买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉长春通视光电技术有限公司申请的专利一种基于堆叠去噪自编码器的陀螺误差补偿方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115790663B 。

龙图腾网通过国家知识产权局官网在2025-11-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211664554.2，技术领域涉及：G01C25/00；该发明授权一种基于堆叠去噪自编码器的陀螺误差补偿方法是由沈明瑞;李瑞峰;李赫;李明设计研发完成，并于2022-12-23向国家知识产权局提交的专利申请。

本一种基于堆叠去噪自编码器的陀螺误差补偿方法在说明书摘要公布了：本发明涉及一种基于堆叠去噪自编码器的陀螺误差补偿方法，该方法如下：针对陀螺任一方向转轴采集多个陀螺输出数据，再将三个方向转轴陀螺输出数据进行拼接并归一化及退化，得到训练好的网络模型的输入向量；网络模型具有M个编码层以及全连接层网络，第M个编码层的输出向量作为全连接层网络的输入向量；对全连接层网络的输出向量反向归一化后即得到陀螺三个方向转轴补偿后的输出值向量。本发明不仅可以同时对随机误差以及确定性误差进行补偿，而且能够降低对于人工经验的依赖，可以实现端到端的学习，省时省力。

本发明授权一种基于堆叠去噪自编码器的陀螺误差补偿方法在权利要求书中公布了：1.一种基于堆叠去噪自编码器的陀螺误差补偿方法，其特征在于该方法如下：针对陀螺任一方向转轴，按照设定的采样频率和采样时间采集多个陀螺输出数据，再将三个方向转轴对应的陀螺输出数据进行拼接，形成数据向量并将其归一化，然后对归一化后的数据向量按照退化率为0.1～0.5破坏为训练好的网络模型的输入向量H1；网络模型具有M个编码层以及全连接层网络，M＝1、2或3；对于第n个编码层，根据下述公式计算其输出向量： Hn+1＝fWenHn+ben 其中Hn+1为第n个编码层的输出向量，Hn为第n个编码层的输入向量；Wen和ben分别代表第n个编码层的输入权值矩阵和节点偏置矩阵；f·为激活函数； 第M个编码层的输出向量HM+1作为全连接层网络的输入向量；对全连接层网络的输出向量Ht反向归一化后即得到陀螺三个方向转轴补偿后的输出值向量； Ht＝fWbHM+1+bb 其中，f为激活函数，Wb为全连接层网络的输入权值矩阵，bb是全连接层网络的节点偏置矩阵； 所述的网络模型训练方法如下： 第一步，陀螺测角数据采集 将陀螺稳固安装于测试转台上，设置测试转台三个相互垂直方向的多组试验速率；针对任一转轴的每一试验速率，在时间T内按频率f采集陀螺的正反转输出数据； 第二步，采集数据预处理 假设陀螺的数据读取周期为T1，将时间T内采集的陀螺输出数据拆分为段，三个方向转轴的对应段陀螺输出数据按照设定顺序进行拼接形成数据向量；将所有速率下正反向试验对应的数据向量全部进行归一化处理，然后随机打乱并划分为训练集和测试集； 第三步，堆叠去噪自编码器模型预训练 所述堆叠去噪自编码器模型包括M个去噪自编码器；每个去噪自编码器均包含一个编码层和一个解码层；第一个去噪自编码器A包含编码层A和解码层A； 将训练集中的各归一化数据向量D按照设定的比例退化为编码层A的输入向量D1＝D11，D12，…，D1p，数据退化率为0.1～0.5；在编码阶段，去噪自编码器A输入层和隐含层间的映射关系由下式表示： D2＝fWeD1+be 其中，D2＝D21，D22，…，D2q为编码层A的输出向量；q为隐含层神经元节点数，We和be分别代表编码层A的输入权值矩阵和节点偏置矩阵，编码层A的初始输入权值矩阵和节点偏置矩阵分别为随机生成的p×q、q×1的矩阵； 在解码阶段，解码层A对编码层A提取的特征进行解码重构： D3＝fWdD2+bd 其中，D3＝D31，D32，…，D3p代表解码层A的输出向量，Wd和bd分别代表解码层A的输入权值矩阵和节点偏置矩阵，解码层A的初始输入权值矩阵和节点偏置矩阵分别为随机生成的q×p、p×1的矩阵； 以最小化去噪自编码器A的网络损失函数LossD1,D3为目标对编码层A与解码层A的输入权值矩阵和节点偏置矩阵进行优化，当LossD1,D3最小时，去噪自编码器A预训练结束，得到编码层A的预训练模型； 其中，k为训练集中归一化数据向量D的数量，we和wd分别为编码层A与解码层A的输入权值矩阵中的权值；be和bd分别为编码层A与解码层A的节点偏置矩阵中的偏置，λ为正则化系数，λ为1e-3； 对于其他去噪自编码器，将前一个去噪自编码器编码层的输出向量作为输入向量，采用与去噪自编码器A相同的预训练方法进行预训练，得到编码层的预训练模型； 第四步，网络测试模型预训练 所述的网络测试模型包含了M个测试编码层和全连接层测试网络；各去噪自编码器编码层的预训练模型分别作为对应的测试编码层； 以输入向量D1＝D11，D12，…，D1P作为网络测试模型的输入，以最小化网络测试模型损失函数Lossyreal,Dt为目标，通过随机梯度下降法对各测试编码层、全连接层测试网络的输入权值矩阵和节点偏置矩阵的参数进行更新，当网络测试模型损失函数Lossyreal,Dt最小时，网络测试模型预训练结束，得到网络测试模型的预训练模型； 为陀螺的期望输出值向量；分别为X向期望输出值、Y向期望输出值、Z向期望输出值；Dt为全连接层测试网络的实际输出数值向量；Dt＝fWbcDM+bbc，f为激活函数，Wbc、Bbc为全连接层测试网络的输入权值矩阵和节点偏置矩阵，全连接层测试网络的初始输入权值矩阵和节点偏置矩阵分别为随机生成的QM×3、3×1矩阵，DM为最后一个测试编码层的输出向量，QM为最后一个测试编码层输出向量的维度； 将测试集中的归一化数据向量退化后作为网络测试模型的预训练模型的输入向量，若网络测试模型的预训练模型损失函数Lossyreal,Dt小于设定的阈值，则将此时的网络测试模型的预训练模型作为训练好的网络模型，否则对各去噪自编码器及网络测试模型中的输入权值矩阵和节点偏置矩阵的参数进行随机初始化，重新进行上述预训练，直至网络测试模型的预训练模型损失函数Lossyreal,Dt小于设定的阈值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长春通视光电技术有限公司，其通讯地址为：130000 吉林省长春市长春净月高新技术产业开发区净月开发区杜鹃路888号长春净月科技成果承接转化基地2号楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。