基于序列相关和小波变换的加速度计信号降噪

有效滤除加速度计信号噪声,对提高加速度计信号分析精度有重要作用,针对加速度计比较法冲击激励校准中,噪声对加速度计频率响应函数估计的影响,提出一种基于序列相关和小波变换的加速度计信号降噪方法。该方法首先对参考加速度计和被校加速度计的输出信号进行小波变换,然后利用同一激励下不同加速度计响应信号小波系数的相关性,引入互相关系数对阈值进行改进,并应用该阈值对加速度计输出信号各层小波系数进行降噪。仿真实验和加速度计比较法冲击激励校准实验表明,该方法能够有效降低加速度计输出信号中的噪声,提高了加速度计频率响应函数估计精度。     

基于LabVIEW的加速度计模型参数辨识模块设计

加速度计的模型参数辨识对研究加速度计动态特性具有重要作用.针对加速度计动态特性测试系统中加速度计模型参数辨识模块的设计,利用LabVIEW图形化编程的特点,以最小二乘原理为基础,通过对加速度计频域响应函数的拟合实现了加速度计模型参数的辨识,并构建了可视化软面板.实验测试表明:所设计模块能够实现加速度计模型参数辨识,有较高的参数辨识精度,并具有良好的人机交互,所辨识出的模型能够描述加速度计的动态特性.     

基于小波降噪与最小二乘估计的石英挠性加速度计模型辨识

石英挠性加速度计在惯性导航系统中具有重要作用,其使用精度影响着整个系统的精度。为提高加速度计的使用精度,对其进行了重力场静态翻滚测试,采用融合小波降噪与最小二乘估计的方法实现加速度计模型参数辨识。利用拟合残差标准差和系数估计的不确定度来评价辨识的效果,对重力场静态测试时加速度计两种安装方式下的测量信号进行了实验测试,并通过仿真实验来验证所采用方法的有效性。实验结果表明,所采用的方法获得的加速度计模型系数具有较高精确度。     

加速度计几种模型辨识方法的比较研究

加速度计离心试验中,为了更精确的得到加速度计的模型系数,比较研究了3种辨识方法:最小二乘方法(加权最小二乘)、总体最小二乘方法和EV模型方法.通过仿真得出在输出噪声和输入噪声为白噪声或者近似白噪声且离心机精度优于1×10-5的情况下,最小二乘与其他2种辨识方法辨识精度相当.最后通过试验对比了最小二乘方法与加权最小二乘方...     

加速度计信号奇异值分解滤波与参数辨识

针对石英挠性加速度计模型参数辨识的噪声影响问题,采用奇异值分解技术实现测量信号的滤波降噪处理,再结合总体最小二乘算法实现模型参数的高质量辨识.以重力场下的多齿分度台为测试分析平台,利用样本熵和统计参数定量评价辨识效果.试验结果表明,奇异值分解技术能有效去除信号中的噪声干扰,且通过降噪信号获得的模型系数稳定性较好.所采用方法有效地实现了加速度计参数辨识分析,可用于其性能质量评价.     

基于高冲击激励的加速度计参数辨识的研究

加速度计的动态校准在国内外计量领域越来越受到重视,参考国内外最新的加速度计动态校准方法,主要阐述了基于高冲击激励下加速度计动态特性参数辨识的问题。该方法根据加速度计的物理结构建立了其状态空间模型,利用外差式激光干涉仪测量并经过相应处理得到了输入加速度计的激励信号。利用得到的输入-输出数据,通过最小化其状态空间模型的预测误差序列得到了被校加速度计的动态特性的参数,通过在不同的冲加速度峰值下进行了试验并比较表明该方法的有效性。     

多方向振动测试的石英挠性加速度计高阶误差系数辨识

高精度的误差系数可准确评价加速度计的精度与性能,从石英挠性加速度计误差模型入手,对其进行多方向振动测试试验,利用总体最小二乘（TLS）算法辨识加速度计模型方程中的高阶误差系数,建立较高精度的加速度计数学误差模型。为验证算法的有效性及所实施试验的可靠性,和传统重力场多点测试辨识加速度计参数方法作对比,同时,提出误差系数和决定系数两个指标来评价振动测试的辨识效果。结果表明：采用多方向振动测试结合总体最小二乘算法方案所辨识出加速度计高阶误系数精度较高,在实践中具有较好的借鉴意义。     

小波递推最小二乘法的ARMAX模型参数估计

研究辨识系统优化问题,针对线性时不变ARMAX模型的参数估计,为了提高辨识精度,提出了直接利用小波域的数据,递推估计出模型的参数的方法.首先将时域的输入输出信号采用小波变换,得到了具有时频特征的小波域信号,可进行去噪方面的处理,去噪结果比时域和频域更有效.然后,利用小波递推最小二乘法对ARMAX模型进行参数估计,通过与时域递推最小二乘法的估计参数比较,仿真结果表明提出的方法是有效的.     

矿用机器人驱动系统参数辨识

针对基于最小二乘法的参数辨识精度不高的问题,提出了一种基于鲸鱼优化算法的矿用机器人驱动系统参数辨识方法。通过建立矿用机器人驱动系统模型确定待辨识参数,将待辨识参数看作鲸鱼群个体位置,通过适应度函数来衡量每个鲸鱼群个体位置的优劣,利用鲸鱼觅食策略不断更新鲸鱼群个体位置,直至获得最佳鲸鱼群个体位置,即可获得最佳辨识参数。仿真和实验结果表明,与基于最小二乘法的参数辨识方法相比,该方法具有更高的辨识精度。     

基于高斯核函数的Hammerstein非线性系统辨识

提出了一种基于高斯核函数的Hammerstein非线性系统参数辨识方法。Hammerstein非线性系统由一个静态非线性模块和一个动态线性模块串联组成,利用高斯核函数神经网络和传递函数模型分别建立Hammerstein系统的静态非线性模块和动态线性模块。首先,基于可分离信号的输入输出数据,采用相关性分析方法估计动态线性模块的参数,有效抑制噪声的干扰。其次,针对Hammerstein非线性系统的不可测噪声项,利用残差的估计值代替不可测变量,推导了递推增广最小二乘辨识方法,根据随机信号的输入输出数据辨识静态非线性模块和噪声模型的参数。仿真结果表明,针对有色噪声干扰的Hammerstein非线性系统,所提方法具有较好的辨识精度和鲁棒性。