多准则MEMS陀螺随机误差在线建模与实时滤波

针对随机误差相关性较弱的MEMS陀螺仪,提出采用多准则曲线方法辨识其带有截距项的随机误差时间序列模型.采用该模型可直接对MEMS陀螺仪的实测量数据进行在线建模,而无需零均值化离线处理.基于该模型并采用状态扩增的方法设计卡尔曼滤波器,实现了MEMS陀螺仪随机误差的实时滤波.实验结果表明,针对某MEMS陀螺仪带有截距项的AR(2)模型可以作为其随机误差模型,经过在线建模和实时滤波后,MEMS陀螺仪随机误差的标准差降低了50%,有效抑制了MEMS陀螺仪的随机误差.     

多项式拟合在MEMS陀螺仪零点随机漂移抑制中的应用研究

MEMS(Micro-Electro-Mechanical Systems)传感器精度相对较低限制了其应用范围,从实际工程应用出发,针对MEMS陀螺仪零点随机漂移误差探讨了有效的补偿方法.推导了不同阶数拟合曲线的回归方程,根据实测MEMS陀螺零点数据对不同阶数拟合曲线的补偿效果进行对比,选取最优方案并通过跑车试验进行验证,证明该方法能够有效抑制陀螺仪零点漂移误差,提高微惯性导航系统的导航精度.     

光纤陀螺随机噪声的实时滤波技术

针对ARMA(Auto-regressive and moving average)模型只能对零均值序列建模的不足,建立了一种适用于中低精度光纤陀螺(Fiber optic gyroscope,FOG)的非零均值信号建模的ARIMA模型,并利用卡尔曼滤波器抑制FOG的随机噪声.Allan方差分析和实际应用结果表明,FOG实测信号通过ARIMA模型的卡尔曼滤波器,各种噪声都得到了有效的抑制.将基于ARIMA模型的卡尔曼滤波误差校正方法应用于转动环境下的FOG输出信号处理,同样得到良好的效果.本文提出的方案扩展了ARIMA滤波算法的应用范围,具有较高的工程应用价值.     

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。     

虚拟陀螺技术研究

提出了一种基于阵列数据融合的虚拟陀螺技术来提高微机械陀螺的精度.其将多个同类型的陀螺组合形成阵列.采用Allan方差方法提取微机械陀螺的速率随机游走、角度随机游走等噪声,并利用阵列陀螺间同类噪声的相关性建立卡尔曼滤波器的系统噪声方差阵及量测噪声方差阵,设计实现了静态和动态两种最优滤波器对陀螺的输出进行最优估计.实验结果显示:三个偏置稳定性为35 deg/hr的微陀螺经静态、动态滤波后,所形成的虚拟陀螺偏置稳定性分别降至0.15 deg/hr和20deg/hr,表明该虚拟陀螺技术可有效提高微机械陀螺的精度.     

联合滤波算法在MEMS陀螺降噪中的应用

针对微机电系统(MEMS)陀螺仪输出噪声大、精度低的问题,提出将卡尔曼(Kalman)阵列与实时小波阈值联合滤波方法用于MEMS陀螺降噪中.首先,利用Kalman阵列进行预处理,然后利用实时小波阈值算法对信号进行后处理,以达到对陀螺随机噪声抑制的目的.将此算法应用在MEMS陀螺的动静态实验中,实验结果表明:在静态实验中...     

单脉冲雷达测量误差修正方法研究

针对单脉冲雷达上存在的测量误差进行了详细的研究和分析,通过与单脉冲测量雷达数据的误差模型进行比较,并给出了比较的图形,判断出系统产生误差的原因,通过采取四象限比较法总结出了系统误差出现的规律,并由此推导出系统误差模型,从而实现了对系统误差进行有效的修正;同时运用自适应卡尔曼滤波的方法抑制了随机噪声,从而提高了雷达测量数据的处理精度,这一方法在实际应用中证明是行之有效的,并且取得了良好的效果。     

MEMS陀螺仪静态漂移模型与滤波方法研究

针对移动机器人上安装的MEMS陀螺仪进行研究,根据MEMS陀螺仪的实测数据,分析了其噪声特性,采用时间序列分析方法建立MEMS陀螺仪漂移的AR模型,进而通过Kalman滤波降低随机噪声对MEMS陀螺仪精度的影响。仿真结果表明:静态漂移的建模和滤波方法对提高MEMS陀螺仪精度是有效的。     

基于MEMS陀螺仪的轨迹球研究

为解决精密球体在研磨过程中的研磨轨迹无法测量等问题,将MEMS陀螺仪测量角速度技术应用到球体研磨轨迹的测量中,研究并实现了一种基于MEMS三轴陀螺仪和STM32微控制器的轨迹测量系统。介绍了ITG3200三轴陀螺仪的特点、原理以及轨迹测量系统方案设计;分析了温度影响陀螺仪零偏的机理,基于最小二乘法原理,建立了零偏补偿模型,有效地提高零偏稳定性,满足了工程需要。进行轨迹测量系统的双自转研磨实验,结果表明:双自转研磨方式研磨均匀性较好。     

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。     

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.     

一种MEMS加速度计误差分析与校准方法

MEMS传感器测量中一般存在确定性偏差和随机噪声两类误差,为提高其测量精度和稳定性,以MEMS加速度计为例,在建立其测量误差模型的基础上,提出一个综合的校准方案,同时对这两类误差进行补偿。其中使用Allan方差对随机噪声项进行量化分析,并综合采用了最小二乘法计算确定性校准系数,扩展卡尔曼滤波降低随机噪声等方法。通过实验验证,表明该方案可以有效校准加速度计测量的确定性偏差并降低随机噪声干扰,最终经过误差补偿后的测量数据在精度和稳定性方面都有明显提升。     

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。      

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.     

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。     

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%.