基于状态扩增的MEMS陀螺随机误差实时滤波研究

针对一般民用MEMS陀螺仪精度较低的缺点以及传统MEMS随机误差时间序列建模需进行零均值化处理且不能进行在线处理建模的问题,提出一种基于状态扩增的随机误差实时滤波方法,将时间序列的均值作为未知数,给ARMA模型增加一个截距项,并利用该模型采用扩增状态的方法设计卡尔曼滤波及自适应卡尔曼滤波器,使得测量数据不需满足零均值的条件。静态及摇摆试验表明,所提方法能大幅提高MEMS陀螺仪精度。     

可穿戴设备中MEMS加速度计降噪方法研究

针对可穿戴设备中的微机电系统(MEMS)陀螺仪在检测人体姿态时面临的人体自然抖动噪声干扰、随机噪声干扰等问题,在基于卡尔曼滤波理论的基础上,提出了采用新息自适应卡尔曼滤波器,辅以有限冲击响应(FIR)低通滤波器和均值滤波器构成的滤波器组的方案。实验结果表明,在动态MEMS加速度计信号滤波中,使用该滤波器组比传统卡尔曼滤波的噪声方差降低约10-3~10-4量级,从而能得到更稳定、准确的人体姿态加速度信号。     

基于新息突变约束的自适应卡尔曼滤波研究

针对微机电系统(MEMS)陀螺仪易受影响且随机误差较大,导致建立模型不准确和测量精度低的问题,该文提出了一种改进的自适应卡尔曼滤波方法。首先建立ARMA模型,在传统卡尔曼算法中引入衰减系数以减小系统旧值的影响,同时引入基于系统新息突变的预测误差矩阵清除系统的突变值。使用Allan方差对原始陀螺仪数据和滤波后的陀螺仪数据进行分析对比。结果表明,实验所用陀螺仪的角度随机游走、零偏不稳定性和角速率随机游走至少小了1个数量级,标准差明显减小,这表明改进算法有效抑制了随机噪声,提高了MEMS的性能。     

FA优化BP神经网络的MEMS陀螺仪温度漂移补偿

微电子机械系统(MEMS)陀螺仪输出易受环境温度的影响,产生温度漂移,测量精度降低,为解决这个问题,提出一种萤火虫算法(FA)优化BP神经网络的温度漂移补偿方法,在传统的BP神经网络中,存在易陷于局部极值的问题可能降低建模精度甚至导致建模失败,而此方法可以避免这个问题。首先在全温区(-40℃～+70℃)选取7个温度点进行测试,接下来采用该方法建立MEMS陀螺仪温度漂移模型并进行实际验证,验证结果表明该方法可以明显降低MEMS陀螺仪温度漂移,且相比于传统BP神经网络,其补偿效果也有较大幅度提升。     

基于最小均方和扩展卡尔曼滤波的IMU降噪方法

针对车体振动影响微机电系统惯性测量单元(MEMS IMU)航向精度问题,提出了一种能有效抑制振动噪声从而提升航向精度与稳定性的方法。首先,采用最小均方法对数据进行前端预处理,以提升信噪比；然后,利用加速度计与陀螺仪的互补特性滤除陀螺仪的零偏噪声；最后,采用扩展卡尔曼滤波进一步滤波。总计4h的现场实验结果表明:IMU受载体振动影响较小,航向的精度与稳定性得到提升；其中,在大角度机械运动后的相对航向误差为3.08°,静止时的航向方差为2.44×10-5。     

基于CMAC的卡尔曼滤波技术在组合导航系统中的应用

经典卡尔曼滤波器要求假设系统的动态模型和观测模型的噪声统计特性已知,而组合导航系统的噪声具有非先验性。为了解决这一问题,提出小脑模型神经网络（CMAC）辅助卡尔曼滤波器。仿真试验结果表明,该辅助算法的精度与经典卡尔曼滤波算法相比提高了2倍,收敛时间缩短近200 s,并有效地克服了传统神经网络学习速度慢,泛化能力弱的缺点,使系统具有自适应能力,以应付动态环境的扰动。     

基于小波分析与神经网络的组合导航的研究

针对GPS/DR组合导航存在GPS信号被遮挡时无法对DR零点更新以及运动的高动态性造成卡尔曼滤波难以完全适应数据融合的问题,提出采用联邦卡尔曼滤波器数据融合与小波变换和正则化神经网络的DR位置预测模型相结合的方法。该方法由联邦卡尔曼滤波器得到较为精确的导航信息,与利用小波变换在不同尺度上融合所得到的误差信号输入神经网络,经过训练获得预测误差,在GPS信号失效时与导航信息相加实现精确实时定位。仿真计算结果表明,该方法可以提高导航系统的精度和速度,该模式有较好的鲁棒性,具有实用价值。     

RBFNN辅助卡尔曼滤波在GPS/SINS组合导航中的应用

为了克服传统卡尔曼滤波对观测噪声必须为零均值白噪声过程的依赖,针对工作于恶劣环境下的飞行器、舰船等运动载体的组合导航系统,提出了利用神经网络的自学习、自组织、自适应能力来辅助传统卡尔曼滤波器的方法。对所建立的BP神经网络和基于正交最小二乘(OLS)算法的RBF神经网络的收敛速度进行了比较。最终选择收敛较快的RBF神经网络辅助卡尔曼滤波器,仿真结果表明该方法能够抑制滤波器发散,提高了导航定位精度。     

基于阵列技术的MEMS陀螺温度补偿方法

为了减少温度对MEMS陀螺测量精度的影响,提出了一种采用阵列技术的MEMS陀螺仪温度误差补偿新方法。该方法不需要进行温度测量,通过对多陀螺输出进行数据融合以消除温度对陀螺仪输出的影响,达到正确检测角速率的目的,简化了系统结构。采用遗传算法优化的BP神经网络来进行陀螺阵列数据的融合,抛开通常把零偏和标度因数分开建模补偿的思想,将两者统一进行补偿。实验结果表明,该方法能够大幅度降低温度造成的陀螺误差,从而满足工程应用需要。     

基于神经网络的MEMS陀螺仪温漂补偿方法研究

针对MEMS惯性传感器对温度变化非常敏感问题,提出了一种MEMS陀螺仪实时温度补偿方法,并比较了此方法与传统使用的分段线性拟合方法的补偿效果.首先,使用一个标定过的MEMS-IMU进行温度试验,并在试验过程中采集MEMS陀螺仪的输出;其次,提出了一个基于MEMS陀螺仪前一时刻温漂输出的实时补偿模型,并引入虚假最近邻算法来确定神经网络隐藏层的神经元个数;然后,采用了一种普通循环神经网络的变体,门循环单元循环神经网络,来辨识所提出模型的输入与输出之间的关系,从而得到完整的MEMS陀螺仪温漂实时补偿模型;最后,比较了所提出的方法和分段线性拟合方法的补偿效果.为了得到定量的比较结果,分别在相同试验条件下和不同升温速率条件下比较了以上两种方法补偿前后MEMS陀螺仪的艾伦方差和零偏稳定性.根据比较结果可知,在以上两种试验条件下,采用所提出的方法补偿后,MEMS陀螺仪的艾伦方差系数和零偏稳定性均显著降低,并且补偿效果均优于分段线性拟合方法.     

基于SHAKF滤波器的MEMS陀螺随机误差建模补偿

MEMS陀螺随机漂移误差是制约惯性导航精度的关键因素。本文针对标准kalman滤波器陀螺漂移处理方法中,随机动态系统的结构参数和噪声统计特性参数不准确的问题,采用自适应SHAKF(Sage-Husa Adaptive Kalman Filter)滤波器进行参数实时估计,提高陀螺漂移精度。基于此思想,建立了ARMA随机误差模型,搭建了MEMS陀螺组件实验系统,通过高精度三轴转台静态测试采集陀螺数据。Aallan方差分析表明,零偏不稳定性经线性KF滤波后提升17.4%,经自适应SHAKF滤波后提升26.2%。     

基于MFFAKF的微惯导磁匹配粗对准方法

针对微机电系统(MEMS)陀螺仪精度低,无法完成惯导系统方位对准的问题,该文提出一种采用加速度计与磁强计输出完成MEMS惯导系统粗对准法。同时针对遗忘卡尔曼滤波法的缺点,提出将一种多遗忘因子自适应卡尔曼滤波法(MFFAKF)引入系统的对准方案中。该方法通过基于指数渐消记忆的方式计算量测噪声方差阵,并采用多遗忘因子调节不同的滤波通道。实验结果表明,采用MFFAKF得到的粗对准航向角精度满足MEMS惯导系统粗对准要求。     

基于Kalman滤波器的MEMS陀螺随机误差分析与建模补偿

MEMS陀螺随机漂移是影响MEMS惯性导航精度的主要原因。为提高MEMS陀螺使用精度,本文通过时间序列分析方法,建立MEMS陀螺角速率信号ARMA模型,进而利用线性KF(Kalman Filter)滤波方法处理陀螺角速率信号。本文通过搭建MEMS陀螺组件,进行三轴精密转台实验,将得采存陀螺信号进行KF滤波处理。利用Allan方差分析滤波前后MEMS陀螺角速率信号,结果表明陀螺仪零偏不稳定性经KF滤波后提升18.7%。     

MEMS陀螺的抗野值自适应滤波降噪方法

针对微机电系统(MEMS)陀螺随机漂移较大及量测信息中野值对滤波的不利影响,提出了一种抗野值自适应滤波降噪方法。该方法采用Allan方差信息估计量测噪声方差参数,避免了Kalman滤波器与量测噪声估值器之间的相互关联,能有效抑制滤波发散。在此基础上引入新息抗野值算法,通过修正新息去除野值的不利影响,增强对随机漂移的滤波效果。实测数据试验结果表明,采用该文方法滤波后的MEMS陀螺输出信号均方差及角度随机游走都比滤波前明显降低,验证了提出的滤波方法在MEMS陀螺降噪中的有效性。     

面向蜂巢式微机电陀螺模态交换工作模式的卡尔曼滤波

该文对模态交换工作模式下的蜂巢式微机电陀螺进行了噪声成分分析,并建立了噪声模型。提出采用卡尔曼滤波降低陀螺输出白噪声的方法,从而提升陀螺的静态性能,该方法可用于惯性寻北。实验结果表明,经滤波后陀螺输出在采样时间1 s下与未滤波前的平滑时间100 s下的陀螺输出噪声水平相当。陀螺输出白噪声幅值降低,从而缩短寻北时间。实际应用中,最短寻北时间可由卡尔曼滤波初值收敛后的时间进行标定。     

在人体运动测量中应用四元数扩展卡尔曼滤波

提出了一种适合多运动传感器方位测定系统的四元数扩展卡尔曼滤波,该方位测定系统适合人体运动领域的研究,它是基于iNEMO整合套件,集成了三轴陀螺仪、三轴加速度计和三轴磁强计。在该文的扩展卡尔曼滤波过程中,通过加速度计、磁力计的量测噪声进行陀螺仪角度修正,使测量角度值逐渐逼近真实角度大小,同时量测噪音的协方差矩阵设计,可以使方位测定系统辨别静止和运动,增加了可靠性。结合人体前臂屈伸运动的测试,验证了算法的有效性,加之其小尺寸、多功能、低功耗的特点,证明基于MEMS的运动传感器在人体运动测量领域的应用前景良好。     

基于神经网络的MEMS陀螺标定与补偿

针对微机电系统(MEMS)陀螺低转速区间上非线性性能很强,采用传统方法对其标定误差较大,满足不了实际应用的问题,因此,采用了一种基于误差反向传播(BP)的神经网络的标定与补偿方法。设计了一组基于优先数的速率点,利用三轴转台进行12组速率实验,用最小二乘法求出在传统数学模型下的待标定系数;将三轴MEMS陀螺的输出和转台的实际转速作为样本,对BP神经网络进行训练,得到神经网络的补偿模型,并对比两种方法的补偿效果。结果表明,传统方法和BP神经网络都对MEMS陀螺的输出进行了有效的补偿;但在低转速区间上,神经网络的补偿效果比传统方法提高了3倍左右。     

MEMS陀螺随机误差建模与Kalman滤波方法

探讨了一种 MEMS 陀螺随机误差建模与滤波方法,对原始采集数据进行了预处理, 使之变成零均值、平稳、正态的随机时间序列,以此为基础建立时间序列模型,并对其进行 Kalman 滤波。结果表明,该方法能有效降低 MEMS 陀螺的随机误差,具有一定的工程实用性。     

基于Allan方差的MEMS陀螺仪性能评价方法

介绍了Allan方差的基本定义,以及采用Allan方差对陀螺零偏数据进行处理所需的测试系统构成及测试要点。详细推导了采用Allan方差法对陀螺仪噪声进行估算的过程,描述了应用MATLAB进行数据处理平台建设的主要流程。最后运用Allan方差理论对MEMS陀螺信号进行了定量分析,得到了MEMS陀螺仪的量化噪声系数、角度随机游走系数、偏差不稳定性系数、速率随机游走系数和速率斜坡系数5个误差源系数,实验表明该方法能有效地辨识微机械陀螺的各项随机误差成分,可以正确评价陀螺仪的性能指标,为陀螺仪的设计改进提供了依据。