這一隨機(jī)游走支配的變量將會(huì)發(fā)生一個(gè)向真實(shí)測(cè)量值逐漸收斂的情況，這個(gè)平均值稱(chēng)為光纖陀螺的零偏。因此理論上，如果光纖陀螺信號(hào)中僅有白噪聲，那么光纖陀螺的長(zhǎng)期零偏穩(wěn)定性必將隨著平均時(shí)間和測(cè)試時(shí)間的增加而變小，其零偏值也漸趨恒定為零或?yàn)橐怀Ｖ?。事?shí)上由于環(huán)境擾動(dòng)和光纖陀螺殘余“非互易性”引起漂移，將使光纖陀螺的長(zhǎng)期零偏穩(wěn)定性限定在某一量級(jí)或某一范圍內(nèi)，再增加平均時(shí)間也不會(huì)改善零偏穩(wěn)定性。這種由于環(huán)境擾動(dòng)和光纖陀螺“非互易性”引起的擾動(dòng)，反映了陀螺輸出信號(hào)的長(zhǎng)時(shí)間變化，稱(chēng)為“漂移”。因此對(duì)光纖陀螺信號(hào)進(jìn)行處理，就必須消除噪聲以及漂移，以提高光纖陀螺的精度。傳統(tǒng)的消除光纖陀螺零漂的方法多為分步進(jìn)行，即首先消除陀螺信號(hào)的噪聲，然后再利用漂移模型進(jìn)行補(bǔ)償。在去噪方法中，主要有小波分析、FLP算法、LMS算法以及各種低通濾波器等；在漂移建模方法中，主要有神經(jīng)網(wǎng)絡(luò)建模、ARMA模型、卡爾曼濾波建模等方法。其中，小波變換、FLP算法以及神經(jīng)網(wǎng)絡(luò)建模均獲得了良好的效果。但是由于處理方法的分步進(jìn)行，使得信號(hào)處理速度較慢，去噪效果有限，建模精度也不夠高。本發(fā)明將小波變換、FLP算法及神經(jīng)網(wǎng)絡(luò)建模融合在一起，得到了一種基于前向線性預(yù)測(cè)(FLP)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，得到了良好的信號(hào)去噪效果，建立了高精度的漂移模型，有效的消除了零漂對(duì)光纖陀螺信號(hào)的影響。

發(fā)明內(nèi)容
本發(fā)明的技術(shù)解決問(wèn)題克服現(xiàn)有技術(shù)的不足，一種基于前向線性預(yù)測(cè)(FLP)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法-FLP-WNN算法，該方法將小波變換、FLP算法與神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)結(jié)合在一起，能有效的去除光纖陀螺信號(hào)中噪聲，提高建模精度，且易于程序?qū)崿F(xiàn)。本發(fā)明的技術(shù)解決方案一種基于前向線性預(yù)測(cè)(FLP)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法-FLP-WNN算法，主要包括以下四個(gè)步驟(1)利用小波變換對(duì)光纖陀螺零漂信號(hào)進(jìn)行多尺度分解以db4小波作為小波基對(duì)光纖陀螺零漂信號(hào)進(jìn)行多尺度分解，分解層數(shù)為n，得到各層的分解系數(shù)，包括近似系數(shù)和細(xì)節(jié)系數(shù)。(2)對(duì)分解得到的逼近系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行單支重構(gòu)對(duì)分解后得到的逼近系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行單支重構(gòu)，從而得到重構(gòu)后的近似信號(hào) an與細(xì)節(jié)信號(hào)di (i = 1，2，Λ，η)。重構(gòu)小波基選為db4小波。(3)對(duì)重構(gòu)后的逼近信號(hào)和細(xì)節(jié)信號(hào)逐層分別進(jìn)行FLP去噪在步驟( 得到的單支重構(gòu)的逼近信號(hào)與細(xì)節(jié)信號(hào)的基礎(chǔ)上，利用FLP算法對(duì)近似信號(hào)與細(xì)節(jié)信號(hào)進(jìn)行去噪處理，得到去噪后的信號(hào)a' (η)與d' ^ ζΙ^,Λ,η)。其中， FLP算法的階數(shù)設(shè)為30，其步長(zhǎng)選擇遵循下面公式利=^[l-exp(-^；)] ,Ej = E[ en(n) | ]。 其中μ ^為不同頻段下的步長(zhǎng)，j = 1,2, Λ，6, 為第j頻段內(nèi)FLP絕對(duì)誤差的均值。(4)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以得到光纖陀螺零漂信號(hào)的模型以步驟(3)中得到的逐層去噪后的信號(hào)a' (η)與d' = 1,2, Λ , η)作為神經(jīng)網(wǎng)絡(luò)的輸入樣本，以下一時(shí)刻的光纖陀螺信號(hào)作為輸出樣本，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完畢即得到光纖陀螺零漂信號(hào)的模型。其中輸出樣本為經(jīng)基于前向線性預(yù)測(cè)(FLP)的自適應(yīng)小波變換去噪后的當(dāng)前時(shí)刻的陀螺信號(hào)本發(fā)明的原理是靜止時(shí)，光纖陀螺的輸出信號(hào)是一個(gè)隨機(jī)函數(shù)，考慮到其平均值的長(zhǎng)期漂移，它由白噪聲和一個(gè)緩慢變化的函數(shù)組成，統(tǒng)稱(chēng)為零漂。在光纖陀螺的實(shí)際應(yīng)用中，零漂是影響光纖陀螺精度的一個(gè)重要因素，因此必須對(duì)光纖陀螺的輸出信號(hào)進(jìn)行處理， 以消除零漂的影響。傳統(tǒng)的光纖陀螺零漂處理方法多為分別針對(duì)噪聲及漂移進(jìn)行。首先針對(duì)光纖陀螺信號(hào)中的噪聲，可利用小波變換、FLP算法、LMS算法及其他低通濾波器進(jìn)行去噪處理；針對(duì)消除噪聲后得到的漂移信號(hào)，一般采用建立數(shù)學(xué)模型的方法對(duì)實(shí)現(xiàn)對(duì)漂移信號(hào)的補(bǔ)償，神經(jīng)網(wǎng)絡(luò)算法、ARMA模型及卡爾曼濾波算法等均得到了好、良好的應(yīng)用。本發(fā)明把對(duì)噪聲和漂移的處理融為一體，提出了一種基于前向線性預(yù)測(cè)(FLP)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，首先利用小波變換對(duì)光纖陀螺信號(hào)進(jìn)行多尺度分解， 并對(duì)分解后的各層系數(shù)進(jìn)行單層重構(gòu)，得到逼近信號(hào)Bn與細(xì)節(jié)信號(hào)dji = 1，2，Λ，η)。傳統(tǒng)的小波變換去噪方法為利用閾值去噪對(duì)單層重構(gòu)后的信號(hào)進(jìn)行處理，在本發(fā)明中，為了提高去噪精度，將FLP算法引入進(jìn)來(lái)代替閾值去噪，以對(duì)各層單層重構(gòu)后的信號(hào)進(jìn)行處理。 由于小波變換多尺度分解后能夠有效的降低各頻段內(nèi)的自相關(guān)函數(shù)特征的分散度，因此將有效的提高FLP算法的去噪精度并提高去噪收斂速度，從而得到優(yōu)于小波變化及FLP算法的去噪結(jié)果。由于當(dāng)前時(shí)刻的陀螺漂移信號(hào)受前一時(shí)刻漂移信號(hào)的影響較大，因此傳統(tǒng)的建模方法通常利用前一時(shí)刻的信號(hào)作為自變量進(jìn)行前向一步預(yù)測(cè)，但由于自變量維度有限，往往難以得到高精度的模型。本發(fā)明利用神經(jīng)網(wǎng)絡(luò)對(duì)光纖陀螺漂移信號(hào)進(jìn)行建模，并將其與小波變換、FLP算法融合在一起，以FLP算法處理過(guò)的當(dāng)前時(shí)刻的各層逼近信號(hào)與細(xì)節(jié)信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸入，以下一時(shí)刻的光纖陀螺信號(hào)作為輸出對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提高了輸入信號(hào)的維度，因此有效的提高了建模精度。本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于(1)小波變換能夠?qū)崿F(xiàn)信號(hào)的多尺度分解，從而得到了不同頻段下的信號(hào)，有效的降低了各頻段內(nèi)的自相關(guān)函數(shù)特征的分散度，從而提高了 FLP算法的去噪精度和去噪過(guò)程的收斂速度。(2)由于FLP算法自身的優(yōu)點(diǎn)，使得整個(gè)算法具有實(shí)時(shí)性、時(shí)間延遲小、初始過(guò)程短等特點(diǎn)。(3)通過(guò)小波系數(shù)單層重構(gòu)，并分別對(duì)各層系數(shù)處理后進(jìn)行建模，使得模型更加準(zhǔn)確并且易于編程實(shí)現(xiàn)。(4)將去噪與建模相結(jié)合，有效的簡(jiǎn)化了光纖陀螺漂移信號(hào)的處理過(guò)程，提高了信號(hào)處理速度。


圖1為FLP-WNN算法原理框圖；圖2為小波多尺度分解框圖。
具體實(shí)施例方式本發(fā)明FLP-WNN的算法原理框圖如圖1所示，主要包括以下四個(gè)步驟(1)利用小波變換對(duì)光纖陀螺信號(hào)進(jìn)行多尺度分解圖2所示為小波變換對(duì)光纖陀螺信號(hào)進(jìn)行多尺度分解的框圖，其中S為原始信號(hào)， 分解層數(shù)為4，得到分解后的逼近信號(hào)A4與細(xì)節(jié)信號(hào)Di (i = 1，2，3，4)。其中，分解小波基選為db4小波。(2)對(duì)分解得到的逼近系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行單支重構(gòu)對(duì)分解得到的逼近系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行單支重構(gòu)，得到重構(gòu)后的近似信號(hào)&與細(xì)節(jié)信號(hào)Cli (i = 1,2,3,4).其中，重構(gòu)小波基選為db4小波。(3)對(duì)重構(gòu)后的逼近信號(hào)和細(xì)節(jié)信號(hào)逐層分別進(jìn)行FLP去噪FLP(前向線性預(yù)測(cè))算法的實(shí)質(zhì)是利用過(guò)去N個(gè)數(shù)據(jù)預(yù)測(cè)將來(lái)的采樣值。其主要思路是把先前時(shí)刻輸出的陀螺信號(hào)乘以相應(yīng)的權(quán)重來(lái)預(yù)測(cè)當(dāng)前時(shí)刻的陀螺信號(hào)。其最佳權(quán)重的獲得需要一個(gè)迭代過(guò)程，在這個(gè)過(guò)程中，首先需要設(shè)定權(quán)重初始值為零，然后計(jì)算當(dāng)前陀螺信號(hào)與預(yù)測(cè)值之間的差值，根據(jù)最小均方值理論最小化這個(gè)差值，并利用這個(gè)差值不斷調(diào)整更新權(quán)重并最終獲得一個(gè)穩(wěn)定收斂的權(quán)重值。通過(guò)下式可以利用先前時(shí)刻的陀螺輸出求得當(dāng)前時(shí)刻陀螺信號(hào) χ (η)的估計(jì)值
權(quán)利要求
1.一種基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，其特征在于包括如下步驟(1)利用小波變換對(duì)光纖陀螺零漂信號(hào)進(jìn)行多尺度分解利用小波變換對(duì)靜態(tài)下的光纖陀螺零漂信號(hào)進(jìn)行多尺度分解，分解層數(shù)為n，得到分解后各層的小波系數(shù)，包括近似系數(shù)與細(xì)節(jié)系數(shù)；(2)對(duì)分解得到的逼近系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行單支重構(gòu)對(duì)分解得到的逼近系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行單支重構(gòu)，得到重構(gòu)后的近似信號(hào)％與細(xì)節(jié)信號(hào)屯(士 = 1，2，Λ，η)；(3)對(duì)重構(gòu)后的逼近信號(hào)和細(xì)節(jié)信號(hào)逐層分別進(jìn)行FLP去噪對(duì)步驟O)中進(jìn)行單支重構(gòu)后得到的逼近信號(hào)％與細(xì)節(jié)信號(hào)dji = 1,2, Λ,η)分別利用FLP算法進(jìn)行去噪，得到去噪后的信號(hào)a(n)與d' , (i = 1,2, Λ , η)；(4)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以得到光纖陀螺零漂信號(hào)的模型以步驟⑶中得到的逐層去噪后的信號(hào)a(n)與d' i(i = 1,2, Λ , η)作為神經(jīng)網(wǎng)絡(luò)的輸入樣本，以下一時(shí)刻的光纖陀螺信號(hào)作為輸出樣本，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完畢即得到光纖陀螺零漂信號(hào)的模型。
2.根據(jù)根據(jù)權(quán)利要求1所述的一種基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，其特征在于，所述步驟(1)中利用小波變換對(duì)信號(hào)進(jìn)行多尺度分解，其小波基選為 db4小波。
3.根據(jù)權(quán)利要求1所述的一種基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，其特征在于，所述步驟O)中對(duì)近似信號(hào)和細(xì)節(jié)信號(hào)進(jìn)行單支重構(gòu)，其小波基選為db4 小波。
4.根據(jù)權(quán)利要求1所述的一種基于前向線性預(yù)測(cè)(FLP)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，其特征在于，所述步驟(3)中利用FLP算法進(jìn)行去噪處理，其去噪過(guò)程是在信號(hào)的重構(gòu)層進(jìn)行的，即首先對(duì)小波多尺度分解后得到的逼近系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行單支重構(gòu)，然后對(duì)單支重構(gòu)后的信號(hào)進(jìn)行FLP去噪處理。
5.根據(jù)權(quán)利要求1所述的一種基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，其特征在于，所述步驟(3)中對(duì)多尺度分解得到的逼近信號(hào)與細(xì)節(jié)信號(hào)逐層分別進(jìn)行 FLP去噪，其FLP濾波器預(yù)測(cè)階數(shù)選為30。
6.根據(jù)權(quán)利要求1所述的一種基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，其特征在于，所述步驟(3)中對(duì)多尺度分解得到的逼近信號(hào)與細(xì)節(jié)信號(hào)逐層分別進(jìn)行FLP去噪，其FLP濾波器中的步長(zhǎng)選擇遵循下面公式巧=々[l-eXp(-M,)]，Ej = E[|en(n) I]；其中μ』為不同頻段下的步長(zhǎng)，j = 1,2, Λ，n，&為第j頻段內(nèi)FLP絕對(duì)誤差的均值。
7.根據(jù)權(quán)利要求1所述的一種基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，其特征在于，所述步驟⑷中神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)為n+1個(gè)，輸入樣本為步驟⑶ 中的a(n)與d' Ji = 1，2，Λ，η)，輸出節(jié)點(diǎn)為1個(gè)，輸出樣本為基于前向線性預(yù)測(cè)的自適應(yīng)小波變換去噪后的當(dāng)前時(shí)刻的光纖陀螺信號(hào)。
全文摘要
本發(fā)明涉及一種基于前向線性預(yù)測(cè)的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)去噪建模方法，包括以下步驟(1)利用小波變換對(duì)當(dāng)前時(shí)刻的光纖陀螺零漂信號(hào)進(jìn)行多尺度分解；(2)對(duì)分解后的近似信號(hào)和細(xì)節(jié)信號(hào)進(jìn)行單支重構(gòu)，得到重構(gòu)后的近似信號(hào)與細(xì)節(jié)信號(hào)；(3)對(duì)步驟(2)中的近似信號(hào)與細(xì)節(jié)信號(hào)逐層分別利用FLP方法進(jìn)行去噪；(4)以步驟(3)中得到的逐層去噪后的信號(hào)與作為神經(jīng)網(wǎng)絡(luò)的輸入，以下一時(shí)刻的光纖陀螺信號(hào)作為輸出，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完畢即完成了對(duì)光纖陀螺零漂信號(hào)的去噪及建模。本發(fā)明方法融去噪與建模為一體，有效的提高了光纖陀螺零漂信號(hào)的建模及補(bǔ)償精度，且易于實(shí)現(xiàn)。
文檔編號(hào)G01C19/72GK102289715SQ20111015302
公開(kāi)日2011年12月21日 申請(qǐng)日期2011年6月8日 優(yōu)先權(quán)日2011年6月8日
發(fā)明者申沖, 陳熙源 申請(qǐng)人:東南大學(xué)