基于IAPSO-RBF的石英撓性加速度計溫度補償
中文題目：基于IAPSO-RBF的石英撓性加速度計溫度補償
論文題目：Temperature compensation for quartz flexible accelerometer based on IAPSO-RBF
錄用期刊/會議：Measurement（中科院大類二區，TOP，CAA B類期刊）
原文DOI：10.1016/j.measurement.2024.116603
原文鏈接：https://doi.org/10.1016/j.measurement.2024.116603
見刊時間：2025年1月21日
作者列表：
1）朱明達 中國石油大學（北京）人工智能學院 電子信息工程系教師
2）常嘉穎 中國石油大學（北京）人工智能學院控制科學與工程專業 博 23
3）王新鑫 中國石油大學（北京）人工智能學院控制科學與工程專業 博 24
4）段瑞豪 中國石油大學（北京）人工智能學院信息與通信工程專業 碩 23
5）熊 起 中國石油大學（北京）人工智能學院信息與通信工程專業 碩 21
文章簡介:
本文圍繞石英撓性加速度計（QFA）溫度漂移及補償方法展開研究，分析漂移機理，提出基于免疫與粒子群算法優化RBF神經網絡的補償模型，通過數值模擬和溫度循環實驗驗證模型有效性。
摘要:
為降低石英撓性加速度計溫度漂移誤差，本文剖析其漂移機理，針對RBF神經網絡弊端，提出IAPSO-RBF溫度補償模型。經實驗驗證，該模型補償效果更佳，補償后加速度精度提高2個數量級，輸出均方誤差由0.0014降至1.8854×10-5。
背景與動機:
石英撓性加速度計是捷聯慣性導航系統核心元件，其性能影響導航精度。溫度對加速度計測量精度影響較大，溫差變化時漂移誤差顯著。因此，為了減小石英撓性加速度計在實際應用中的輸出誤差，提高其精度，需要對加速度計輸出進行溫度補償。
設計與實現:
RBF神經網絡性能取決于隱藏層中心c、寬度σ及輸出層權重ω。傳統RBF網絡確定參數時局限于局部尋優，本文引入PSO算法進行全局優化，但PSO后期粒子多樣性降低、優化性能退化。為此，本文提出三種免疫算法與PSO結合的方法，優化RBF神經網絡關鍵參數，克服RBF網絡缺陷，保證粒子多樣性，增強全局尋優能力，算法流程圖見圖1。
圖1 IAPSO-RBF算法流程圖 (a) IAPSO1-RBF；(b) IAPSO2-RBF；(c) IAPSO3-RBF
主要內容:
通過對QFA受溫度漂移的輸出進行數值模擬，對本文提出的三種IAPSO-RBF溫度補償模型進行了驗證，并與BP網絡、RBF網絡、免疫算法優化RBF神經網絡（IA-RBF）、以及粒子群算法優化RBF神經網絡（PSO-RBF），各模型的溫度補償結果如圖2所示。
圖2 (a), (b) XJ0120-552和557系列QFA溫度補償效果；(c), (d) XJ0120-552和557系列QFA的溫度補償誤差
實驗結果及分析:
設計QFA溫度實驗系統獲取數據樣本，為對比模型性能，采用RBF、IA-RBF、PSO-RBF對同一樣本進行訓練測試。各模型的溫度補償結果如圖3所示。此外，選用誤差最大值（ME）、誤差均值（AE）、均方誤差（MSE）三種指標來評估模型性能，各模型評價指標計算結果如表1所示。
圖3 (a), (b) XJ0120-552和557系列QFA溫度補償效果；(c), (d) XJ0120-552和557系列QFA溫度補償誤差
表1 QFA溫度補償模型性能評估結果
可以看出，在不同加速度計的相同測試集中，本文所提出的IAPSO-RBF石英撓性加速度計溫度補償模型效果明顯優于其余溫度補償模型，各項模型評價指標更小，溫度補償效果更好。相比傳統RBF網絡補償模型，誤差指標均提升了1~2個數量級，證明了該算法的有效性。
結論:
數值仿真和實驗顯示，三種IAPSO-RBF模型補償效果與精度超越傳統RBF神經網絡，IAPSO2-RBF算法表現最優。它借助粒子群訓練粒子群更新免疫種群，克服局部最優，極具工程應用價值。
作者簡介:
朱明達，博士，人工智能學院副教授，博士生導師。主要研究領域包括電子測量技術與儀器、光纖傳感技術、信號檢測與智能信息處理、智慧物聯傳感等。