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。     

基于粒子滤波的陀螺漂移TVAR模型参数跟踪

在分析陀螺漂移信号的TVAR时变自回归模型及其模型参数的随机演化模型的基础上,基于粒子滤波器对TVAR模型参数做序列估计,提出粒子滤波的陀螺信号漂移估计算法.实验结果表明,算法可以很好地跟踪非平稳信号,采用该方法预测带嗓的陀螺漂移信号精度有明显提高.     

小波阈值去噪和FAR建模结合的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,提出了一种小波阈值去噪和函数系数自回归FAR建模结合的MEMS陀螺数据处理方法。采用小波阈值去噪法对MEMS陀螺输出信号去噪,提高其信噪比;为克服常用的自回归AR模型无法解决MEMS陀螺随机漂移存在的非线性问题,引入FAR模型对MEMS陀螺的随机漂移进行建模。实验结果表明,此数据处理方法可有效抑制MEMS陀螺输出噪声,且与AR模型相比,FAR模型能更精确地对MEMS陀螺随机漂移进行建模及预测。     

卡尔曼滤波在陀螺仪随机漂移中的应用

本文针对MIMU中微机械陀螺的静态随机漂移,采用时间序列分析的方法建立了其随机漂移误差的AR模型,并在此基础上,探讨了利用Kalman滤波降低该随机噪声的具体方法.对实测数据的仿真结果表明,本文所介绍的滤波方法是正确、有效的。     

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.     

基子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.     

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.     

基于多分辨率分析的硅微陀螺随机漂移时间序列建模

针对硅微陀螺的随机漂移误差,根据多尺度分析理论,提出了随机漂移趋势项提取算法,并应用于时间序列分析,采用波克斯-詹金斯法建立了ARMA模型。进一步采用长自回归-白噪化建模方法对模型进行了辨识和适用性检验。最后,构造Kalman滤波器对ARMA模型进行了滤波,滤波后方差减小了一个数量级,硅微陀螺原始漂移的零偏稳定性为34.428°/h,Kalman滤波后零偏稳定性为2.34°/h,有效地提高了陀螺的使用精度。     

硅微陀螺漂移数据滤波方法研究

针对硅微陀螺测量信号特点,建立其测量信号-阶差分后的AR(2)信号模型,得到了硅微陀螺测量系统的状态方程和输出方程,根据该模型,采用鲁棒性很强的H_∞滤波方法,可以将静态漂移测量信号的标准差提高了一个数量级,动态信号的信噪比提高了6 dB,大大提高了硅微陀螺的测量精度.H_∞滤波效果和实时性比小波变换要好.     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

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.     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

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。     

基于四元数和卡尔曼滤波的两轮车姿态稳定方法

针对自平衡两轮车姿态角的在线估计问题,采用四元数的姿态解算算法,利用Levenberg-Marquardt非线性最小二乘法对自平衡两轮车陀螺仪信号拟合,建立了随机漂移误差数学模型,应用卡尔曼滤波融合陀螺仪和加速度计输出的信号,补偿了陀螺仪输出角速度的随机漂移误差,得到了自平衡两轮车姿态的最优估计。实验结果表明,这种姿态估计算法是有效的,有利于车体的自平衡控制。     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

基于IMM-UKF的组合导航算法

为解决非线性动态系统滤波的非线性和噪声不确定等问题,设计了一种基于交互多模型(IMM)的Unscented卡尔曼滤波器(UKF),针对噪声变化情况建立一组非线性模型,与每个模型对应的UKF可以达到二阶以上的滤波精度.IMM-UKF滤波器的输出为各滤波器的概率加权融合,因此,根据噪声变化而调整的模型概率使系统输出对噪声变化具有自适应能力.利用该算法对组合导航系统进行了仿真试验,该算法精度高,模型切换速度快,能适用于动态系统.     

基于星敏感器/光纤陀螺的卫星定姿算法

为了达到卫星三轴姿态确定的精度要求,以某一对地定向的小卫星为研究对象,提出了基于滤波算法的星敏感器和光纤陀螺组合定姿的方案。采用四元数的方法建立卫星姿态确定模型,并采用扩展卡尔曼滤波,对得到的卫星姿态误差和陀螺漂移误差信息进行信息融合和相应的修正。仿真结果表明,即使采用中等精度的陀螺组件,也可以实现高精度定姿;并且验证了星敏感器的测量噪声和滤波周期等因素对定姿精度的影响。     

Interacting multiple model estimation-based adaptive robust unscented Kalman filter

The unscented Kalman filter (UKF) is a promising approach for the state estimation of nonlinear dynamic systems due to its simple calculation process and superior performance in highly nonlinear systems. However, its solution will be degraded or even divergent when the system model involves uncertainty. This paper presents an interacting multiple model (IMM) estimation-based adaptive robust UKF to address this problem. This method combines the merits of the adaptive fading UKF and robust UKF and discards their demerits to inhibit the disturbance of system model uncertainty on the filtering solution. An adaptive fading UKF for the case of process model uncertainty and a robust UKF for the case of measurement model uncertainty are established based on the principle of innovation orthogonality. Subsequently, an IMM estimation is developed to fuse the adaptive fading UKF and robust UKF as sub-filters according to the mode probability. The system state estimation is achieved as a probabilistic weighted sum of the estimation results from the two sub-filters. Simulations, experiments and comparison analysis validate the efficacy of the proposed method.