基于时间序列分析的Kalman滤波方法在MEMS陀螺仪随机漂移误差补偿中的应用研究

从工程实用的角度出发,探讨了MEMS陀螺仪随机漂移误差的有效补偿方法.首先采用时间序列分析的方法建立了MEMS陀螺仪的随机漂移误差模型,然后阐述了用基于时间序列模型的Kalman滤波方法减小该漂移误差的具体方法.对某MEMS陀螺仪实测数据的误差补偿结果表明,所介绍的滤波方法能够有效地抑制其漂移误差,提高MEMS陀螺仪在实际系统中使用精度.     

海洋传感器的内嵌陀螺仪偏航角校正方法

海洋传感器通常工作在复杂的磁场环境下,其姿态检测系统一般使用陀螺仪确定偏航角输出。针对短时部署的海洋传感器,分析了MEMS陀螺仪的偏航角漂移误差模型,并在对陀螺仪原始数据补偿的基础上,给出了随机漂移的拟合估值与补偿方法,以提高陀螺仪偏航角输出在一定时间内的精度。使用高精度平台进行实验,结果验证了该补偿校正方法的有效性。     

阈值去噪与RBF神经网络在MEMS陀螺仪误差补偿中的应用

针对现有MEMS陀螺仪中随机误差较大,导致器件输出信噪比低进而影响其应用范围的现状,提出一种基于小波阈值去噪与梯度径向基( RBF)神经网络结合的MEMS陀螺漂移非平稳时间序列建模预测方法。首先采用Allan方差法分析了MEMS陀螺仪的主要随机误差,随后利用小波阈值去噪分离出MEMS陀螺误差模型中的白噪声及漂移误差,最后采用RBF神经网络对漂移数据进行建模。通过实验对文中所述的误差补偿方法进行验证,表明了方法的有效性,对于基于MEMS陀螺仪的惯导系统精度提高具有重要意义。     

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。     

基于重力四元数的陀螺漂移估计与补偿

为提高钻探中的钻具姿态测量精度,提出一种基于重力四元数的MEMS惯性随钻姿态测量方法.采用MEMS惯性器件构建钻具姿态测量系统,把加速度计数据解算的姿态四元数作为观测四元数,陀螺仪数据解算的姿态四元数作为误差四元数;然后将陀螺仪漂移融入误差四元数,建立重力四元数估计陀螺仪误差四元数的模型,采用最小二乘法估计陀螺仪三轴漂移,进而补偿陀螺仪姿态四元数;通过补偿后的姿态四元数解算出钻具姿态.最后设计了转台、振动台实验和钻进模拟实验,实验结果表明,姿态四元数补偿后的井斜角和工具面角漂移由平均10 °/h减小到约0.2 °/h,方位角误差由平均12 °/h减小到约0.46 °/h,实现了加速度计补偿陀螺的三轴漂移,表明该方法能够有效提高钻具的姿态测量精度.     

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Kalman滤波算法的陀螺仪动态漂移补偿研究

应用MEMS陀螺仪测量人体手臂运动姿态时,针对陀螺仪受线加速度干扰导致测量姿态发散的问题,提出基于Kalman滤波算法的姿态误差补偿方法;该方法首先将陀螺仪采集到的角速度通过方向余弦算法解算得到姿态角,并将陀螺仪动态漂移造成的姿态角误差视为时变信号,通过建立姿态角漂移误差的状态方程及观测方程,应用卡尔曼滤波算法,实现对姿态角漂移误差的估计,最终达到对陀螺仪动态漂移误差的补偿;实验与仿真结果表明,应用该算法能够有效的抑制线加速度干扰导致的陀螺仪测量的姿态发散,适用于陀螺仪对人体手臂运动姿态的测量。     

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。     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

一种MEMS陀螺仪的标定方法研究

微机电系统(MEMS)陀螺仪的测量误差是影响微惯性导航系统精度的重要因素.为了提高微惯性导航系统的精度,提出了一种利用三轴转台完成MEMS陀螺仪的标定方法.根据MEMS陀螺仪的误差模型,设计了标定试验方案和误差模型参数的辨识方法,并通过小波阈值去噪的方法对陀螺的输出数据进行去噪处理.试验与仿真对比分析结果表明:经误差补偿和去噪后MEMS陀螺仪的测量精度提高1～2个数量级,同时验证了该标定方法的正确性、有效性.     

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.     

基于Kalman滤波和神经网络的MEMS陀螺温度漂移补偿

MEMS陀螺温度漂移严重影响系统的测量精度。传统的BP神经网络建模补偿容易使权值和阈值陷入局部极小值,导致网络训练失败。陀螺输出信号中的高频噪声也会影响模型精度。针对上述问题,该文提出一种Kalman滤波结合粒子群算法(PSO)优化BP神经网络的MEMS陀螺温度漂移补偿方法。首先对陀螺进行了温度漂移测试实验,然后采用Kalman滤波对实验数据进行降噪,最后建立陀螺温度漂移模型,从而实现温度漂移的补偿。实验结果表明,采用该方法补偿后MEMS陀螺在不同温度下的输出方差降低了65.09%,与传统的BP神经网络相比补偿精度明显提高。     

基于相关向量机的MEMS陀螺仪随机漂移补偿

提出了一种基于相关向量机的MEMS陀螺仪随机漂移预测方法。针对MEMS陀螺仪随机漂移误差的非线性、不确定性等特点,建立了相关向量机预测模型,并采用EM算法获得模型的参数。针对随机漂移的混沌特性,利用相空间重构技术,将重构后的漂移序列作为输入变量进行模型的训练和预测。训练和测试结果均表明,该方法具有很好的预测效果,优于常用的时间序列分析法和支持向量机法。利用预测结果对随机漂移进行补偿,有效地提高了陀螺的使用精度。     

小波阈值去噪和FAR建模结合的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种小波阈值去噪和函数系数自回归FAR建模结合的MEMS陀螺数据处理方法。采用小波阈值去噪法对MEMS陀螺输出信号去噪,提高其信噪比;为克服常用的自回归AR模型无法解决MEMS陀螺随机漂移存在的非线性问题,引入FAR模型对MEMS陀螺的随机漂移进行建模。实验结果表明,此数据处理方法可有效抑制MEMS陀螺输出噪声,且与AR模型相比,FAR模型能更精确地对MEMS陀螺随机漂移进行建模及预测。     

基于AR模型的MEMS陀螺误差补偿方法研究

针对MEMS(Microelectro Mechanical Systems）陀螺具有成本低、体积小但误差较大的问题,探讨MEMS陀螺的误差补偿方法。基于AR模型方法,采集MEMS陀螺原始信号,对原始信号进行预处理,利用预处理后的数据建立陀螺的AR(Auto Regressive)模型,辨识出模型参数。利用该模型对陀螺信号进行误差补偿,计算出陀螺的较精确值。通过对某MEMS陀螺误差补偿的静态和动态试验表明,提出的方法能够有效地减小误差,提高陀螺的测量精度。     

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.     

基于支持向量机的MEMS陀螺仪随机漂移补偿

针对传统方法的不足,将支持向量机应用于MEMS陀螺仪随机漂移的补偿。建立了支持向量机预测模型,通过相空间重构技术,将标量的随机漂移时间序列嵌入到一个辅助的相空间中进行模型的训练和测试,并使用最优化算法得到了核函数和预测模型的各项参数。训练和预测结果均表明,该方法具有很好的预测效果,是一种有效的MEMS陀螺仪随机漂移补偿方法。