1.基于LMS自适应滤波与梯度下降的MEMS加速度计误差补偿方法，其特征在于，包括以下步骤：步骤a，利用Allan方差对MEMS加速度计在六个位置下三个轴的m组实际测量数据A*中的随机噪声进行分析，并建立随机噪声的时域模型v；

步骤b，以A*为LMS自适应滤波噪声抵消器的主输入，以噪声v的相关噪声v*为LMS自适应滤波噪声抵消器的期望参考输入，对A*中的随机噪声进行处理，获得去除噪声后的测量值A；

步骤c，以去除噪声后的全部测量值A作为输入，以对应的全部真实值H作为输出，建立MEMS加速度计误差补偿模型；

步骤d，以去除噪声后的m组测量数据为样本，利用最小二乘求参数先验作为批量梯度下降的初值，训练获得样本对真实模型参数的最优拟合S和a，并将获得的参数代入所建立的误差补偿模型，对MEMS加速度计进行误差补偿。

2.根据权利要求1所述的基于LMS自适应滤波与梯度下降的MEMS加速度计误差补偿方法，其特征在于，所述步骤a中，计算MEMS加速度计在六个位置下三个轴实际测量数据的Allan方差，并拟合Allan标准差与平均时间τ的对数关系曲线，分析所拟合的曲线斜率，求得量化噪声Q、速度随机游走N、零偏不稳定性B、加速度随机游走K、速率斜坡R 5项噪声参数的值，其中量化噪声和速度随机游走属于白噪声，零偏不稳定性、加速度随机游走、速率斜坡属于有色噪声，根据有色噪声的功率谱密度函数，由谱分解定理求解其传递函数，将传递函数作傅里叶逆变换得其微分方程，最后以互不相关的单位高斯白噪声ψ1(t)，ψ2(t)，ψ3(t)，ψ4(t)，ψ5(t)驱动微分方程，得到MEMS加速度计随机噪声v的时域模型为：式中，Q、N、B、K、R为各项噪声参数，ψ1(t)、ψ2(t)、ψ3(t)、ψ4(t)、ψ5(t)为互不相关的单位高斯白噪声，▽是微分算子，η和ω0为传递函数有理化过程中的调节参数，η取值为5Hz，ω0取值为0.01rad/s。

3.根据权利要求2所述的基于LMS自适应滤波与梯度下降的MEMS加速度计误差补偿方法，其特征在于，所述步骤b中，LMS自适应滤波器的主输入为X(n)，期望参考输入为d(n)，滤波输出为Y(n)，估计误差输出为e(n)，LMS自适应滤波算法的估计误差输出e(n)的表达式为：

e(n)＝d(n)-Y(n)   (2)

LMS自适应滤波算法的滤波输出Y(n)的表达式为：

T

Y(n)＝W(n)X(n)   (3)

式中，W(n)为抽头系数向量，其递推更新方程为：

W(n+1)＝W(n)-μX(n)e(n)   (4)

式中，μ为步长因子，控制每次更新后沿误差函数表面移动的距离，其值满足0<μ≤1/λmax，其中，λmax是主输入X(n)自相关矩阵的最大特征值。

4.根据权利要求3所述的基于LMS自适应滤波与梯度下降的MEMS加速度计误差补偿方法，其特征在于，所述步骤b中，利用基于LMS自适应滤波算法的噪声抵消器实现对实际测量数据A*的噪声抵消，令LMS自适应滤波噪声抵消器的主输入X(n)为A*，期望参考输入d(n)为噪声v的相关噪声v*，经过LMS自适应滤波噪声抵消器处理后的滤波输出Y(n)逼近v*，即有估计误差输出e(n)逼近A，舍弃滤波输出Y(n)，选取估计误差输出e(n)作为去除噪声后的测量值A。

5.根据权利要求4所述的基于LMS自适应滤波与梯度下降的MEMS加速度计误差补偿方法，其特征在于，所述步骤c中，MEMS加速度计在六个位置下的实际测量值矩阵经过噪声处理后的测量值矩阵A＝[Ax,j Ay,j Az,j]T(j＝1,2,...,6)，对应的真实值矩阵H＝[Hx,j  Hy,j Hz,j]T(j＝1,2,...,6)，其中，分别表示MEMS加速度计六个位置下x轴，y轴，z轴的实际测量值，均为m维行向量；Ax,j，Ay,j，Az,j分别表示MEMS加速度计六个位置下x轴，y轴，z轴噪声处理后的测量值，均为m维行向量；Hx,j，Hy,j，Hz,j分别表示MEMS加速度计六个位置下x轴，y轴，z轴对应的真实值，均为m维行向量；MEMS加速度计的零偏向量为a＝[ax ay az]T，其中ax，ay，az分别表示MEMS加速度计x轴，y轴，z轴的零偏值，所建立的MEMS加速度计误差补偿模型表达式为：H＝S(A-a)   (5)

式中，S为比例因子和非正交因子组成的矩阵，其表达式为：

式中，Sxx，Syy，Szz分别表示x轴，y轴，z轴的比例因子，Sxy，Sxz，Syx，Syz，Szx，Szy分别表示各轴之间的非正交因子。

6.根据权利要求5所述的基于LMS自适应滤波与梯度下降的MEMS加速度计误差补偿方法，其特征在于，所述步骤c中，对于所建立的MEMS加速度计误差补偿模型(5)，当MEMS加速度计位于位置1和位置2时有：Hx1＝Sxx(Ax1-ax)+Sxy(Ay1-ay)+Sxz(Az1-az)   (7)Hx2＝Sxx(Ax2-ax)+Sxy(Ay2-ay)+Sxz(Az2-az)   (8)由(7)式与(8)式相减，有：

(Hx1-Hx2)＝Sxx(Ax1-Ax2)+Sxy(Ay1-Ax2)+Sxz(Az1-Az2)   (9)由(7)式与(8)式相加，有：

(10)式中，k＝1,2,3,...,m。

7.根据权利要求6所述的基于LMS自适应滤波与梯度下降的MEMS加速度计误差补偿方法，其特征在于，所述步骤d中，MEMS加速度计的非正交因子Sij(i,j＝x,y,z；i≠j)是一组接近于零且不为零的数，为了方便计算比例因子Sii(i＝x,y,z)的先验 不妨将Sij视为零，则(9)式可以化简为：由最小二乘可得：

同理可得 和 于是在Sij＝0的假设下，求得参数矩阵S的先验：利用先验知识S*，作为批量梯度下降的参数初值进一步求解S。

8.根据权利要求7所述的一种基于LMS自适应滤波与批量梯度下降的MEMS加速度计误差补偿方法，其特征在于，所述步骤d中，将(9)式在未知特征参数λi(i＝1,2,3)下的假设函数写作：hλ(x)＝λ1x1+λ2x2+λ3x3   (14)

式中，

假设函数的代价函数为：

式中， 为 所对应的真实值，代价函数的梯度为：

特征参数λi的更新方程为：

式中，α是学习率，决定沿着能让代价函数下降程度最大的方向移动一次的步长，选取学习率为0.001～0.0003；

*

以S的先验S 作为特征参数λi的初值： λ2＝0λ3＝0开始批量梯度下降，经过m组由测量值和真实值组成的样本的训练，由更新方程(17)可获得使假设函数hλ(x)最优拟合真实值 的特征参数λi，以λi作为(9)式的参数Sxx，Sxy，Sxz，同理可求参数Syx，Syy，Syz，Szx，Szy，Szz，于是获得参数矩阵S；

将(10)式的右式记作 其均值记作 则有： 同理有：

则：

求得 最后将获得的模型参数代入所建立的误差补偿模型，对MEMS加速度计进行误差补偿，实现对MEMS加速度计高精度标定。