微型电机系统加速器的温度补偿方法基于门式反复单元-注意力和强大的局部平均分解-样本透-时间-频率峰值过

科学领域:

• 传感器技术 传感器技术
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 微电机系统 (MEMS) 加速度计因温度波动和固有的噪声而遭受准确性降低.
• 现有的方法往往难以有效地同时解决噪声和温度漂移问题,从而限制了加速仪在动态环境中的精度.

研究的目的:

• 为MEMS加速度计提出并验证并行消噪和温度补偿的融合算法.
• 通过减轻噪音和温度引起的错误,显著提高MEMS加速度计数据的准确性和可靠性.

主要方法:

• 使用强大的局部平均分解 (RLMD) 将信号分解成产品函数 (PF) 信号和残余.
• 通过样本度 (SE) 进行信号分类,以识别噪声,混合和温度漂移细分.
• 使用适应窗口长度的时间频峰过 (TFPF) 消除噪声和混合段.
• 使用新的GRU-MLP-attention模型 (GMAN) 进行温度补偿,将加速度计输出时间序列作为输入.

主要成果:

• RLMD-SE-TFPF算法通过分类和处理不同的信号段来有效地消除加速度计信号.
• GMAN模型成功地弥补了温度漂移,利用加速度计的输出时间序列提高了准确性.
• 综合融合算法使加速随机步行减少了96.11%,从0.23032 g/h/Hz降至0.00895695 g/h/Hz.

结论:

• 拟议的并行消噪和温度补偿融合算法为提高MEMS加速度计精度提供了强大的解决方案.
• 与原始信号相比,RLMD-SE-TFPF用于无声化和GMAN用于温度补偿的组合显示出更高的性能.