中文题目：基于IAPSO-RBF的石英挠性加速度计温度补偿

论文题目：Temperature compensation for quartz flexible accelerometer based on IAPSO-RBF

录用期刊/会议：Measurement（中科院大类二区，TOP，CAA B类期刊）

原文DOI：10.1016/j.measurement.2024.116603

原文链接：http://doi.org/10.1016/j.measurement.2024.116603

见刊时间：2025年1月21日

作者列表：

1）朱明达 中国天天色天天（北京）人工智能学院 电子信息工程系教师

2）常嘉颖 中国天天色天天（北京）人工智能学院控制科学与工程专业 博 23

3）王新鑫 中国天天色天天（北京）人工智能学院控制科学与工程专业 博 24

4）段瑞豪 中国天天色天天（北京）人工智能学院信息与通信工程专业 硕 23

5）熊   起 中国天天色天天（北京）人工智能学院信息与通信工程专业 硕 21

文章简介:

本文围绕石英挠性加速度计（QFA）温度漂移及补偿方法展开研究，分析漂移机理，提出基于免疫与粒子群算法优化RBF神经网络的补偿模型，通过数值模拟和温度循环实验验证模型有效性。

摘要:

为降低石英挠性加速度计温度漂移误差，本文剖析其漂移机理，针对RBF神经网络弊端，提出IAPSO-RBF温度补偿模型。经实验验证，该模型补偿效果更佳，补偿后加速度精度提高2个数量级，输出均方误差由0.0014降至1.8854×10^-5。

背景与动机:

石英挠性加速度计是捷联惯性导航系统核心元件，其性能影响导航精度。温度对加速度计测量精度影响较大，温差变化时漂移误差显著。因此，为了减小石英挠性加速度计在实际应用中的输出误差，提高其精度，需要对加速度计输出进行温度补偿。

设计与实现:

RBF神经网络性能取决于隐藏层中心c、宽度σ及输出层权重ω。传统RBF网络确定参数时局限于局部寻优，本文引入PSO算法进行全局优化，但PSO后期粒子多样性降低、优化性能退化。为此，本文提出三种免疫算法与PSO结合的方法，优化RBF神经网络关键参数，克服RBF网络缺陷，保证粒子多样性，增强全局寻优能力，算法流程图见图1。

 

 

图1 IAPSO-RBF算法流程图 (a) IAPSO1-RBF；(b) IAPSO2-RBF；(c) IAPSO3-RBF

主要内容:

通过对QFA受温度漂移的输出进行数值模拟，对本文提出的三种IAPSO-RBF温度补偿模型进行了验证，并与BP网络、RBF网络、免疫算法优化RBF神经网络（IA-RBF）、以及粒子群算法优化RBF神经网络（PSO-RBF），各模型的温度补偿结果如图2所示。

 

图2 (a), (b) XJ0120-552和557系列QFA温度补偿效果；(c), (d) XJ0120-552和557系列QFA的温度补偿误差

实验结果及分析:

设计QFA温度实验系统获取数据样本，为对比模型性能，采用RBF、IA-RBF、PSO-RBF对同一样本进行训练测试。各模型的温度补偿结果如图3所示。此外，选用误差最大值（ME）、误差均值（AE）、均方误差（MSE）三种指标来评估模型性能，各模型评价指标计算结果如表1所示。

 

图3 (a), (b) XJ0120-552和557系列QFA温度补偿效果；(c), (d) XJ0120-552和557系列QFA温度补偿误差

表1 QFA温度补偿模型性能评估结果

 

可以看出，在不同加速度计的相同测试集中，本文所提出的IAPSO-RBF石英挠性加速度计温度补偿模型效果明显优于其余温度补偿模型，各项模型评价指标更小，温度补偿效果更好。相比传统RBF网络补偿模型，误差指标均提升了1~2个数量级，证明了该算法的有效性。

结论:

数值仿真和实验显示，三种IAPSO-RBF模型补偿效果与精度超越传统RBF神经网络，IAPSO2-RBF算法表现最优。它借助粒子群训练粒子群更新免疫种群，克服局部最优，极具工程应用价值。

作者简介:

朱明达，博士，人工智能学院副教授，博士生导师。主要研究领域包括电子测量技术与仪器、光纤传感技术、信号检测与智能信息处理、智慧物联传感等。