1.一种基于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R5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；

*

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。

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c中，MEMS加速度计在六个位置下的实际测量值矩阵T

经过噪声处理后的测量值矩阵A＝[Ax,jAy,jAz,j] (j＝T

1,2,...,6)，对应的真实值矩阵H＝[Hx,jHy,jHz,j] (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T量；MEMS加速度计的零偏向量为a＝[ax ay az] ，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。

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，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。

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。

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，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。