中文摘要: 针对MEMS陀螺仪因材质特性，制造工艺等差异导致输出数据受温度影响的问题。本文在传统温度误差补偿的基础上，提出将深度学习与神经网络相结合，通过LSTM神经网络进行温度误差补偿，从而减小温度变化引起的陀螺的温度漂移。分析了MEMS陀螺仪的温度特性，并在RNN神经网络模型的基础上，建立多层LSTM神经网络模型，利用基于ADAM的优化算法和时间反向传播BPTT算法对LSTM网络进行训练。将训练好的网络模型植入到STM32硬件中，进而实现对MEMS陀螺仪输出的实时温度补偿。实验表明，LSTM模型与RBF温度补偿模型相比，陀螺仪补偿后的零偏稳定性、零偏不稳定性和角度随机游走等性能指标，以及 、 、 三个模型评价指标提高了90%以上。