一种新的基于SCM-ANFIS的加速度计温度建模与补偿方法

针对石英挠性加速度计因外界温度变化导致输出发生复杂漂移,而传统温度建模由于分别对零偏与标度因数建模补偿而造成重复误差的情况,提出了一种新的基于减法聚类(SCM)与自适应神经模糊推理系统(ANFIS)的温度建模与补偿方法。首先,分析了石英挠性加速度计温度漂移机理,设计了多位置全温域实验,建立了一个整体温度补偿模型。其次,将多位 置全温域实验数据作为训练数据,建立了基于改进SCM与 AFNIS的组合温度漂移模型。最后利用实验数据进行模型适用性验证与加速度计温度漂移补偿。结果表明:该方法建模相比于单一方法建模准确度高,精度能提高1到2个数量级,经过该模型补偿后,加速度计温度漂移在全温域范围内能够保持在1μgn量级。     

一种高斯-重尾切换分布鲁棒卡尔曼滤波器

为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter, GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选...