![cf8d1ad04393e7e3b65bd9228bd4b3ad.png](https://i-blog.csdnimg.cn/blog_migrate/3923587f592697bfecf308d59307b55a.png)
![cf8d1ad04393e7e3b65bd9228bd4b3ad.png](https://i-blog.csdnimg.cn/blog_migrate/3923587f592697bfecf308d59307b55a.png)
![f34134281edacb3eb7eb7db14b6978c8.png](https://i-blog.csdnimg.cn/blog_migrate/bb89163e92d11a165d0a4ec29464a7d5.png)
基于递归神经网络的无迹卡尔曼滤波器实时估计和补偿微机械陀螺仪的随机漂移
微机电系统陀螺仪中随机误差的存在使得测量精度的提高具有挑战性。将无迹卡尔曼滤波器(UKF)和递归神经网络(RNN)相结合,提出了一种实时估计和补偿微机械陀螺随机漂移的新方法。该方法将随机漂移视为广义非线性自回归移动平均模型,其最优预测器由动态RNN实现。为了实时补偿随机漂移,将RNN模型引入UKF框架,建立了改进的UKF状态方程。它的创新之处在于提出了一种策略来保证UKF和RNN联合的有效性。实验验证了该方法的有效性和优越性。这个策略是将微机械陀螺的随机漂移视为一个广义的自回归模型,克服了线性自回归模型的固有缺点。然后建立一个RNN来实现该模型的最优预测。为了高精度地实时估计和补偿随机漂移,结合RNN建立的随机漂移模型对UKF进行了改进。
文章的主要贡献总结如下:
1) 利用动态RNN建立了随机漂移的广义非线性模型,该模型能够充分捕捉随机漂移的动态特性。
2) 为了实时估计和补偿随机漂移,将动态RNN引入UKF框架,形成改进的UKF状态方程。值得注意的是,将RNN模型与UKF算法直接结合时存在矛盾,因此提出了一种适当的策略来调和矛盾并保证UKF和RNN组合的有效性。
3) 通过实验验证了基于RNN的UKF实时滤波算法的有效性和优越性。