技术特征：
1.一种基于深度学习的惯性器件信号滤波方法，其特征在于：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。2.如权利要求1所述的一种基于深度学习的惯性器件信号滤波方法，其特征在于：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memsimu同时安装在精密控制转台的同一位置，memsimu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memsimu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memsimu的输出数据。3.如权利要求1所述的一种基于深度学习的惯性器件信号滤波方法，其特征在于：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。4.如权利要求1所述的一种基于深度学习的惯性器件信号滤波方法，其特征在于：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。5.如权利要求1所述的一种基于深度学习的惯性器件信号滤波方法，其特征在于：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。
技术总结
本发明公开了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，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。号滤波。
技术研发人员：陈伟 邹燃
受保护的技术使用者：江苏大块头智驾科技有限公司
技术研发日：2022.07.07
技术公布日：2022/11/11