一种基于VMD-神经网络模型的机载MIMU数据去噪方法

本发明属于惯性导航，具体涉及一种基于vmd-神经网络模型的机载mimu数据去噪方法。

背景技术：

1、惯性导航系统(inertial navigation system，ins)，是一种用于运动载体导航定位的系统，惯性导航系统利用惯性传感器(如陀螺仪和加速度计)来实时测量飞行器、船舶、车辆或其他运动载体姿态、速度，利用航迹推位原理来计算运动载体相对位置变化。惯性导航系统主要包含惯性测量单元(inertial measurement unit，imu)和解算模块。其中，imu能够实时测量运动载体的三轴加速度、三轴角速度；解算模块能够根据imu的测量值来实时解算出运动载体的相对位姿变化。ins在实际使用过程中，经常受到多种干扰源如环境噪声、机械振动噪声、温度变化、电磁扰动等的干扰而产生误差，从而影响其精度，昂贵的ins具有高精度惯性传感器和成熟的滤波去噪算法，可以有效抑制干扰源对其定位精度的影响，但是昂贵的成本限制了其在以高性价比和消耗型为主的通用航空和无人机等领域大批量应用。

2、微型惯性测量单元(miniature imu，mimu)是一种新型惯性传感器，它由微型陀螺仪、微型加速度计、专用集成电路、嵌入式微型计算机组成。与昂贵的ins中惯性传感器相比，其具有小型化、低成本、低功耗、响应迅速等优点，目前已经广泛应用于运动姿态捕捉，车辆定位导航、无人机和工业机器人姿态解算等产业领域中，mimu产品分为多种级别如消费级、工业级、战术级等，其中应用最为广泛的是消费级和工业级mimu。但是消费级、工业级等低成本mimu在上述领域使用过程中易受到环境或人为干扰源干扰，使其量测值掺杂大量噪声，从而在其姿态解算、航位推算过程中随时间累积误差，产生极大的定位误差。因此亟需找到适用于mimu的去噪算法，来抑制多种干扰源对mimu造成的性能影响。

3、机载mimu的误差来源为噪声和零偏，噪声分为内部噪声和外部噪声，内部噪声一般分为温度漂移噪声、尺度因子和轴偏差，一般工业级mimu配备温度控制补偿单元可以抑制温度对mimu造成的影响。尺度因子和轴偏差一般是由mimu本身结构和制造过程导致的，这种可以通过专用的转台来标定。外部噪声通常包括机载环境噪声和随机噪声，随机噪声一般是高斯加性噪声和随机游走噪声，这种随机噪声是完全随机的，没有规律可循，如果随机噪声是加性高斯白噪声可以通过卡尔曼滤波方法进行抑制。机载环境噪声一般分为：机身环境噪声，无人机、低空通用飞机等在飞行过程中遇到气流、气旋等对机体产生振动造成的气流、气动噪声；机械振动噪声，飞机本身固有的的机械振动和发动机振动都会传递给mimu等机载设备，从而产生机械振动噪声；地面噪声，无人机、低空通用飞机等频繁起飞降落过程中，地面的振动也会传递给机载设备，尤其是起飞降落的瞬间大冲击对mimu的影响显著。

4、机载环境噪声的特点是噪声信号频率高且有规律可循，这种噪声在运动状态下严重影响mimu的加速计和陀螺仪的测量精度和准确性。无人机、低空通用飞机等飞行器的使用日趋广泛，而机载环境噪声对上述飞机的姿态测量精度、飞行稳定性、飞行导航性能都造成严重影响。综上所述，去噪技术对于解决机载环境噪声对飞行器性能和安全性造成的影响具有重要的价值。

技术实现思路

1、本发明的目的在于提供一种基于vmd-神经网络模型的机载mimu数据去噪方法。

2、本发明的目的通过如下技术方案来实现：

3、一种基于vmd-神经网络模型的机载mimu数据去噪方法，包括以下步骤：

4、步骤1：采集数据并分析推导；

5、将mimu和高精度惯性导航设备安装到固定翼无人机上，固定翼无人机进行飞行任务，同时采集mimu和ins的三轴角速度数据、加速度数据；飞行任务结束后，从存储器中读取mimu和ins的三轴角速度、加速度数据，并计算它们之间的斯皮尔曼系数和皮尔逊系数；

6、步骤2：采用差分法和滑窗法进行数据预处理；

7、将mimu三轴角速度数据减去ins三轴角速度数据，mimu加速度数据减去ins加速度计数据，得到6组噪声差、零偏差数据，然后使用滑窗法，将无标签监督的数据转换为有标签监督的数据；

8、步骤3：对mimu数据进行变分模态分解；

9、将mimu的三轴角速度数据，加速度计数据按8：2比例分成训练集和测试集，在变分模态分解模块中训练集数据、测试集数据，按照时间步长为2进行变分模态分解，每个轴的数据分解为8组，一共分解为48组；

10、步骤4：送入神经网络训练；

11、将变分模态分解得到的48组数据送入1dcnn-bilstm神经网络，一维卷积神经网络模块由64个一维卷积滤波器组成，每个卷积滤波器大小为5，双向长短时间记忆神经网络模块由128个双向lstm单元构成，将步骤2得到的6组噪声数据作为监督学习的标签，开始网络训练，并调整网络学习率等超参数，网络训练结束后保存神经网络权重；

12、步骤5：神经网络推理；

13、将步骤4中训练好的神经网络模型权重导入神经网络模型，将步骤3的测试集48组数据输入到神经网络模型，经神经网络推理输出6组噪声数据，包括经神经网络预测的三轴角速度噪声数据和经神经网络预测的三轴加速度噪声数据；

14、步骤6：数据去噪；

15、在步骤5的基础上，将训练集的原始mimu三轴角速度数据和加速度数据减去对应各轴的神经网络推理得到的噪声数据，得到去噪后的mimu的三轴角速度数据和加速度数据。

16、进一步地，所述步骤2中的差分法和滑窗法进行数据预处理，包括以下步骤：

17、步骤2.1：将mimu三轴角速度减去对应的ins三轴角速度，将mimu三轴加速度数据减去对应的ins三轴加速度数据，得到一共6组噪声数据，公式如下：

18、

19、

20、

21、其中，表示t时刻mimu输出的三轴角速度，表示t时刻mimu输出的三轴加速度，表示t时刻ins输出的三轴角速度，表示t时刻ins输出的三轴加速度，表示t时刻mimu输出的三轴角速度噪声，表示t时刻mimu输出的三轴角速度零偏，表示t时刻mimu输出的三轴加速度噪声，表示t时刻mimu输出的三轴加速度零偏，高精度ins在受干扰源干扰时输出的角速度值、加速度值包含噪声和零偏很小，mimu在受干扰源干扰时输出的角速度值、加速度值包含噪声和零偏很大，δωt表示t时刻mimu输出的三轴角速度的噪声和零偏，δat表示t时刻mimu输出的三轴加速度的噪声和零偏；

22、步骤2.2：利用连续滑动窗口，窗口大小为时间步长2，将mimu的三轴角速度数据、加速度计数据处理成时间序列信号数据集，其形状为：b，f，s；其中b为数据个数，f为数据集特征数，s为时间步长；同时利用相同方法，将步骤2.1的噪声数据处理成数据集的标签，其形状为：b，t；b为标签个数，t为标签类别数。

23、进一步地，所述步骤3，具体步骤如下：

24、步骤3.1：确定vmd算法参数，参数包括α，k，dc，tol，α为带宽限制，其值为滑动窗口法产生的数据集的b的1.5倍，k为要分解的模态函数个数，值为8，dc为常量信号，设置为0，tol为分解控制误差阈值，设置为e-7；

25、步骤3.2：随机初始化，采用高斯分布的随机数来初始化模态函数；

26、步骤3.3：优化求解，采用变分优化方法对时间序列信号数据集进行分解；

27、步骤3.4：计算模态函数，根据优化求解的结果，计算每个模态函数，模态函数是时间序列信号数据集中每个轴对应的时间序列信号分解后的基本成分，代表了每个轴对应的时间序列信号的不同振动模态；

28、步骤3.5：迭代计算，收敛判断，根据步骤一的tol阈值参数判断优化求解是否收敛，否则就重复步骤3.4直到满足模态函数之和与原始时间序列信号之差小于步骤一的tol阈值参数。

29、进一步地，所述步骤4，具体包括以下步骤：

30、步骤4.1：神经网络模型构建，使用tensorflow2.10构建神经网络，构建一维卷积神经网络模块，一维卷积神经网络使用64个步长为5的一维卷积滤波器，然后构建双向长短时间记忆神经网络模块，双向长短时间记忆神经网络由128个lstm单元组成，然后对其进行双向连接，最后构建一个全连接神经网络模块，全连接模块由6个神经元组成，将上述模块利用tensorflow的sequential容器将这些模块顺次连接起来；

31、步骤4.2：定义损失函数，损失函数定义为huber损失函数，即表示神经网络预测值与标签值之差的l1范数和l2范数的动态最优值，公式如下：

32、

33、其中，y表示标签值，fnw(x)表示神经网络的预测值，即预测的噪声值，δ为超参数，当δ→0，huber损失函数趋近于l1范数，当δ→∞，huber损失趋近于l2范数，huber损失函数避免离群值和异常值对神经网络训练的影响，解决了l1范数损失函数的训练速度慢的问题；

34、步骤4.3：神经网络训练，训练使用adam优化器对神经网络权重进行优化计算，学习率设置为10-3，训练轮数设置为200，每轮中的训练批次设置为50，训练过程中使用随机丢弃技术和批归一化技术，设置随机丢弃率为0.2，即每轮训练随机启用20％的权重参数，批归一化使用min-max归一化技术，计算公式如下：

35、

36、其中，x表示训练数据，xmin表示x的最小值，xmax表示x最大值，通过这种方法将训练数据归一化到[0，1]之间，便于神经网络训练，并加速网络模型的收敛。

37、进一步地，所述步骤5中经神经网络预测的三轴角速度噪声数据和经神经网络预测的三轴加速度噪声数据，公式如下：

38、

39、

40、其中，fnw{}代表神经网络所拟合的函数，为mimu的t-2时刻和t-1时刻的三轴角速度输出值的变分模态函数值，为mimu的t-2时刻和t-1时刻的三轴加速度输出值的变分模态函数值，为神经网络预测的t时刻的mimu三轴角速度噪声，为神经网络预测的t时刻的mimu三轴加速度噪声。

41、进一步地，所述步骤6中去噪后的mimu的三轴角速度数据和加速度数据，公式如下：

42、

43、

44、其中，代表t时刻mimu去噪后的三轴角速度输出值，代表t时刻mimu去噪后的三轴加速度输出值。

45、进一步地，vmd-神经网络模型包括依次连接的变分模态分解模块、一维卷积神经网络模块、双向长短时间记忆神经网络模块和全连接神经网络模块；mimu的数据按照模块连接顺序进入神经网络进行训练。

46、本发明的有益效果在于：

47、1、本发明所提出的vmd-神经网络模型泛化性能更好，在固定翼无人机和陆地车辆的数据集中都进行过测试，去噪效果理想，将原始mimu三轴陀螺仪、三轴加速度计的输出的均方根误差降低了10倍。

48、2、本发明所提出的vmd-神经网络模型所需训练的神经元总量较小，神经元数量在8万～10万之间，可根据实际情况调整，因此可以部署到算力低、功耗低的嵌入式设备上，且可以进行实时去噪。

49、3、本发明所提出的数据处理方法是基于机器学习的角度提出的，目的是让低精度的mimu输出来学习高精度的ins惯性传感器的输出，高精度ins惯性传感器作为机器学习过程中的监督，理论上作为监督的ins惯性传感器精度越高，本发明提出的神经网络模型学习效果越好。

50、4、本发明中所提出的去噪方法不会损害mimu输出数据中的动态信息，方法中使用的神经网络模型用于噪声预测，神经网络预测的噪声值不会大于实际噪声值，因此不会影响mimu输出数据的动态信息。

51、5、本发明所提出的去噪方法可在无人机和通航飞机研制阶段需要高精度ins数据作为监督并固化算法参数，但在定型和生产应用阶段则无需高精度ins，大大降低无人机和通航飞机的整机成本。