1.本发明涉及信号滤波技术领域，具体涉及一种基于深度学习的惯性器件信号滤波方法。
背景技术：
2.为了保证在全球导航卫星系统gnss中断区域内矿山运输车辆定位的连续性，最常用的解决方案是将gnss与惯性导航系统ins相融合实现组合导航定位。ins利用加速度计和陀螺仪测量车辆加速度和角速度，进而在给定初始位置的前提下，通过积分运算求出车辆的姿态、速度和位置。鉴于ins和gnss在导航原理、误差特性、输出特性等方面的互补性，gnss/ins组合导航方案可以克服两者的缺点，获得单独导航系统无法比拟的优势。此外，为了降低系统成本，目前大规模商用的ins基本上都是基于微机电系统mems技术制造的。在这种情况下，将mems ins与低成本gnss组合构成mems ins/gnss组合导航定位系统，是一种具有巨大市场潜力的露天矿山运输车辆无缝定位解决方案。
3.虽然mems ins/gnss组合导航定位系统可以实现连续定位，但是当gnss中断之后其只能依靠ins捷联解算进行定位，此时定位误差主要取决于惯性器件误差。受制造工艺及技术水平的限制，目前低成本mems惯性传感器在测量精度和稳定性等方面与导航级、战术级惯性传感器仍存在较大的差距，从而导致其测量含有较大的误差。总体上来讲，mems惯性器件的误差可以分为系统性误差和随机性误差。其中，系统性误差一般是由于制造或者安装缺陷引起的，通常可通过实验室仪器检校消除；而随机性误差通常是由于偏差或比例因子随时间随机变化引起的，不能用确定的函数表示，是造成ins定位误差的主要因素。
4.为了消除惯性器件的随机误差，常用的方法是基于模型的滤波方法和基于非模型的滤波方法两大类。基于模型的滤波方法包括随机游走模型、高斯-马尔科夫模型以及自回归模型等，但在实际情况下，mems惯性器件由多种误差因素制约，并且容易受温度、震动等外界因素影响，导致随机误差具有非平稳、非线性以及强随机性等特点，难以建立准确的随机误差模型，滤波效果不理想。基于非模型的滤波方法包括低通滤波、小波滤波以及经验模态分解滤波法等，但是由于mems惯性传感器随机误差的频谱较宽，噪声在低频带和高频带都存在，所以对于和车辆运动信号频谱相重叠的噪声成分，非模型的滤波方法不能很好的消除。
技术实现要素：
5.本发明的目的在于针对现有技术的不足之处，提供一种基于深度学习的惯性器件信号滤波方法。
6.本发明解决上述问题的技术方案为：一种基于深度学习的惯性器件信号滤波方法，首先建立mems惯性器件的训练数据库，然后利用建立的数据库训练设计的深度卷积神经网络，最后将惯性器件的测量值输入训练好的深度卷积神经网络，进而得到滤波后的惯性信号。
7.进一步的，建立训练数据库的具体方法为将一个高等级光纤惯性测量单元imu和一个mems imu同时安装在精密控制转台的同一位置，mems imu刚性固定在光纤imu的上表面，保证二者之间没有相对运动；接着将
±
30
°
/s分为121个等级，即为30
°
/s、29.5
°
/s、28
°
/s......-29.5
°
/s、-30
°
/s，每个等级之间间隔0.5
°
/s，然后设置精密控制转台的转速为这121个等级值，使光纤imu和mems imu同时以设置的角速度恒定旋转，每个角速度进行100次重复实验，每个imu输出频率均为500hz，然后同时记录光纤imu和mems imu的输出数据。
8.进一步的，深度cnn依次包括输入层、卷积层、归一化+激活函数层、最大池化层、卷积层、归一化+激活函数层、最大池化层、展开层、全连接层、全连接层、分类层。
9.进一步的，训练深度卷积神经网络的具体方法为从mems陀螺仪序列中按时间顺序依次抽取256个点，然后将其转换为16*16的矩阵作为deep-cnn的输入，将设置的121个等级作为分类标签，选择交叉熵作为损失函数，进行deep-cnn的训练。
10.进一步的，滤波处理方法为将mems惯性器件输出的原始陀螺仪信号输入deep-cnn网络，此时deep-cnn网络将其映射到121个类别中，根据每个类别对应的光纤陀螺仪输出作为去噪后的结果。
11.本发明具有有益效果：
12.本发明提供了一种基于深度学习的惯性器件信号滤波方法，适用于低成本mems陀螺仪信号的滤波；基于深度卷积神经网络设计，可以更加精确的识别mems陀螺仪复杂的误差，滤波精度高；在使用过程中，不需要额外增加传感器，系统成本低；具有更复杂的层级结构和更多的神经元，可以有效学习mems陀螺仪误差复杂的随机特性，然后基于精准分类思想，从而实现更加可靠的惯性器件信号滤波。
具体实施方式
13.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
14.一种基于深度学习的惯性器件信号滤波方法，首先建立低成本mems惯性器件的训练数据库，然后利用建立的数据库训练设计的深度卷积神经网络deep-cnn，最后将低成本惯性器件的测量值输入训练好的深度卷积神经网络，进而得到滤波后的惯性信号。具体包括以下步骤：
15.步骤1，建立训练数据库：由于矿卡运行速度较慢，运行速度一般小于30km/h，且运输道路相对平缓，不会出现急剧坡度抖动，所以三个方向的角速度不会出现较大的值，陀螺仪的输出值均在
±
30
°
/s范围内；将一个高等级光纤惯性测量单元imu(包含三轴陀螺仪和三轴加速度计)和一个低成本mems imu同时安装在精密控制转台的同一位置，mems imu刚性固定在光纤imu的上表面，保证二者之间没有相对运动；接着将
±
30
°
/s分为121个等级，即为30
°
/s、29.5
°
/s、28
°
/s。。。。。。-29.5
°
/s、-30
°
/s，每个等级之间间隔0.5
°
/s，然后设置精密控制转台的转速为这121个等级值，使光纤imu和mems imu同时以设置的角速度恒定旋转，每个角速度进行100次重复实验，每个imu输出频率均为500hz，然后同时记录光纤imu和
mems imu的输出数据；
16.步骤2，设计深度cnn：为了有效的消除低成本mems陀螺仪中的噪声，本发明设计了一种具有多层结构的深度卷积神经网络(deep-cnn)；为了是特征提取的更加精细，本发明设计的deep-cnn采用两个卷积层；为了防止出现梯度消失或者梯度爆炸，本发明设计的deep-cnn每个卷积层后面加入批量归一化层和relu激活层；为了使卷积层的特征融合，同时降低网络训练参数量，本发明设计的deep-cnn采用了两个最大池化层；为了有效提取全局特征，本发明设计的deep-cnn采用了两个全连接层；最后采用了一个softmax分类层，进行mems陀螺仪测量值的分类，deep-cnn依次包括输入层、卷积层、归一化+激活函数层、最大池化层、卷积层、归一化+激活函数层、最大池化层、展开层、全连接层、全连接层、分类层；
17.步骤3，训练深度cnn：由于陀螺仪输出值为随时间增加的序列，为了使其满足deep-cnn的训练需求，我们从mems陀螺仪序列中按时间顺序依次抽取256个点，然后将其转换为16*16的矩阵作为deep-cnn的输入，将设置的121个等级作为分类标签，选择交叉熵作为损失函数，进行deep-cnn的训练；
18.步骤4，利用深度cnn进行滤波：当deep-cnn网络训练完成之后，将mems惯性器件输出的原始陀螺仪信号输入deep-cnn网络，此时deep-cnn网络将其映射到121个类别中，根据每个类别对应的光纤陀螺仪输出作为去噪后的结果，从而实现对低成本mems陀螺仪信号的滤波，使其使用精度达到光纤陀螺仪的水平。
19.以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。