基于小波阈值去噪和ＦＡＲ模型的ＭＥＭＳ陀螺数据处理方法，首先，为解决ＭＥＭＳ陀螺输出信号中含有大量噪声的问题，采用小波阈值去噪方法对陀螺输出信号进行处理，滤除噪声，提高信噪比；针对陀螺小波去噪后的静态信号，采用多项式拟合的方法进行陀螺确定性漂移的补偿，补偿后的残差即为陀螺的随机漂移，即获得陀螺随机漂移建模所需的样本序列；为实现对ＭＥＭＳ陀螺随机漂移以较高精度进行建模的目的，采用ＦＡＲ模型对随机漂移建模。本发明专利技术解决ＭＥＭＥＳ陀螺输出噪声大的问题，提高了信噪比，且可对陀螺随机漂移进行精确建模，从而提高ＭＥＭＳ陀螺输出精度。
【技术实现步骤摘要】
本专利技术涉及MEMS (Micro Electro Mechanical System，微机电系统)陀螺输 出数据处理领域，具体涉及一种基于小波阈值去噪和FAR (Functional coefficient Autoregressive.函数系数自回归)模型的MEMS陀螺组合数据处理方法。
技术介绍
随着MEMS技术的发展，MEMS陀螺以其尺寸小、重量轻、成本低、功耗小等特点，在 低成本惯性导航系统中获得了越来越广泛的应用。但受制造工艺及技术水平的限制，目前 MEMS陀螺精度相对传统陀螺要低，其误差成为惯性导航系统误差的主要原因。MEMS陀螺误 差一般可分为刻度因子误差、确定性漂移、随机漂移及随机噪声。刻度因子误差和确定性漂 移补偿可通过标定技术来实现。因此噪声和随机漂移的处理成为MEMS陀螺数据处理的重 点oMEMS陀螺输出信号中含有大量的噪声，需首先进行去噪处理。均值滤波是最简单 的信号去噪方法，其算法实现简单，去噪效果较好，但一般只适用于静态或低动态情况；FIR 数字滤波器继承了模拟滤波器的特点，且可用快速傅立叶变换(FFT)算法来实现过滤信 号，大大提高了运算效率。FIR滤波器对信号进行滤波去噪是在频域中完成的，依靠信号和 噪声的不同频谱特征来实现噪声滤除，均适用于静、动态信号去噪。但去噪效果一般，不如 均值滤波好。小波变换是近年来迅速发展起来的信号分析处理工具，其克服了傅里叶变换只能 表示信号的频率特征但不能反映时间域上局部信息的缺陷，而同时具有时间和频率的局部 分析特性和多分辨率分析特性，现已在图像压缩、信号滤波和特征提取等方面获得了广泛 的应用。小波阈值去噪算法以小波变换为基础，根据信号和噪声经过小波分解后对应的小 波系数所具有的不同特性，通过选定合适的阈值准则，对小波系数进行处理，可很好地实现 信噪分离。小波阈值去噪效果大大优于均值滤波及FIR滤波器，且对于静态、动态信号均适 用，因此将其用于MEMS陀螺数据处理，不但可用于陀螺静态及动态信号的去噪，且可以有 效地去除噪声，使信噪比大大提高，为后续的随机漂移建模奠定基础。MEMS陀螺的随机漂移一般表现为较复杂的随机过程，具有不确定性，无法通过标 定来补偿。而由MEMS陀螺和MEMS加速度计构成的微型惯性导航系统一般用于与GPS构成 组合导航系统，利用GPS的长期高精度弥补微型惯性导航系统误差随时间积累的问题；利 用微型惯性导航系统短期高精度弥补GPS信号易受干扰、易失锁的缺点。通过组合滤波器 进行二者的信息融合，获得可靠、精确的定位输出，实现优势互补。因此，在组合导航中可将 MEMS陀螺的随机漂移建模为一定的随机模型，将其作为组合滤波器的状态方程，依靠GPS 提供的观测量，进行随机漂移的估计和补偿；当GPS信号丢失时，可通过所建立的随机模型 进行MEMS陀螺随机漂移的预测和实时补偿，从而减小陀螺输出误差，最终可提高组合导航 系统的定位精度。早期MEMS陀螺随机漂移建模一般采用一阶马尔可夫过程，因其可以较准确地描述许多物理随机过程，并具有相对简单的数学方程。且其建模过程简单、建模时间短。但一 阶马尔可夫过程的参数确定需依靠样本的自相关函数，而一阶马尔可夫过程的自相关函数 与MEMS陀螺随机漂移的自相关函数曲线在形式上存在很大差别，因此将MEMS陀螺随机漂 移建模为一阶马尔可夫过程会存在模型误差问题，建模精度受到限制。为解决一阶马尔可夫过程用于MEMS陀螺随机漂移建模存在的模型误差问题， 2003年加拿大CALGARY的S. Nassar首次将AR(Autoregressive，自回归)模型用于陀螺的 随机漂移建模。实验结果表明与一阶马尔可夫相比，采用AR模型建模可使GPS信号丢失 时的定位精度提高15% 35%。此后，AR模型逐渐被广泛地应用于陀螺随机漂移建模中。 AR模型属于时间序列分析法中的一种线性模型，是利用相邻时间序列之间的依赖性进行分 析和建模的，模型的阶数可变。与一阶马尔可夫过程相比，其可通过改变阶数来更好地反映 时间序列，因此具有更大的建模灵活性和更高的建模精度。但陀螺随机漂移往往存在非线 性和不平稳性，采用线性建模会引入一定的误差，而且AR模型所要求的平稳性一般很难真 正满足。函数系数自回归(FAR)模型是一种基于非参数、非线性的统计模型，其系数是依赖 变量的函数。同AR相比，它在一个更大的模型族中寻找合适的模型，能有效减少因模型选 择不合适而引入的误差。目前，FAR模型已在计算机、电力、金融、生物医学等领域获得成功 应用，但还尚未被用于MEMS陀螺的随机漂移建模中。因此，将小波阈值去噪和FAR模型相结合，构成一种新型的MEMS陀螺组合数据处 理方法，可有效解决MEMES陀螺输出噪声大的问题，提高信噪比，且可对陀螺随机漂移进行 精确建模，从而提高MEMS陀螺输出精度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于小波阈值去噪和FAR模 型的MEMS陀螺数据处理方法，解决MEMES陀螺输出噪声大的问题，提高了信噪比，且可对陀 螺随机漂移进行精确建模，从而提高MEMS陀螺输出精度。本专利技术的目的是通过以下技术方案来实现的基于小波阈值去噪和FAR模型的 MEMS陀螺数据处理方法，实现步骤如下(1)首先，为解决MEMS陀螺输出信号中含有大量噪声的问题，采用小波阈值去噪 方法对陀螺输出信号进行处理，滤除噪声，提高信噪比，所述小波阈值去噪方法的步骤如 下(1. 1)分解过程选定一种小波函数，并利用基于奇异谱分析的自适应算法确定 分解的层次，对陀螺原始输出信号进行N层小波分解；(1. 2)作用阈值过程针对分解得到的各层小波系数，根据一定的准则选择阈值， 模大于阈值的小波系数保留，模小于阈值的小波系数设为零；(1. 3)重建过程根据去噪处理后的各层系数通过小波重构恢复原始信号，得到 去噪后的陀螺输出；(2)针对陀螺小波去噪后的静态信号，采用多项式拟合的方法进行陀螺确定性 漂移的补偿，补偿后的残差即为陀螺的随机漂移，即获得陀螺随机漂移建模所需的样本序 列；(3)为实现对MEMS陀螺随机漂移以较高精度进行建模的目的，采用FAR模型对随机漂移建模，所述建模过程如下(3. 1)以步骤(2)中获得的MEMS陀螺随机漂移数据作为建模样本，将样本数据 进行零均值、归一化处理，并将处理后的陀螺随机漂移序列{Xi，X2，…，XJ的最大值记为 ^！！！严^^，最小值记为^！^伐山设{U.|j =0,1,…N}是等分点集合，其中U。= Ufflin, UN = uMX，依靠等分点可将区间等间隔划分为N+1个区间段[uN-b0, uN), [u0, u0+b0), [uj-bo, i^+b。), [u2-b0, u2+b0), [u^-bo, u^j+bo),其中:b0=(ufflax-ufflin)/2N,N的上限值可参考任一区间段内的样本点数目不低于2p来给定，p为模型阶数；(3.2)在模型阶数p，指定依赖变量的参数d确定的情况下，通过选定窗函数宽度 b后，最小化拟合误差，由加权最小二乘求得各区间上系数函数的局部线性近似系数；(3. 3)模型参数N，p，d和b的选取可通过定义平均均方预测误差APE来实现，依 次让 N=l，…，Nm本文档来自技高网...
【技术保护点】
基于小波阈值去噪和ＦＡＲ模型的ＭＥＭＳ陀螺数据处理方法，其特征在于实现步骤如下：（１）采用小波阈值去噪方法对陀螺输出信号进行处理，滤除噪声，提高信噪比，所述小波阈值去噪方法的步骤如下：（１．１）分解过程：选定一种小波函数，并利用基于奇异谱分析的自适应算法确定分解的层次，对陀螺原始输出信号进行Ｎ层小波分解；（１．２）作用阈值过程：针对分解得到的各层小波系数，根据一定的准则选择阈值，模大于阈值的小波系按软阈值函数处理，模小于阈值的小波系数设为零；（１．３）重建过程：根据去噪处理后的各层系数通过小波重构恢复原始信号，得到去噪后的陀螺输出；（２）针对陀螺小波去噪后的静态信号，采用多项式拟合的方法进行陀螺确定性漂移的补偿，补偿后的残差即为陀螺的随机漂移，即获得陀螺随机漂移建模所需的样本序列；（３）采用ＦＡＲ模型对随机漂移建模，所述建模过程如下：（３．１）以步骤（２）中获得的ＭＥＭＳ陀螺随机漂移数据作为建模样本，将样本数据进行零均值、归一化处理，并将处理后的陀螺随机漂移序列｛Ｘ↓［１］，Ｘ↓［２］，…，Ｘ↓［ｎ］｝的最大值记为：ｕ↓［ｍａｘ］＝＊（Ｘ↓［ｔ］），最小值记为ｕ↓［ｍｉｎ］＝＊（Ｘ↓［ｔ］），设｛ｕ↓［ｊ］｜ｊ＝０，１，…Ｎ｝是等分点集合，其中ｕ↓［０］＝ｕ↓［ｍｉｎ］，ｕ↓［Ｎ］＝ｕ↓［ｍａｘ］，依靠等分点可将区间等间隔划分为Ｎ＋１个区间段：［ｕ↓［Ｎ］－ｂ↓［０］，ｕ↓［Ｎ］），［ｕ↓［０］，ｕ↓［０］＋ｂ↓［０］），［ｕ↓［１］－ｂ↓［０］，ｕ↓［１］＋ｂ↓［０］），［ｕ↓［２］－ｂ↓［０］，ｕ↓［２］＋ｂ↓［０］），…，［ｕ↓［Ｎ－１］－ｂ↓［０］，ｕ↓［Ｎ－１］＋ｂ↓［０］），其中：ｂ↓［０］＝（ｕ↓［ｍａｘ］－ｕ↓［ｍｉｎ］）／２Ｎ，Ｎ的上限值可参考任一区间段内的样本点数目不低于２ｐ来给定，ｐ为模型阶数；（３．２）在模型阶数ｐ，指定依赖变量的参数ｄ确定的情况下，通过选定窗函数宽度ｂ后，最小化拟合误差，由加权最小二乘求得各区间上系数函数的局部线性近似系数；（３．３）模型参数Ｎ，ｐ，ｄ和ｂ的选取可通过定义平均均方预测误差ＡＰＥ来实现，依次让Ｎ＝１，…，Ｎ↓［ｍａｘ］；ｐ＝１，…，ｐ↓［ｍａｘ］；ｄ＝１，…，ｐ；ｂ＝ｂ↓［０］，…，１，其中Ｎ↓［ｍａｘ］为区间划分Ｎ的最大值，ｐ↓［ｍａｘ］为阶数ｐ的最大值，ｂ↓［０］＝（ｕ↓［Ｎ］－ｕ↓［０］）／２Ｎ。分别计算ＡＰＥ，令ＡＰＥ值最小的Ｎ，ｐ，ｄ，ｂ作为模型...
【技术特征摘要】
基于小波阈值去噪和FAR模型的MEMS陀螺数据处理方法，其特征在于实现步骤如下(1)采用小波阈值去噪方法对陀螺输出信号进行处理，滤除噪声，提高信噪比，所述小波阈值去噪方法的步骤如下(1.1)分解过程选定一种小波函数，并利用基于奇异谱分析的自适应算法确定分解的层次，对陀螺原始输出信号进行N层小波分解；(1.2)作用阈值过程针对分解得到的各层小波系数，根据一定的准则选择阈值，模大于阈值的小波系按软阈值函数处理，模小于阈值的小波系数设为零；(1.3)重建过程根据去噪处理后的各层系数通过小波重构恢复原始信号，得到去噪后的陀螺输出；(2)针对陀螺小波去噪后的静态信号，采用多项式拟合的方法进行陀螺确定性漂移的补偿，补偿后的残差即为陀螺的随机漂移，即获得陀螺随机漂移建模所需的样本序列；(3)采用FAR模型对随机漂移建模，所述建模过程如下(3.1)以步骤(2)中获得的MEMS陀螺随机漂移数据作为建模样本，将样本数据进行零均值、归一化处理，并将处理后的陀螺随机漂移序列{X1，X2，…，Xn}的最大值记为 <mrow><msub> <mi>u</mi> <mi>max</mi></msub><mo>=</mo><munder> <mi>max</mi> <mi>t</mi></munder><mrow> <mo>(</mo> <msub><mi>X</mi><mi>t</mi> </msub> <mo>)</mo></mrow><mo>,</mo> </mrow>最小值记为 <mrow><msub> <mi>u</mi> <mi>min</mi></msub><mo>=</mo><munder> <mi>min</mi> <mi>t</mi></munder><mrow> <mo>(</mo> <msub><mi>X</mi><mi>t</mi> </msub> <mo>)</mo></mrow><mo>,</mo> </mrow>设{uj|j＝0，1，…N}是等分点集合，其中u0＝umin，uN＝umax，依靠等分点可将区间等间隔划分为N+1个区间段[uN-b0，uN)，[u0，u0+b0)，[u1-b0，u1+b0)，[u2-b0，u2+b0)，…，[uN-1-b0，uN-1+b0)，其中b0＝(um...
【专利技术属性】
技术研发人员：丛丽，秦红磊，邢菊红，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。