基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

改进的卡尔曼滤波在MEMS陀螺仪信号处理的应用

针对MEMS陀螺仪的输出随机漂移误差影响测量精度的问题,提岀一种改进的卡尔曼滤波方法进行MEMS陀螺仪误差补偿。传统的卡尔曼滤波方法是针对时域内的随机序列采用统计特性进行递推估计,从而得到测量所需要的信号。本文在传统卡尔曼滤波算法的基础上引入衰减因子和差分控制项,以此自适应地估计卡尔曼滤波量测噪声方差,并结合硬件系统将该算法进行静态性能试验和动态性能试验,使用Allan方差分析法对原始陀螺仪信号以及误差补偿后的陀螺仪信号进行对比分析。对比数据结果表明,陀螺仪静态随机误差得到了有效的抑制,从而验证了该算法在陀螺仪静态数据处理方面具有一定的应用价值。     

基于MEMS陀螺仪的随机误差分析

为了提高MEMS陀螺仪测量精度,减少随机误差的影响,对产生随机误差的噪声源及其随机误差模型进行了分析;通过分析MEMS陀螺仪自身结构的缺陷并且对其输出数据进行了相应的滤波处理与平稳性检验,确立了合适的误差模型并利用Kalman滤波进行误差补偿,验证了模型的有效性;同时运用Allan方差法对MEMS陀螺仪噪声项进行了分析,确定了影响MEMS陀螺仪测量性能的主要因素以及比较了滤波前后的各项噪声源系数,检验了滤波效果且实验结果证明误差模型显著提高了MEMS陀螺仪的测量精度。      

基于卡尔曼滤波算法的MEMS陀螺仪误差补偿研究

为了补偿MEMS陀螺仪的漂移误差,本文采用了一种新的卡尔曼滤波算法。文中对MPU3050陀螺仪进行分析,提出其漂移模型。通过分析陀螺仪的误差,建立陀螺仪的误差模型。卡尔曼滤波的效果通过阿伦方差进行评估,与其他滤波算法比较,在MEMS陀螺仪中采用卡尔曼滤波算法可以有效的减少SCM（单片机）计算,并在转台上对陀螺仪进行测试。实验结果表明,结合误差模型和卡尔曼滤波算法可有有效的减少陀螺仪的漂移误差。     

基于时间序列分析的Kalman滤波方法在MEMS陀螺仪随机漂移误差补偿中的应用研究

从工程实用的角度出发,探讨了MEMS陀螺仪随机漂移误差的有效补偿方法.首先采用时间序列分析的方法建立了MEMS陀螺仪的随机漂移误差模型,然后阐述了用基于时间序列模型的Kalman滤波方法减小该漂移误差的具体方法.对某MEMS陀螺仪实测数据的误差补偿结果表明,所介绍的滤波方法能够有效地抑制其漂移误差,提高MEMS陀螺仪在实际系统中使用精度.     

基于Allan方差的MEMS陀螺仪随机误差辨识与抑制

为了提高某型微机电系统(MEMS)陀螺仪输出精度,静态采集该型MEMS陀螺仪原始数据,通过Allan方差分析法,对陀螺仪随机误差成分进行辨识;以z轴输出为例,利用时间序列分析法,建立其随机误差的自回归滑动平均(ARMA)模型。根据拟合后的模型参数设计卡尔曼滤波器,对原始数据进行滤波处理,再对预滤波后的数据进行Allan方差分析。结果表明:滤波后的量化噪声、角度随机游走、零偏不稳定性误差系数分别减小了2. 8%,19. 8%和8. 1%。卡尔曼滤波器能够有效抑制MEMS陀螺仪的随机误差,提高输出精度。     

低成本MEMS陀螺实时滤波方法

为找到一种普遍适合低成本MEMS陀螺仪的随机误差实时处理方法,利用Allan方差分析法首先对MEMS陀螺仪进行分析,根据其误差特性进而设计了平均滤波算法以剔除粗大误差,然后使用最小二乘法,通过拟合前一段历史结果得到下一时刻输出的预测值,基于以上工作最终设计出Kalman滤波器对所输出进行滤波。由于将最小二乘法的推测作为预测过程,避免了系统状态模型难以准确建立的问题。该方法动态性能好,具有普适性。实验结果证明,该方法在静态和动态下均能有效工作,滤波后常值漂移被有效补偿,角度随机游走不再占误差的主要成分,均方差小于滤波前的十分之一。     

基于Allan方差的MEMS陀螺随机误差建模

针对由于MEMS陀螺随机误差较大而影响MEMS惯性测量系统测量精度的问题,提出一种利用Allan方差分析随机误差并建模的方法。在分析Allan方差原理的基础上,通过Allan方差分析法分离和辨识了MEMS陀螺仪的各项随机误差以及误差系数,并利用随机误差系数进行了数学建模。通过与ARMA模型比较,表明利用Allan方差建立的模型更加精确。该方法为MEMS惯性导航系统中姿态测量的误差补偿和滤波提供了新的思路,对提高MEMS惯性测量系统的测量精度具有一定的实际应用价值。     

基于自适应Kalman滤波的MEMS陀螺随机误差分析

针对某型MEMS陀螺随机误差较大、精度不高的问题,通过时间序列分析法,建立自回归滑动平均 ARMA(Auto-Regressive and Moving Average)模型,采用ARMA(2,1)模型将预处理后的MEMS陀螺随机误差进行建模.设计基于ARMA模型的经典Kalman滤波器.静态试验和恒定速率试验结果表明在经典Kalman滤波器作用下,静态试验下其均值与均方差下降32.62%和66.31%;恒定速率试验下,其均值有明显的降低,其均方差减小了一个数量级.针对经典Kalman滤波器不能解决振动试验中大振幅时滤波发散问题,提出一种新的自适应Kalman滤波法,通过寻找合适的标定因子s解决滤波发散问题.振动试验结果表明,当振幅为100°时,滤波后的均值和均方差分别下降8.25%和8.36%.     

MEMS陀螺漂移误差建模与滤波

MEMS陀螺漂移误差直接影响光电稳定跟踪平台伺服机构的控制精度.针对MEMS陀螺随机漂移误差慢时变、弱非线性、难以准确补偿的特点,基于随机序列时序分析法的基本原理,对预处理后的MEMS陀螺漂移残差信号进行建模,并根据模型对残差信号进行Kalman滤波.结果显示滤波前后信号的方差提高了1到2个数量级,表明有效抑制了漂移误差,提高了MEMS陀螺的精度.     

MEMS陀螺随机误差模型研究

对MEMS陀螺随机误差进行了实验测试及研究,选取状态方程模型,基于近年来发展起来的随机系统子空间辨识方法,对MEMS陀螺随机误差进行建模,结果与Allan方差方法分析的噪声特性相符合,经与ARMA等模型比较,在同等性能下,所建模型具有阶次低的优点,更加适合于实时在线优化估计器.所提方法可以不加修改直接应用于对多轴陀螺的处理.