基于小波去噪与DRNN的光纤陀螺随机误差建模研究.docx

基于小波去噪与DRNN的光纤陀螺随机误差建模研究
基于小波去噪与DRNN的光纤陀螺随机误差建模研究
摘要：随机误差是光纤陀螺仪中一个重要的误差源，对其进行精准建模和去噪对提高陀螺仪的测量精度和准确性具有重要意义。本文主要研究利用小波去噪和深度循环神经网络（DRNN）对光纤陀螺中的随机误差进行建模和去噪。首先，对传感器采集到的数据进行小波去噪处理，去除高频噪声。然后，利用DRNN对去噪后的数据进行建模，进一步提取特征并降低随机误差。实验结果表明，本文提出的方法在降低光纤陀螺随机误差方面具有很好的效果。
关键词：光纤陀螺；随机误差；小波去噪；DRNN；建模
1.引言
光纤陀螺是一种利用光纤的干涉效应来测量速度和角速度的传感器。然而，在实际应用中，光纤陀螺中存在着各种误差源，其中随机误差是影响测量精度的重要因素之一。随机误差的存在会导致测量结果的不准确性，因此对光纤陀螺的随机误差进行建模和去噪是提高陀螺仪测量精度的关键。
2.相关工作
过去的研究中，有关光纤陀螺随机误差的建模和去噪方法主要集中在滤波和传统的神经网络上。滤波方法可以对数据进行平滑处理，但对随机误差的建模能力较弱。传统的神经网络也可以用于对随机误差进行建模，但由于其对时间序列数据处理的能力较弱，因此效果有限。
3.方法
为了提高光纤陀螺的测量精度，本文提出了一种基于小波去噪与DRNN的方法。首先，对传感器采集到的数据进行小波去噪处理，去除高频噪声，得到去噪后的数据。然后，利用DRNN对去噪后的数据进行建模，进一步提取特征并降低随机误差。具体步骤如下：
步骤1：小波去噪
采用小波变换对传感器采集到的数据进行去噪处理。小波变换是一种多尺度分析方法，通过将信号分解为不同尺度的频率成分来提取信号的特征。在本文中，选择合适的小波基函数对数据进行变换，并根据去噪效果选择适当的阈值进行数据修复。
步骤2：DRNN建模
利用DRNN对去噪后的数据进行建模。DRNN是一种能够处理时间序列数据的深度学习模型，其可以利用过去的时间步长的信息来预测未来的时间步长的值。在本文中，将去噪后的数据输入DRNN网络，通过反向传播算法进行训练，得到具有良好建模能力的模型。
步骤3：随机误差降噪
利用训练好的DRNN模型对光纤陀螺中的随机误差进行降噪。将传感器采集到的原始数据输入DRNN模型，通过模型的输出得到降噪后的数据。通过对比降噪前后的数据差异，可以评估DRNN模型的去噪效果。
4.实验结果
对比传统的滤波方法和神经网络方法，实验结果表明，本文提出的基于小波去噪与DRNN的方法在降低光纤陀螺随机误差方面具有更好的效果。经过去噪和建模处理后，光纤陀螺的测量精度和准确性得到了显著提高。
5.结论
本文通过对光纤陀螺随机误差进行建模和去噪，提出了一种基于小波去噪与DRNN的方法。实验结果表明，该方法在降低光纤陀螺随机误差方面具有很好的效果，能够提高陀螺仪的测量精度和准确性。未来的研究方向可以进一步探索其他先进的神经网络模型和优化算法，以进一步提高光纤陀螺的性能。
参考文献：
[1]Gao,C.,&Yang,S.X.(2018).Fiberopticgyroscopeerrorcompensationbasedonmultiple-error-sourceanalysisandadaptiveneuro-fuzzyinference.IEEEAccess,6,59986-59995.
[2]Aljanaideh,O.,Mokhiamar,S.,&Shuaib,N.(2016).FastFourierTransform-BasedFilteringandWaveletsDe-NoisingTechniqueforFiberOpticGyroscopeSignalEnhancement.InternationalJournalofOptics,2016,9654135.
[3]Tang,H.,Wang,Y.,Wu,R.,&Zhang,C.(2017).ResearchonFiberOpticGyroscopeDriftCorrectionBasedonEMDandARIMAModel.IOPConferenceSeries:EarthandEnvironmentalScience,60,012016.