没有合适的资源?快使用搜索试试~ 我知道了~
基于突触可塑性的SNN随钻陀螺仪漂移处理.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 35 浏览量
2022-07-13
17:14:14
上传
评论
收藏 1.16MB DOCX 举报
温馨提示
试读
12页
基于突触可塑性的SNN随钻陀螺仪漂移处理.docx
资源推荐
资源详情
资源评论
微电子机械系统(Micro Electro Mechanical Systems,MEMS)陀螺仪的惯
性测量单元具有低成本、低功耗、小尺寸等优点,在捷联惯性导航系统领域
[1,2]
有着广泛的应用。然而,在随钻测量的背景下,由于地下环境复杂,在实际的钻进
过程中存在由多种噪声源及温度变化所导致的测量数据漂移。温度引起的弹性
变形等不确定干扰因素也会导致 MEMS 陀螺仪从数据采集到姿态解算的过程
中产生较大的非线性误差
[3,4]
。MEMS 陀螺仪的误差主要来源于数据漂移,大致
可以分为随机漂移和确定性漂移。随着制造工艺的提高,零偏、非正交误差、
刻度误差引起的确定性漂移得到了改善。随机漂移主要使量化噪声、速率斜坡、
角速率等产生偏差,随着时间的累积,姿态角信息的误差会不断加大
[5]
。因此,处
理随机漂移对 MEMS 陀螺仪精度的影响有着重要的研究意义。
目前,MEMS 陀螺仪的处理方法大致可以分为基于模型的误差补偿和基于
数据的特征提取。通过对陀螺仪工作环境下的误差分析,可以构建多种数学模
型来逼近陀螺仪的工作状态
[6,7,8]
。此外,通过比较模型预测和状态监测的实时输
出,可较为有效地处理陀螺仪随机漂移问题。但是在复杂环境下影响陀螺仪测
量精度的因素较多,各项间的关系较复杂,通过构建一个精确的模型难以模拟陀
螺仪的存在误差。数据驱动方法通过训练学习提取陀螺仪的特征信息,消除了
噪声对陀螺仪的影响。文献[9]提出了一种基于自适应模糊 C-均值聚类(Fuzzy
C-Means Algorithm,AFCM)算法的 T-S 模糊方法,利用改进的 AFCM 优化减法
聚类来确定聚类数目上限及聚类中心,从而有效确定规则数和聚类中心,并通过
最小二乘估计模糊模型达到陀螺仪降噪的目的。文献[10]在小波阈值去噪的基
础上,分离陀螺仪输出信号的白噪声和漂移误差,并通过 BP(Back Propagation)
神经网络预测漂移误差,以阈值降噪和 BP 神经网络结合的方法对陀螺仪漂移
误差进行补偿。生物神经科学的研究表明,人工神经网络基于脉冲信号处理信
息,其神经元信息处理机制接近生物神经元
[11]
,可有效处理陀螺仪的非线性误差。
传 统 神 经 网 络 的 神 经 元 在 信 号 输 入 时 均 被 迭 代 激 活 ,脉 冲 神 经 网 络 (Spiking
Neuron Networks,SNN)在处理陀螺 仪信息的过 程中,不断积累膜电位,仅在 突
触前膜电位达到预定值时,突触后膜电位激活,降低了该网络的整体功耗。突触
可塑性与神经系统的自适应密切相关,是神经元间信息传递的基础
[12,13]
。文献[14]
发现 STDP(Spike Timing Dependent Plasticity)机制有助于神经网络中长期记
忆模型的稳定存储。文献[15]发现,在抑制性 STDP 的控制下,激发性突触可达
到稳定状态,保证输出层神经元处于动态平衡状态。文献[16]利用自适应脉冲神
经网络的突触可塑性,研究了在复杂的电磁环境下该网络对噪声的抗干扰特性。
通过以上分析,本文提出了基于突触可塑性的脉冲神经网络来处理振动环
境下陀螺仪的噪声干扰。本文提出的方法根据突触可塑性的特点,调节激发性
和抑制性突触电导的大小,提高了网络的整体性能。本文通过分析网络输出神
经元的点火率以及神经元膜电位间的相关性,验证了该方法的性能。
1 脉冲神经网 络 模 型
SNN 网络同传统人工神经网络(速率编码)的主要区别在于时间序列的编码
方式。SNN 网络计算速度更快,处理信息实时性更强。脉冲触发的时间序列表
示输入的 MEMS 陀螺仪信息。不同神经元的点火时间编码不同的陀螺仪数据。
本文采用群体编码的方式处理陀螺仪的输入数据,将输入的陀螺仪信息分布到
多个神经元的脉冲时间上。利用群体编码的方式可有效地将陀螺仪的信息特征
转化为脉冲触发的时间序列。群体编码通过利用输入陀螺仪数据的不同均值和
相同方差的高斯模型编码数据。具体如式(1)~式(3)所示
f(xi)=Aexp(−(xi−ci)22σ2)f(xi)=Aexp-(xi-ci)22σ2
(1)
σ=1γ(m+1)σ=1γ(m+1)
(2)
ci=i−1m−1ci=i-1m-1
(3)
式中,A 为最大的脉冲时间;m 为高斯接收域的个数;γ 为控制参数。
1.1 Izhikevich 神经元模型
Izhikevich 神 经元模型 的本质为二阶微分方程,并结合了 IF(Integral-and-
Fire)神经元模型和 H-H(Hodgkin-Huxley)神经元模型的优点。由于该模型与实
际神经元的放电特性相似,适用于大规模神经网络的计算,因此可将 Izhikevich
神经元模型作为网络的节点用于处理陀螺仪受到的随机噪声干扰。在振动噪声
干扰下的 Izhikevich 神经元模型方程为
{dvdt=0.04v2+5v+140−u+I+ξ(t)dudt=a(bv−u)if,v≥30,{v←cu←u+ddvdt=
0.04v2+5v+140-u+I+ξ(t)dudt=a(bv-u)if,v≥30,v←cu←u+d
(4)
式中,v 为神经元膜电位;u 为膜恢复变量;当 K
+
离子电流激活,Na
+
离子电流
失活时,膜电位 v 提供负反馈;I 表示外部输入电流 I
in
和突触电流 I
est
之和;a 为变
量 u 恢复的时间尺度;b 表示恢复变量 u 对膜电位 v 阈值下波动的灵敏度;c 为
膜电位 v 的峰后重置值;d 表示恢复变量 u 的峰后重置值。Izhikevich 神经元模
型可以通过调整无量纲参数 a、b、c、d 来模拟多种点火模式;ξ(t)代表均值为
零的振动高斯白噪声。
<ξ
i
(t),ξ
j
(t')>=Dδ
ij
δ(t-t')
(5)
式中,ξ
i
(t)表示神经元 i 接收到噪声干扰;ξ
j
(t)表示神经元 j 接收到噪声干扰;D
为陀螺仪工作过程中的振动频率。本文采用 RS (Regular Spiking)作为兴奋性
神经元的激活模式,并采用 LTS (Low-Threshold Spiking)抑制神经元的激活模
式。RS 和 LTS 的点火方式的参数如表 1 所示。RS 点火方式和 LTS 点火方式
分别如图 1 和图 2 所示。
表 1 RS 与 LTS 点火模式的参数
Table 1 RS and LTS ignition mode parameters
点火模式
a
b
c
d
RS
LTS
0.02
0.02
0.20
0.25
-65
-65
8
2
新窗口打开| 下载 CSV
图 1
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3907
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功