光纤陀螺随机漂移测试与建模

文中介绍了光纤陀螺(FOG)随机漂移的测试方法和实验设备,探讨了一种利用AIC准则和长自回归法建立随机漂移ARMA模型的新途径.利用实验平台对光纤陀螺输出信号进行了采集,对原始数据进行了平稳化处理,然后进行了光纤陀螺随机漂移ARMA建模实验,并通过白噪声检验验证了用新方法建立的ARMA模型具有很好的适用性.     

光纤陀螺信号误差分析与滤波算法的研究

针对光纤陀螺信号漂移误差和噪声的影响,采用Allan方差法对光纤陀螺的各项随机误差成分进行了分离和计算.然后结合陀螺稳定平台系统研究了滑动滤波、小波变换阈值滤波两种直接对陀螺输出信号进行数字滤波处理的方案.最后对某陀螺惯性稳定跟踪转台中使用的光纤陀螺信号的测试和统计分析结果表明,采用Allan方差法能够有效地分离和辨识陀螺零漂信号中的各项噪声源随机误差系数和误差大小,采用的小波变换阈值滤波的去噪效果明显.     

微机电陀螺随机误差的非平稳模型及滤波方法

以CRS03为对象,研究了微机电陀螺的随机误差建模及滤波方法.针对输出信号非平稳的特点,采用时间序列分析方法,建立了CRS03输出信号的ARIMA模型,设计了基于此模型的Kalman滤波器,对陀螺输出数据进行了处理.结果表明,该方法可有效地抑制陀螺漂移,提高其精度.     

基于EEMD-RVM的陀螺漂移混合建模预测

陀螺漂移序列具有非平稳和非线性的特点,针对单一模型难以对其实现精确预测的问题,提出一种基于集合经验模态分解(EEMD)和相关向量机(RVM)的混合建模方法,实现对陀螺漂移序列的区间预测.首先,利用集合经验模态分解将漂移序列分解为多个模态和一个余量;将模态区分为噪声和趋势两个分量,对噪声分量建立分布模型,对趋势分量建立RVM模型,两者等权相加还原得混合模型;最后,给定置信度,得到置信区间预测结果.将该方法用于某振动陀螺漂移序列预测实例,结果表明:该混合预测模型能准确预测陀螺漂移,其中RVM的预测精度达到99.86%,且验证集以给定的置信度落在预测区间内,可为陀螺的寿命预测和性能分析提供依据.     

基于ARIMA模型的光纤陀螺随机漂移滤波方法研究

对光纤陀螺随机漂移输出进行了非平稳性检验,并建立了非平稳求和自回归滑动平均(ARIMA)模型,在此模型的基础上对光纤陀螺随机漂移进行卡尔曼(Kalman)滤波,并对滤波结果进行Allan方差分析。与基于自回归(AR)模型的Kalman滤波结果进行比较,实验结果表明:基于ARIMA模型的Kalman滤波比基于AR模型的Kalman滤波更能减小光纤陀螺的零偏不稳定性和角度随机游走。     

基于神经网络的开环光纤陀螺误差补偿方法

根据开环光纤陀螺线性度课差随角速度增大而增大的特性,提出了在大角速度情况下应用神经网络对陀螺误差进行建模并补偿,在小角速度时对陀螺输出数据进行平滑滤波以抑制噪声的分段误差补偿方法.在速率转台上对开环光纤陀螺(VG941)进行测试并采集了测量范围内陀螺的多组实际输出数据,基于这些数据对单输入单输出的神经网络进行训练,得到了开环光纤陀螺的神经网络模型.在所得模型基础上,对整个测量范围内的陀螺原始输出数据采用分段补偿方法进行了陀螺误差补偿,并使开环光纤陀螺最大线性度误差由15%下降到0.3%,提高了开环光纤陀螺的测量精度.实验结果表明基于神经网络的开环光纤陀螺误差补偿方法对提高开环光纤陀螺的精度、扩大其应用范围具有实用价值.     

数字滤波在光纤陀螺数据处理中应用研究

光纤陀螺以其全固态、无转动机构、高集成性,较宽的动态测量范围等优点逐渐成为陀螺发展的趋势.光纤陀螺所敏感的角速度信号中包含有各种噪声误差,如何对光纤陀螺输出信号进行处理以满足不同的工程应用要求是目前研究的关键问题.本文对中低精度的光纤陀螺在运动条件下的测量信号进行滤波处理,通过实测数据的应用验证,该方法能够有效减小信号方差且能保证滤波信号实时性.     

平移不变离散小波变换在光纤陀螺信号处理中的应用

光纤陀螺输出信号中主要含有白噪声和具有非平稳、长程相关、自相似性及具有1/fγ类型谱密度的分形噪声,传统的滤波方法难以去除这类噪声,小波分析的多分辨分析特性,使之成为分析分形噪声的有力工具.文中分析了光纤陀螺输出信号误差特性,建立了输出信号的数学模型,在分析了分形噪声的特性的基础上,采用小波变换方法生成分形噪声.在实验室环境下采集了某型号光纤陀螺仪输出信号,对其进行多种小波滤波方法滤波对比实验,并进行了实验结果分析,实验结果表明采用平移不变离散小波变换半软阈值滤波方法可以有效地去除分形噪声和白噪声,克服了硬阈值法有较大的方差和软阈值法有较大的偏差的缺点.     

一种光纤陀螺漂移数据建模和滤波技术在捷联罗经法自对准中的应用

针对基于高精度光纤陀螺仪(FOG)的捷联惯导系统开展研究.采用时间序列分析法对光纤陀螺随机漂移进行分析,建立自回归滑动平均(ARMA)模型,并在捷联惯导系统罗经法自对准过程中对光纤陀螺漂移数据进行实时滤波估计.样机实验结果表明,所提出的方法可以有效地提高光纤陀螺捷联惯导系统罗经法自对准的精度.     

一种基于HHT鼠笼型异步电机转子断条故障信号分析方法

希尔伯特-黄变换是一种新的信号处理方法,具有时频自适应性,可以用于分析各类信号,包括平稳、非平稳信号,线性、非线性信号等.它的核心经验模态分解实际上就是对信号进行平稳化处理,将信号用不同尺度上波动的序列的和来表示,其瞬时频率谱可准确反映信号的物理意义.将希尔伯特-黄变换用于提取鼠笼型异步电机转子断条故障特征信号的处理,...     

校园网络流量自相似性分析与研究

对于校园网等小规模的局域网,通过计算网络流量自相似值的方法无法有效检测网络异常流量。针对该问题,在分析校园网络流量特点的基础上,将网络流量分解成趋势项和随机成分等其他项,使用经验模式分解消除网络流量中的趋势项,使得网络流量序列的自相似值能直接反映随机成分状态。实验结果表明,该方法能提高异常流量检测的准确性。     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测.对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.     

一种新型灰色预测模型在陀螺漂移预测中的应用研究

针对某型导弹的陀螺漂移趋势预测问题,提出1种基于经验模态分解（EMD）的新型灰色支持向量回归预测模型。该模型通过运用经验模态分解算法将陀螺漂移数据趋势项和随机项进行分离,然后分别运用灰色GM（1,1）和支持向量回归算法对这2种数据进行预测,最后将预测结果进行重构得出最终的预测值。给出了这种算法的具体步骤并将其应用到某型导弹陀螺漂移的预测中,仿真试验结果表明这种预测模型的有效性和可行性。     

一种新的自适应降噪方法及其应用研究

针对非线性、非平稳信号的降噪问题,提出一种基于经验模式分解和过零检测的自适应降噪方法。经验模式分解可以把信号自适应分解成多个基本模式分量和一个余项的和,此过程等效于用一组带通滤波器对信号进行滤波。以过零率作为噪声评判准则,对经验模式分解结果进行重构,可实现信号的自适应降噪。应用实例表明该方法的有效性和广泛的应用潜力。     

一种改进型经验模态分解及其在信号消噪中的应用

针对非线性非平稳信号的消噪问题, 基于经验模态分解提出一种模态单元滤波新方法. 该方法将经验模态分解的内模函数中两个相邻过零点之间的信号定义为模态单元, 并以之作为基本分析对象, 通过对模态单元振幅的阈值处理来判断模态单元的类型, 进而建立模态单元滤波模型. 分析了经验模态分解法在分解不同Hurst指数分形高斯噪声时模态振幅的演化规律, 并建立了一种用于高斯消噪的阈值选取规则. 为验证本文方法的有效性, 进行了数字仿真与实例应用实验. 仿真和实验结果均表明, 所提方法的消噪效果整体上优于最优小波阈值消噪方法, 同时模态单元滤波消噪算法具有自适应性, 是一种有效的信号消噪新方法.     

基于EMD的时标特征提取方法及其在短期电力负荷预测中的应用

为凸显负荷波动的随机性、周期性和相关趋势,通过探求负荷变化机理显著提升预测精度,本文提出了一种基于EMD的负荷波动机理研究方法。首先对负荷进行EMD分解,得到随机、周期和趋势分量;然后分析各分量的变化规律与候选影响因素的关联关系,推导负荷变化机理,提取时标特征值;最后,进行特征的去冗余。该方法创新点是能提取出特征值的时标特性。以广东省负荷数据集作为预测案例研究,对比实验研究结果表明本文所提出方法的有效性。     

改进的基音周期检测算法研究

针对传统的短时平均幅度差函数（AMDF）法由于出现均值下降趋势,谷点并非全局最低谷点而导致基音周期提取中的倍频和半频错误出现的情况,提出一种改进算法。将传统的AMDF经过经验模式分解（EMD）处理后去掉趋势项重组新的EMDAMDF,再利用短时自相关函数（ACF）对其进行加权,构造新的EMDAMDF/ACF加权平方特征检测该语音帧的基音。仿真结果表明,该方法有效地加强了AMDF的谷值特性提高了基音周期检测的准确率。     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

基于震动信号HHT的车辆分类

震动传感器是智能监控传感器系统的重要组成部分。震动信号是一种非线性非平稳信号。相比于传统的时频分析方法,对希尔伯特-黄变换是一种更有效地处理非平稳信号的时频分析方法。将希尔伯特-黄变换引入到车辆分类中,提取震动信号特征信息,利用经验模态分解(EMD)获得车辆行驶引起的地面震动信号的固有模态函数(IMF),通过选取的固有模态函数得到相应的希尔伯特谱,然后在希尔伯特谱的基础上根据谱峰对车辆进行分类。仿真测试结果表明方法具有很高的正确率。     

非平稳随机路面模拟与分析

汽车的主要激励来自路面,对路面不平度的模拟和分析,是进行汽车行驶平顺性分析的基础.本文在回顾随机路面模拟和对非平稳随机过程描述的基础上,导出了非平稳随机过程功率谱密度存在的充要条件和Wiener过程的功率谱密度,并用Wiener过程模拟生成了非平稳随机路面.基于小波理论,对非平稳随机过程的路面激励进行了一维离散二进小波分解,有效地把路面激励信号中的平稳成分与非平稳成分、低频成分与高频成分等分离开.