基于光纤陀螺的温度补偿模型改进、压缩和FPGA实现

为提高光纤陀螺（FOG）在变温环境下输出误差的补偿精度，在长短期记忆神经网络模型（LSTM）基础上，利用分段非线性粒子群算法（PN-PSO）对LSTM模型超参数寻优，建立PN-PSO-LSTM光纤陀螺温度补偿模型。为有效降低计算和存储开销，便于部署在资源受限的硬件环境中，提出一套适用于光纤陀螺应用场景的模型压缩方案，包括：知识蒸馏、剪枝、激活函数线性化、定点数量化等。最后基于Xilinx公司某芯片完成部署。对比实验结果表明，相较于传统反向传播（BP）模型和传统PSO-LSTM模型，采用所提模型补偿后，陀螺零偏输出均方误差分别降低74.4%和53.5%，模型压缩后在大小减小94.1%的同时，陀螺零偏输出均方误差仍然比传统全精度模型更低，在FPGA实现后对比PC端模型推理速度提升98.47%。