基于改进的BP神经网络的六轴加速传感器的非线性脱研究.

科学领域:

• * 测量科学 测量科学
• * 传感器技术 * 传感器技术
• * 人工智能 * 人工智能

背景情况:

• * 非线性合错误会影响并行六轴加速度计的准确性.
• * 现有的线性解方法对于复杂的错误源是不够的.

研究的目的:

• * 开发一个改进的反向传播 (BP) 神经网络脱模型.
• *为了提高收速度,抗冲击能力和加速度计测量的准确性.
• * 为六轴加速度计中非线性合错误提供强大的解决方案.

主要方法:

• *通过结合动量和莱文伯格-马奎特 (LM) 算法的梯度下降来改进后传 (BP) 神经网络.
• * 通过使用中频标准振动装置 (APS 129 ELECTRO-SEIS) 的校准数据来训练改进的BP神经网络模型.
• * 测试组的非线性解,使用训练后改进的BP神经网络模型.

主要成果:

• * 改进的BP神经网络模型实现了六轴加速度计的高脱精度.
• *获得了0.035% (x轴),0.018% (y轴) 和0.039% (z轴) 的加速测量精度.
• * 与传统的线性解方法相比,传感器测量准确度显著提高.

结论:

• * 提议改进的BP神经网络模型有效地解决了六轴加速度计中的非线性合错误.
• * 该模型表现出卓越的脱准确性,并提高了传感器的整体性能.
• * 这项研究为开发高精度惯性导航系统提供了宝贵的理论支持.