技术摘要：
本发明公开了一种基于神经网络的温度补偿方法和系统，本发明的方法包括步骤S1，对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；步骤S2，对步骤S1采集的每一个MEMS加速度计的实验数据进行预处理；步骤S3，采用预处理之后的m个MEMS加速度计的实验数据  全部
背景技术：
随着MEMS技术的发展，惯性传感器在过去的几年中成为应用最广泛的微机电系统 器件之一，其中微加速度计已经被广泛用于测量物体加速度的惯性装置。但是环境温度的 变化是影响MEMS加速度计测量结果的最重要原因之一，而且其导致MEMS加速度计的性能大 幅度的降低。 现有的温度补偿方法大多采用多项式函数(y＝a0 a1x a2x2 …)和三角函数(y＝a0 a1  sin  x a2  cos  x)。采用多项式函数的温度补偿技术由于多项式函数可以采用线性最小 二乘法拟合，因此有成熟的实现方法。然而多项式函数也存在一定的局限性，由于温度曲线 具有非线性的特点，当面对较为复杂的温度曲线时，需要用特高阶函数去拟合，实现起来非 常复杂。另外，三角函数的温度补偿技术也比较常用。三角函数泰勒展开式能够达到多项式 高阶数拟合的效果，但也只能拟合单个MEMS加速度计特性曲线，无法实现对不同MEMS加速 度计的温度补偿。
技术实现要素：
为了解决上述现有技术中存在的技术问题，本发明提供了一种基于神经网络的温 度补偿方法。本发明利用神经挽留过学习温度变化对传感器输出电压变化的关系，从而实 现对MEMS加速度计的问题补偿，还能够实现对多个传感器同时进行温度补偿。 本发明通过下述技术方案实现： 一种基于神经网络的温度补偿方法，该方法包括以下步骤： 步骤S1，对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数； 步骤S2，对步骤S1采集的每一个MEMS加速度计的实验数据进行预处理； 步骤S3，采用预处理之后的m个MEMS加速度计的实验数据对神经网络模型进行训 练，得到神经网络温度补偿模型； 步骤S4，采用步骤S3得到的神经网络温度补偿模型对预处理之后的m个MEMS加速 度计的新实验数据进行温度补偿。 优选的，本发明的步骤S1中的实验数据采集具体为将温度控制在一定范围内变 化，测量MEMS加速度计输出电压。 优选的，本发明的步骤S2中的预处理包括：对每一个MEMS加速度计的实验数据进 行等间隔采样获得多组样本数据，然后将所有样本数据分批处理和归一化处理。 优选的，本发明的步骤S3中的神经网络模型包括n层，第1层的映射函数为：A[1]＝ tanh(W[1]X b[1])，第2至n层的映射函数为：A[j]＝tanh(W[j]A[j-1] b[j])；其中，2≤j≤n，n为大 于等于3的正整数，X表示神经网络的输入，A[1]表示第1层的映射函数，W[1]和b[1]表示第1层 的参数，A[j]表示第j层的映射函数，W[j]和b[j]表示第j层的参数；第n层的映射函数输出A[n] 4 CN 111598215 A 说　明　书 2/6 页 作为预测值。 优选的，本发明的步骤S3的模型训练具体包括： 步骤S31，将预处理之后的m个MEMS加速度计的实验数据作为初始神经网络模型的 输入，得到m个MEMS加速度计的预测值； 步骤S32，对步骤S32得到的预测值进行评估，评估函数为： 其中，cost表示神经网络模型输出的电压与理想的电压的趋近程度，Y(i)是第i个 样本的标准输出，A[n](i)是第i个样本的预测值； 步骤S33，更新神经网络模型的参数，重新执行步骤S31和步骤S32； 步骤S34，按照预设迭代次数迭代执行步骤S31至步骤S33，最后得到训练好的神经 网络温度补偿模型。 另一方面，本发明还提出了一种基于神经网络的温度补偿系统，该系统包括数据 采集模块、预处理模块、神经网络模型训练模块和温度补偿模块；其中，数据采集模块用于 对m个MEMS加速度计进行实验数据采集；其中，m为大于等于2的正整数；预处理模块用于对 每一个MEMS加速度计的实验数据进行预处理；神经网络训练模块采用预处理之后的m个 MEMS加速度计的实验数据对神经网络模型进行训练，得到神经网络温度补偿模型；温度补 偿模块采用神经网络温度补偿模型对预处理之后的m个MEMS加速度计的新实验数据进行温 度补偿。 优选的，本发明的数据采集模块具体在一定温度范围内，测量m个MEMS加速度计的 输出电压即为实验数据。 优选的，本发明的预处理模块具体对每一个MEMS加速度计的实验数据进行等间隔 采样获得多组样本数据，然后将所有样本数据分批处理和归一化处理。 优选的，本发明的神经网络训练模块包括神经网络模型、评估模块和模型参数优 化模块；其中，预处理模块的输出作为神经网络模型的输入，神经网络模型的输出作为评估 模块的输入，模型参数优化模块的输出用于对神经网络模型的参数进行更新；神经网络模 型包括n层，第1层的映射函数为：A[1]＝tanh(W[1]X b[1])，第2至n层的映射函数为：A[j]＝ tanh(W[j]A[j-1] b[j])；其中，2≤j≤n，n为大于等于3的正整数，X表示神经网络的输入，A[1]表 示第1层的映射函数，W[1]和b[1]表示第1层的参数，A[j]表示第j层的映射函数，W[j]和b[j]表示 第j层的参数；第n层的映射函数输出A[n]作为预测值。 优选的，本发明的神经网络训练模块的训练过程具体为：将预处理之后的m个MEMS 加速度计的实验数据作为神经网络模型的输入，得到m个MEMS加速度计的预测值；所述评估 模块对预测值进行评估，评估函数为： 其中，cost表示神经网络模型输出的电压与理想的电压的趋近程度，Y(i)是第i个 样本的标准输出，A[n](i)是第i个样本的预测值； 所述模型参数优化模块对神经网络模型的参数进行更新，迭代执行相同的训练过 5 CN 111598215 A 说　明　书 3/6 页 程，最后得到训练好的神经网络温度补偿模型。 本发明具有如下的优点和有益效果： 1、本发明采用的神经网络模型采用tanh＝(ex-e-x)/(ex e-x)函数作为激活函数， 与数据相吻合，并且具有较高的非线性，从而达到非常好的拟合效果。 2、本发明通过神经网络训练、自动学习和优化参数，能够模拟非常复杂的函数关 系。因此神经网络可以通过对大量MEMS加速度计输出电压随温度变化数据的学习来对不同 的MEMS加速度计进行温度补偿。 附图说明 此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部 分，并不构成对本发明实施例的限定。在附图中： 图1为本发明的温度补偿方法流程示意图。 图2为本发明的神经网络训练结构示意图。 图3为本发明的温度补偿系统结构示意图。 图4为本发明的五层神经网络训练结构示意图。 图5为本发明的模拟拟合效果图。 图6为本发明的温度补偿效果图。