FFT-aprendizaje profundo denoising método para giroscopio óptico integrado de resonancia.

Área de la Ciencia:

• Ingeniería óptica Ingeniería óptica.
• Procesamiento de señales Procesamiento de señales.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• El ruido en los giroscopios ópticos integrados de resonancia (RIOGs) limita la precisión.
• El desarrollo de técnicas efectivas de reducción de ruido es crucial para aplicaciones avanzadas.

Objetivo del estudio:

• Presentar un marco de desinformación en cascada que combine enfoques basados en la física y basados en datos.
• Para suprimir significativamente el ruido en RIOGs para una precisión ultra alta.

Principales métodos:

• Implementado un marco de desinformación híbrido: Transformación rápida de Fourier (FFT) filtrado de peine seguido de una red de red neuronal convolucional (CNN) - Memoria Larga a Corto Plazo (LSTM).
• La red CNN-LSTM utilizó capas convolucionales 1D para la extracción de características y LSTM para las dependencias temporales.
• Aplicado a una muestra de 1 kHz, datos de campo de 2.000.000 puntos.

Principales resultados:

• Se logró una reducción en la caminata aleatoria angular (ARW) a 0.28 ° / h.
• Inestabilidad de sesgo reducida a 2.52 °/h.
• Demostró una mejora aproximada del 50% tanto en ARW como en la inestabilidad de sesgo en comparación con los métodos anteriores.

Conclusiones:

• El marco en cascada propuesto ofrece un avance significativo en la supresión de ruido giroscópico.
• La combinación de las restricciones físicas del dominio de frecuencia y el aprendizaje profundo espacio-temporal muestra una fuerte generalización para el procesamiento de señales de giroscopio.