共查询到15条相似文献,搜索用时 62 毫秒
1.
2.
3.
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. 相似文献
4.
5.
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。 相似文献
6.
卡尔曼滤波在激光陀螺信号处理中的应用 总被引:1,自引:0,他引:1
各种随机噪声是激光陀螺误差的主要来源;设计了基于激光陀螺漂移数据时间序列模型的卡尔曼滤波器,对激光陀螺漂移数据进行了滤波,并采用Allan方差法分析了滤波结果;结果表明,基于时间序列模型的卡尔曼滤波器有效地减小了随机误差。 相似文献
7.
8.
9.
10.
11.
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%. 相似文献
12.
微机电陀螺随机漂移建模与卡尔曼滤波 总被引:1,自引:0,他引:1
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. 相似文献
13.
低成本MEMS陀螺实时滤波方法 总被引:1,自引:0,他引:1
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。 相似文献
14.
在自适应滑动平均技术基础上针对光纤陀螺的动静态输出设计了混合Kalman滤波算法,首先用窗口分割原始数据,接着用自适应滑动平均法检测窗口内的间断点;没有间断点的窗口内部,使用修正值为M1的Kalman滤波进行信号降噪;窗口内部具有间断点的使用修正值为M2的Kalman滤波进行信号降噪.使用DWT算法、普通Kalman滤波法、混合Kalman滤波对陀螺的动态和静态输出信号进行降噪,仿真结果表明只有混合Kalman滤波同时适用于陀螺的动静态输出. 相似文献