[發(fā)明專利]基于小波閾值去噪和FAR模型的MEMS陀螺數(shù)據(jù)處理方法

無效

• 申請?zhí)枺?/td>: 200910241238.2
• 申請日: 2009-11-27
• 公開（公告）號: CN101876546A
• 公開（公告）日: 2010-11-03
• 發(fā)明（設(shè)計）人: 叢麗;秦紅磊;邢菊紅
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G01C19/00
• 分類號: G01C19/00;G06F17/14
• 代理公司: 北京科迪生專利代理有限責(zé)任公司 11251
• 代理人: 成金玉;盧紀(jì)

技術(shù)領(lǐng)域

本發(fā)明涉及MEMS(Micro?Electro?Mechanical?System，微機電系統(tǒng))陀螺輸出數(shù)據(jù)處理領(lǐng)域，具體涉及一種基于小波閾值去噪和FAR(Functional?coefficient?Autoregressive.函數(shù)系數(shù)自回歸)模型的MEMS陀螺組合數(shù)據(jù)處理方法。

背景技術(shù)

隨著MEMS技術(shù)的發(fā)展，MEMS陀螺以其尺寸小、重量輕、成本低、功耗小等特點，在低成本慣性導(dǎo)航系統(tǒng)中獲得了越來越廣泛的應(yīng)用。但受制造工藝及技術(shù)水平的限制，目前MEMS陀螺精度相對傳統(tǒng)陀螺要低，其誤差成為慣性導(dǎo)航系統(tǒng)誤差的主要原因。MEMS陀螺誤差一般可分為刻度因子誤差、確定性漂移、隨機漂移及隨機噪聲。刻度因子誤差和確定性漂移補償可通過標(biāo)定技術(shù)來實現(xiàn)。因此噪聲和隨機漂移的處理成為MEMS陀螺數(shù)據(jù)處理的重點。

MEMS陀螺輸出信號中含有大量的噪聲，需首先進行去噪處理。均值濾波是最簡單的信號去噪方法，其算法實現(xiàn)簡單，去噪效果較好，但一般只適用于靜態(tài)或低動態(tài)情況；FIR數(shù)字濾波器繼承了模擬濾波器的特點，且可用快速傅立葉變換(FFT)算法來實現(xiàn)過濾信號，大大提高了運算效率。FIR濾波器對信號進行濾波去噪是在頻域中完成的，依靠信號和噪聲的不同頻譜特征來實現(xiàn)噪聲濾除，均適用于靜、動態(tài)信號去噪。但去噪效果一般，不如均值濾波好。

小波變換是近年來迅速發(fā)展起來的信號分析處理工具，其克服了傅里葉變換只能表示信號的頻率特征但不能反映時間域上局部信息的缺陷，而同時具有時間和頻率的局部分析特性和多分辨率分析特性，現(xiàn)已在圖像壓縮、信號濾波和特征提取等方面獲得了廣泛的應(yīng)用。小波閾值去噪算法以小波變換為基礎(chǔ)，根據(jù)信號和噪聲經(jīng)過小波分解后對應(yīng)的小波系數(shù)所具有的不同特性，通過選定合適的閾值準(zhǔn)則，對小波系數(shù)進行處理，可很好地實現(xiàn)信噪分離。小波閾值去噪效果大大優(yōu)于均值濾波及FIR濾波器，且對于靜態(tài)、動態(tài)信號均適用，因此將其用于MEMS陀螺數(shù)據(jù)處理，不但可用于陀螺靜態(tài)及動態(tài)信號的去噪，且可以有效地去除噪聲，使信噪比大大提高，為后續(xù)的隨機漂移建模奠定基礎(chǔ)。

MEMS陀螺的隨機漂移一般表現(xiàn)為較復(fù)雜的隨機過程，具有不確定性，無法通過標(biāo)定來補償。而由MEMS陀螺和MEMS加速度計構(gòu)成的微型慣性導(dǎo)航系統(tǒng)一般用于與GPS構(gòu)成組合導(dǎo)航系統(tǒng)，利用GPS的長期高精度彌補微型慣性導(dǎo)航系統(tǒng)誤差隨時間積累的問題；利用微型慣性導(dǎo)航系統(tǒng)短期高精度彌補GPS信號易受干擾、易失鎖的缺點。通過組合濾波器進行二者的信息融合，獲得可靠、精確的定位輸出，實現(xiàn)優(yōu)勢互補。因此，在組合導(dǎo)航中可將MEMS陀螺的隨機漂移建模為一定的隨機模型，將其作為組合濾波器的狀態(tài)方程，依靠GPS提供的觀測量，進行隨機漂移的估計和補償；當(dāng)GPS信號丟失時，可通過所建立的隨機模型進行MEMS陀螺隨機漂移的預(yù)測和實時補償，從而減小陀螺輸出誤差，最終可提高組合導(dǎo)航系統(tǒng)的定位精度。

早期MEMS陀螺隨機漂移建模一般采用一階馬爾可夫過程，因其可以較準(zhǔn)確地描述許多物理隨機過程，并具有相對簡單的數(shù)學(xué)方程。且其建模過程簡單、建模時間短。但一階馬爾可夫過程的參數(shù)確定需依靠樣本的自相關(guān)函數(shù)，而一階馬爾可夫過程的自相關(guān)函數(shù)與MEMS陀螺隨機漂移的自相關(guān)函數(shù)曲線在形式上存在很大差別，因此將MEMS陀螺隨機漂移建模為一階馬爾可夫過程會存在模型誤差問題，建模精度受到限制。

為解決一階馬爾可夫過程用于MEMS陀螺隨機漂移建模存在的模型誤差問題，2003年加拿大CALGARY的S.Nassar首次將AR(Autoregressive，自回歸)模型用于陀螺的隨機漂移建模。實驗結(jié)果表明：與一階馬爾可夫相比，采用AR模型建模可使GPS信號丟失時的定位精度提高15％~35％。此后，AR模型逐漸被廣泛地應(yīng)用于陀螺隨機漂移建模中。AR模型屬于時間序列分析法中的一種線性模型，是利用相鄰時間序列之間的依賴性進行分析和建模的，模型的階數(shù)可變。與一階馬爾可夫過程相比，其可通過改變階數(shù)來更好地反映時間序列，因此具有更大的建模靈活性和更高的建模精度。但陀螺隨機漂移往往存在非線性和不平穩(wěn)性，采用線性建模會引入一定的誤差，而且AR模型所要求的平穩(wěn)性一般很難真正滿足。函數(shù)系數(shù)自回歸(FAR)模型是一種基于非參數(shù)、非線性的統(tǒng)計模型，其系數(shù)是依賴變量的函數(shù)。同AR相比，它在一個更大的模型族中尋找合適的模型，能有效減少因模型選擇不合適而引入的誤差。目前，F(xiàn)AR模型已在計算機、電力、金融、生物醫(yī)學(xué)等領(lǐng)域獲得成功應(yīng)用，但還尚未被用于MEMS陀螺的隨機漂移建模中。