基于小波去噪和AR建模的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种基于小波去噪和AR建模的MEMS陀螺组合数据处理方法.采用小波去噪法对MEMS陀螺输出信号去噪,自适应确定小波分解层数,提高了其信噪比.采用AR(autoregressive,自回归)模型对MEMS陀螺的随机漂移进行建模,利用平均均方预测误差确定模型的最佳阶数,并与传统的一阶马尔可夫模型进行了比较.实验结果表明,该组合数据处理方法可有效抑制MEMS陀螺输出噪声,且能更精确地对MEMS陀螺随机漂移进行建模及预测.     

阈值去噪与RBF神经网络在MEMS陀螺仪误差补偿中的应用

针对现有MEMS陀螺仪中随机误差较大,导致器件输出信噪比低进而影响其应用范围的现状,提出一种基于小波阈值去噪与梯度径向基( RBF)神经网络结合的MEMS陀螺漂移非平稳时间序列建模预测方法。首先采用Allan方差法分析了MEMS陀螺仪的主要随机误差,随后利用小波阈值去噪分离出MEMS陀螺误差模型中的白噪声及漂移误差,最后采用RBF神经网络对漂移数据进行建模。通过实验对文中所述的误差补偿方法进行验证,表明了方法的有效性,对于基于MEMS陀螺仪的惯导系统精度提高具有重要意义。     

基于低成本MEMS陀螺的小波阈值去噪应用研究

通过有效抑制微机电系统(MEMS)陀螺的随机漂移误差,实现了提高低成本MEMS陀螺的测量精度.研究了小波阈值去噪算法的基本原理,分析了影响小波阈值去噪质量的主要因素;确定了小波函数类型、小波分解的层数、去噪阈值以及去噪阈值函数;利用小波阈值去噪算法对实际陀螺信号进行了去噪处理,结果表明:陀螺随机漂移得到了明显的抑制,取得了良好的去噪效果.     

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解（EMD）方法易产生模态混叠问题,而集成经验模态分解（EEMD）方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解（CEEMD）阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这也充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。     

微机电陀螺随机漂移建模与卡尔曼滤波

微机电系统(MEMS)陀螺精度较低,严重影响制导火箭弹惯导系统的精度.为了减小MEMS陀螺的随机漂移,提高其精度使其满足简易制导火箭弹的精度要求,需要对陀螺信号进行滤波,MEMS陀螺随机漂移建模与补偿是其中的难点.针对上述问题,提出采用自回归移动平均(ARMA)分析的方法建立MEMS陀螺随机漂移模型,然后基于此模型对随机漂移信号进行卡尔曼(Kalman)滤波.对某MEMS陀螺在静止条件下的观测信号的滤波效果表明,ARMA模型拟合度高,能准确描述MEMS陀螺随机漂移特性;Kalman滤波方法能有效减小随机漂移误差,提高MEMS陀螺的精度,对提高简易制导火箭弹的精度具有一定的参考价值.     

微惯性传感器零点漂移融合滤波算法研究

为提高微惯性传感器的测量精度,提出了基于指数平滑的GM（1,1）改进模型,通过该模型对漂移中的确定性漂移信号进行提取,运用AR（3）模型对提取趋势项后的随机漂移进行了建模分析,并在AR（3）模型基础上进行了Kalman滤波处理,经Allan方差分析表明：经模型补偿后的漂移噪声降低了1-3个数量级,有效减小了零漂信号中的角度随机游走、角速度随机游走、速率斜坡、零偏不稳定性和量化噪声,提高MEMS陀螺零漂输出的稳定性。     

改进小波阈值法与极限学习机在MEMS陀螺误差补偿中的应用

MEMS陀螺随机误差是影响其精度的主要因素之一。针对MEMS陀螺随机误差的问题,提出一种基于改进的阈值函数的小波去噪结合极限学习机算法建模的补偿方法。通过改进小波阈值法提高去噪效果,然后由极限学习机构建MEMS陀螺误差补偿模型。通过实例研究,结果显示该方法能良好地补偿随机误差,与其他方法比较,具有更好的效果。     

船用光纤陀螺小波实时滤波算法的设计与实现

针对光纤陀螺随机漂移噪声大的问题,以船用捷联式惯导系统应用需求为研究对象,对船用光纤陀螺的输出信号特征进行了深入分析。针对陀螺信号需实时处理的要求,设计了基于阈值法的实时小波滤波算法。结合陀螺信号特征分析结果,完成了实时滤波算法的小波基、分解尺度、阈值以及阈值函数设计。实时性验证实验与实测信号的实时滤波实验结果表明:该算法在满足陀螺信号实时性的条件下,能完成陀螺随机漂移噪声的有效滤波。     

基于Kalman滤波和神经网络的MEMS陀螺温度漂移补偿

MEMS陀螺温度漂移严重影响系统的测量精度。传统的BP神经网络建模补偿容易使权值和阈值陷入局部极小值,导致网络训练失败。陀螺输出信号中的高频噪声也会影响模型精度。针对上述问题,该文提出一种Kalman滤波结合粒子群算法(PSO)优化BP神经网络的MEMS陀螺温度漂移补偿方法。首先对陀螺进行了温度漂移测试实验,然后采用Kalman滤波对实验数据进行降噪,最后建立陀螺温度漂移模型,从而实现温度漂移的补偿。实验结果表明,采用该方法补偿后MEMS陀螺在不同温度下的输出方差降低了65.09%,与传统的BP神经网络相比补偿精度明显提高。     

光纤陀螺信号的数字处理方法

光纤陀螺（FOG）有着广泛地应用,如何有效地提高精度具有重要意义。根据FOG信号漂移的数学模型,分别采用了经典傅立叶分析的FIR低通滤波器和小波变换的阈值去噪对某型FOG的输出信号进行了消噪处理。实验证明了小波阈值在消除陀螺漂移和基座动态干扰应用中的优越性。     

基于自适应卡尔曼滤波器的MEMS陀螺零点漂移的研究

随机噪声是影响MEMS陀螺精度的一个重要因素。本文基于时间序列分析方法建立MEMS陀螺的随机漂移AR模型后,使用自适应卡尔曼滤波器对信号进行滤波。通过比较陀螺原始信号和自适应卡尔曼滤波后的信号,可以得出结论：自适应卡尔曼滤波器在处理MEMS陀螺零点漂移中具有良好的滤波效果。     

基于支持向量机的MEMS陀螺仪随机漂移补偿

针对传统方法的不足,将支持向量机应用于MEMS陀螺仪随机漂移的补偿。建立了支持向量机预测模型,通过相空间重构技术,将标量的随机漂移时间序列嵌入到一个辅助的相空间中进行模型的训练和测试,并使用最优化算法得到了核函数和预测模型的各项参数。训练和预测结果均表明,该方法具有很好的预测效果,是一种有效的MEMS陀螺仪随机漂移补偿方法。     

基于改进PSO优化LSSVM的MEMS陀螺随机漂移预测

提出一种基于改进粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）的MEMS陀螺随机漂移的预测模型建立方法。该方法首先应用最小二乘支持向量机对MEMS陀螺随机漂移建立预测模型,然后应用改进粒子群算法对该模型进行优化,最后应用参数优化后的LSSVM预测模型对随机漂移进行预测。该方法不仅解决了支持向量机训练速度慢和所需计算资源多的问题,而且文中提出的改进的惯性权值递减策略使PSO算法在全局或局部搜索能力上的侧重具有更好的适应度。实验结果表明,该预测模型可以有效地进行陀螺随机漂移的预测,且预测效果优于基本PSO优化的最小二乘支持向量机。     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

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.     

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.     

基于相关向量机的MEMS陀螺仪随机漂移补偿

提出了一种基于相关向量机的MEMS陀螺仪随机漂移预测方法。针对MEMS陀螺仪随机漂移误差的非线性、不确定性等特点,建立了相关向量机预测模型,并采用EM算法获得模型的参数。针对随机漂移的混沌特性,利用相空间重构技术,将重构后的漂移序列作为输入变量进行模型的训练和预测。训练和测试结果均表明,该方法具有很好的预测效果,优于常用的时间序列分析法和支持向量机法。利用预测结果对随机漂移进行补偿,有效地提高了陀螺的使用精度。