一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法

技术领域

本发明涉及高精度惯性测量技术领域，是一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

背景技术

光纤惯性测量装置是由光纤陀螺、石英挠性加速度计及有关电路构成的子系统，可测量运载体相对于惯性空间的线运动和角运动。由于测量装置零部件的材质为多种金属、非金属，在加工等多种因素的影响下(如金属材料的应力释放)，随着存储时间的延长，测量装置的部分标定参数会产生漂移。当漂移量超出一定范围后，测量装置将难以满足性能指标要求。因此，需要对应力变化导致的陀螺和加速度计的零偏漂移情况进行准确预测，从而提高惯性导航系统的整体导航精度。

目前BackPropagation(BP)神经网络已经应用在惯性器件建模中，其通过模拟生物神经网络建立惯性器件的误差模型。理论上BP神经网络能够完成对任何非线性函数的映射，但是，随着所拟合对象复杂度提高、网络规模的扩大，BP网络出现泛化能力不足问题。其网络连接只能反映空间映射而不能反映样本内含的规律，并且容易出现权值局部最小值，无法完成训练。近年来，机器学习的重要分支——深度学习迅猛发展，其具备强感知能力和强化学习的决策能力，在自然语言处理、无人驾驶、智能终端设备等领域得到应用，其中的LongShort TermMemory(LSTM)神经网络由于其特有的循环结构而具备了长短时记忆效应、对高维度信息整体逻辑的强表征能力，在时序问题领域独立鳌头，取得众多成果。

针对光纤陀螺误差模型特性复杂且受外界环境因素影响显著的问题，开展基于双向LSTM网络的光纤陀螺参数漂移预测研究。建立光纤陀螺参数漂移预测的双向LSTM网络模型，然后对网络进行训练完成模型参数的寻优，实现对光纤惯性测量装置零偏漂移模型时间序列复杂特性的精确表征。

发明内容

本发明为克服现有技术的不足，本发明的目的在于提供在一种预测应力变化导致的光纤惯性测量装置参数零偏漂移的基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，基于此，本发明提供一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

本发明提供了一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，本发明提供了以下技术方案：

一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，所述方法包括以下步骤：

步骤1：搭建基于双向LSTM神经网络的应力加速稳定装置，将光纤惯导系统放置在大理石平台上；

步骤2：启动光纤惯导系统的、预热准备、初始对准，实时存储闭环光纤陀螺和石英挠性加速度计的静态输出数据；

步骤3：对光纤惯性测量装置静态数据进行预处理，获得多个时间段的零偏漂移；

步骤4：构建双向LSTM神经网络的训练集和测试集；

步骤5：构建双向LSTM神经网络模型，并进行参数设置；

步骤6：使用双向LSTM神经网络模型对零偏漂移进行预测并评估，得到预测精度。

优选地，基于双向LSTM神经网络的应力加速稳定装置包括工控机、光纤惯导系统、铅蓄电池和稳压器，数据存储及处理模块使用工控机，采用铅蓄电池和直流稳压器为整体该装置供电。

优选地，所述步骤3具体为：

对光纤陀螺和石英加速度计的静态输出数据进行十秒平滑，并且每12小时计算一次均值，从而获得多个时间段的静态输出值，再减去初始时间段的静态输出，从而获得多个时间段的零偏漂移：

其中，

优选地，所述步骤4具体为：

将前12.5％天的零偏漂移量作为输入值，将后87.5％天的零偏漂移量作为输出值构建训练集，对采集到的零偏漂移数据施加8％的随机噪声，从而构建多个训练样本数据，并且取其中的部分数据作为测试集，构建的闭环光纤陀螺和石英加速度计零偏漂移训练集。

优选地，所述步骤5具体为：

设置双向LSTM神经网络的隐藏层有200单元，并进行500轮训练，为防止梯度爆炸，将梯度阈值设置为1，设定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率，网络模型通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出，细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量。

优选地，为了计算预测值和生成下一个时间步完整的输入，LSTM通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出，细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量：

o

优选地，所述步骤6具体为：

对测试集进行预测，前12.5％天的零偏漂移量作为输入值，后87.5％天的零偏漂移量作为输出值，反归一化处理后获得预测的零偏漂移值，并结合零偏漂移实测值对模型进行评估，将零偏漂移预测值的误差RMSE与真实零偏漂移量的RMSE的比值A作为双向LSTM的预测精度：

其中，RMSE

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

本发明具有以下有益效果：

本发明与现有技术相比：

本发明使用双向LSTM神经网络对对光纤惯性测量装置零偏漂移模型时间序列复杂特性进行精确表征，实现参数漂移变化预测，提高光纤惯导系统的导航精度；

本发明基于测量数据的应力加速稳定方法相对传统硬件加速方法无需昂贵的仪器设备，具有成本低、可靠性高、操作简单的优点。

本发明使用的双向LSTM神经比传统神经网络加入了记忆单元和非线性门控单元，在光纤惯性测量装置零偏漂移建模中具有更好的表征能力；

本发明搭建的基于双向LSTM神经网络的应力加速稳定装置为参数漂移预测提供了更可靠的硬件保障。

本发明公开了一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。针对光纤陀螺误差模型特性复杂且受外界环境因素影响显著的问题，开展基于双向LSTM网络的光纤陀螺参数漂移预测研究。建立光纤陀螺参数漂移预测的双向LSTM网络模型，然后对网络进行训练完成模型参数的寻优，实现对光纤惯性测量装置零偏误差模型时间序列复杂特性的精确表征。通过搭建的基于双向LSTM神经网络的应力加速稳定装置获得光纤陀螺和石英加速度计的静态输出数据后，首先对静态数据进行预处理，包括数据平滑、零偏相对变化量计算和归一化，然后对其施加一定的高斯噪声从而构建训练集和测试集。将训练集输入到双向LSTM神经网络中训练，迭代优化网络权重，获得最终的光纤惯性测量装置应力加速稳定参数漂移预测模型。然后使用测试集进行评估，对输出值进行反归一化后，计算真值与预测值的差异。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明光纤惯性测量装置参数漂移预测流程示意图

图2为基于双向LSTM神经网络的应力加速稳定装置图；

图3为光纤惯性测量装置参数漂移原始数据；

图4惯性器件参数变化训练集；

图5LSTM神经网络标准单元；

图6双向LSTM神经网络训练结果；

图7闭环光纤陀螺双向LSTM网络模型零偏漂移预测结果；

图8为石英加速度计双向LSTM网络模型零偏漂移预测结果。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

根据图1至图8所示，本发明为解决上述技术问题采取的具体优化技术方案是：本发明涉及一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法，所述方法包括以下步骤：

步骤1：搭建基于双向LSTM神经网络的应力加速稳定装置，将光纤惯导系统放置在大理石平台上；

步骤2：启动光纤惯导系统的、预热准备、初始对准，实时存储闭环光纤陀螺和石英挠性加速度计的静态输出数据；

步骤3：对光纤惯性测量装置静态数据进行预处理，获得多个时间段的零偏漂移；

步骤4：构建双向LSTM神经网络的训练集和测试集；

步骤5：构建双向LSTM神经网络模型，并进行参数设置；

步骤6：使用双向LSTM神经网络模型对零偏漂移进行预测并评估，得到预测精度。

具体实施例二：

本申请实施例二与实施例一的区别仅在于：

基于双向LSTM神经网络的应力加速稳定装置包括工控机、光纤惯导系统、铅蓄电池和稳压器，数据存储及处理模块使用工控机，采用铅蓄电池和直流稳压器为整体该装置供电。

具体实施例三：

本申请实施例三与实施例二的区别仅在于：

所述步骤3具体为：

对光纤陀螺和石英加速度计的静态输出数据进行十秒平滑，并且每12小时计算一次均值，从而获得多个时间段的静态输出值，再减去初始时间段的静态输出，从而获得多个时间段的零偏漂移：

其中，

具体实施例四：

本申请实施例四与实施例三的区别仅在于：

将前12.5％天的零偏漂移量作为输入值，将后87.5％天的零偏漂移量作为输出值构建训练集，对采集到的零偏漂移数据施加8％的随机噪声，从而构建多个训练样本数据，并且取其中的部分数据作为测试集，构建的闭环光纤陀螺和石英加速度计零偏漂移训练集。

具体实施例五：

本申请实施例五与实施例四的区别仅在于：

所述步骤5具体为：

设置双向LSTM神经网络的隐藏层有200单元，并进行500轮训练，为防止梯度爆炸，将梯度阈值设置为1，设定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率，网络模型通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出，细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量。

具体实施例六：

本申请实施例六与实施例五的区别仅在于：

为了计算预测值和生成下一个时间步完整的输入，LSTM通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出，细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量：

o

具体实施例七：

本申请实施例七与实施例六的区别仅在于：

所述步骤6具体为：

对测试集进行预测，前12.5％天的零偏漂移量作为输入值，后87.5％天的零偏漂移量作为输出值，反归一化处理后获得预测的零偏漂移值，并结合零偏漂移实测值对模型进行评估，将零偏漂移预测值的误差RMSE与真实零偏漂移量的RMSE的比值A作为双向LSTM的预测精度：

其中，RMSE

具体实施例八：

本申请实施例八与实施例七的区别仅在于：

本发明提供一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定系统，所述系统包括：

装置模块，所述装置模块搭建基于双向LSTM神经网络的应力加速稳定装置，将光纤惯导系统放置在大理石平台上；

数据模块，所述数据模块启动光纤惯导系统的、预热准备、初始对准，实时存储闭环光纤陀螺和石英挠性加速度计的静态输出数据；

预处理模块，所述预处理模块对光纤惯性测量装置静态数据进行预处理，获得多个时间段的零偏漂移；

数据集模块，所述数据集模块构建双向LSTM神经网络的训练集和测试集；

双向LSTM神经网络模型模块，所述双向LSTM神经网络模型模块构建双向LSTM神经网络模型，并进行参数设置；

评估模块，所述评估模块：使用双向LSTM神经网络模型对零偏漂移进行预测并评估，得到预测精度。

具体实施例九：

本申请实施例九与实施例八的区别仅在于：

本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

所述方法包括：

步骤一：搭建基于双向LSTM神经网络的应力加速稳定装置，由于需要进行一年以上的长时间的陀螺静态数据采集，为保证数据的完整性，数据存储及处理模块使用工控机。为了提高静态数据的稳定性，将光纤惯导系统放置在大理石平台上。为防止供电故障等特殊情况，在数据采集过程中使用铅蓄电池和直流稳压器为整体该装置供电。

步骤二：完成光纤惯导系统的启动、预热准备、初始对准，实时存储闭环光纤陀螺和石英挠性加速度计的静态输出数据。

步骤三：光纤惯性测量装置静态数据预处理。对光纤陀螺和石英加速度计的静态输出数据进行十秒平滑，并且每12小时计算一次均值，从而获得多个时间段的静态输出值，再减去初始时间段的静态输出，从而获得多个时间段的零偏漂移：

式中

步骤四：构建双向LSTM神经网络的训练集和测试集。将前12.5％天的零偏漂移量作为输入值，后87.5％天的零偏漂移量作为输出值构建训练集。对采集到的零偏漂移数据施加8％的随机噪声，从而构建多个训练样本数据，并且取其中的部分数据作为测试集。

步骤五：构建双向LSTM神经网络模型及参数设置。设置双向LSTM神经网络的隐藏层有200单元，并进行500轮训练。为防止梯度爆炸，将梯度阈值设置为1，设定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率。网络模型通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出。细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量。

步骤六：使用双向LSTM神经网络模型对零偏漂移进行预测并评估。对测试集进行预测，前12.5％天的零偏漂移量作为输入值，后87.5％天的零偏漂移量作为输出值，反归一化处理后获得预测的零偏漂移值，并结合零偏漂移实测值对模型进行评估，将零偏漂移预测值的误差RMSE与真实零偏漂移量的RMSE的比值A作为双向LSTM的预测精度：

上式中，RMSE

所述方法包括以下步骤：

具体实施例十：

本申请实施例十与实施例九的区别仅在于：

本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其所述处理器执行所述计算机程序时实现一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法。

具体实施例十一：

本申请实施例十一与实施例十的区别仅在于：

通过搭建的基于双向LSTM神经网络的应力加速稳定装置获得光纤陀螺和石英加速度计的静态输出数据后，首先对静态数据进行预处理，包括数据平滑、零偏相对变化量计算和归一化，然后对其施加一定的高斯噪声从而构建训练集和测试集。将训练集输入到双向LSTM神经网络中训练，迭代优化网络权重，获得最终的光纤惯性测量装置应力加速稳定参数漂移预测模型。然后使用测试集进行评估，对输出值进行反归一化后，计算真值与预测值的差异。

其中，基于双向LSTM神经网络的应力加速稳定装置图如图2所示，主要由工控机、光纤惯导系统、铅蓄电池和稳压器组成。由于需要进行一年以上的长时间的陀螺静态数据采集，为保证数据的完整性，数据存储及处理模块使用工控机。为了提高静态数据的稳定性，将光纤惯导系统放置在大理石平台上。为防止供电故障等特殊情况，在数据采集过程中使用铅蓄电池和直流稳压器为整体该装置供电。

完成光纤惯导系统的启动、预热准备、初始对准，实时存储闭环光纤陀螺和石英挠性加速度计的静态输出数据。对光纤陀螺和石英加速度计的静态输出数据进行十秒平滑，并且每12小时计算一次均值，从而获得多个时间段的静态输出值，再减去初始时间段的静态输出，从而获得多个时间段的零偏漂移：

式中

构建双向LSTM神经网络的训练集和测试集。将前12.5％天的零偏漂移量作为输入值，后87.5％天的零偏漂移量作为输出值构建训练集。对采集到的零偏漂移数据施加8％的随机噪声，从而构建多个训练样本数据，并且取其中的部分数据作为测试集，构建的闭环光纤陀螺和石英加速度计零偏漂移训练集如图4所示。

然后构建双向LSTM神经网络。LSTM可以看作是一种特殊的RNN，相较于传统RNN，LSTM天生就对长期依赖有着很好的支持。LSTM模型在RNN的基础上加入了记忆单元(memorycell)和非线性的门控单元(nonlineargatingunit)。其中记忆单元用于在时间上传递系统的状态信息，非线性的门控单元用于控制在每一个时间点流入和流出记忆元组的信息。循环神经网络通常都由基本神经元在时间维度上重复排列构成。在传统的RNN里面，基本重复单元内部结构十分简单，通常只由一个简单的包含一个tanh激活函数模块的神经网络层构成，而在LSTM中，每个神经元包含三个sigmoid层和一个tanh层并且彼此之间通过简单的连接方式进行交互，标准LSTM网络结构如图5所示。

LSTM网络的改进方式是保留RNN隐藏层对短期输入极其敏感的状态h，并引入一个新的状态，记为c，来实现对输入信息的长期保存，这样就实现对输入信息的分长短时记忆。引入新状态后的网络结构如下图所示。t时刻，网络的输入包括三个：当前输入信息x

图中时间步长为t(t＝1,2,...,n)，则LSTM单元的输出状态为x

f

为了更新当前时间步细胞状态中存储的信息，输入门控单元i

i

为了计算预测值和生成下一个时间步完整的输入，LSTM通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出。细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量。

o

LSTM模型采用反向传播算法进行参数优化，主要分为如下五个步骤①前向传播，求出各个神经元的输出；②根据监督信息(基准值)计算模型输出值误差；③反向传播(网络层级和时间双重反向传播)，计算各个神经元的误差项；④根据误差项对各个权重的梯度进行计算；⑤对权值进行更新。

无论是RNN还是LSTM都只能依据之前时刻的时序信息来预测下一时刻的输出，但在很多应用中，当前时刻的输出不仅与之前的序列有关，还可能和未来的序列有关系。通常而言，双向的长短期记忆网络具有更强大的表达和学习能力，但其LSTM也需要更多的训练数据。BiLSTM是由两个LSTM(正向LSTM和反向LSTM)上下叠加而成，且两个LSTM连接着一个输出层，此结构为输出层提供输入序列中每一个点的完整的过去和未来的上下文信息。正向

反向

最后对得到的两个结果进行拼接处理，可以实现考虑上下文信息，其表达方式下式：

隐藏层的输出h

o

其中φ表示表示激活函数，在隐藏层中通常使用Tanh、Sigmoid和Relu等激活函数。表示在正向计算中当前t时刻输入的权重矩阵，b

设置双向LSTM神经网络的隐藏层有200单元，并进行500轮训练。为防止梯度爆炸，将梯度阈值设置为1，设定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率。网络模型通过sigmoid激活函数拼接上一时刻的隐藏状态和当前时刻的输入向量作为当前时刻的预测输出。细胞状态通过tanh激活函数与sigmoid门控单元的输出相乘得到当前时刻的隐藏状态向量。将上述方法生成的训练集的输入输出数据使用双向LSTM网络迭代优化500次之后，预测值的RMSE和损失函数均趋于收敛，如图6所示。

使用双向LSTM神经网络模型对零偏漂移进行预测并评估。对测试集进行预测，前12.5％天的零偏漂移量作为输入值，后87.5％天的零偏漂移量作为输出值，反归一化处理后获得预测的零偏漂移值，并结合零偏漂移实测值对模型进行评估，将零偏漂移预测值的误差RMSE与真实零偏漂移量的RMSE的比值A作为双向LSTM的预测精度：

上式中，RMSE

然后将测试数据输入到训练好的双向LSTM神经网络中，将前12.5％的零偏漂移数据作为先验输入，后87.5％的零偏漂移数据作为输出的参考值。闭环光纤陀螺和石英加速度计x、y、z轴的原始参考数据、零偏漂移预测值及零偏漂移预测误差如图7和图8所示。双向LSTM网络模型闭环光纤陀螺的零偏漂移预测总体准确率为14.70％，石英挠性加速度计的零偏漂移预测总体准确率为13.95％。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

以上所述仅是一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法的优选实施方式，一种基于双向LSTM神经网络的光纤惯性测量装置应力加速稳定方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。