基于支持度和自适应加权的MEMS陀螺信息融合算法

针对MEMS陀螺阵列进行信息融合可以大幅提高其测量精度和可靠性,而传统信息融合算法大部分依赖于观测信息的先验知识而受到应用上的限制。在不依赖于先验知识的基于支持度的融合算法的基础上,提出一种新的加权系数构造方法,利用自适应加权法的思想改变各个传感器观测值方差对权系数的影响程度,既保证了阵列输出结果的可靠性,又能使融合后得到目标参数的总方差最小;而且自适应加权算法中,对各个传感器方差的计算考虑到环境因素等带来的噪声,与各传感器方差的真实值更加接近。实验结果表明,本文提出的融合算法优于传统的平均值估计融合算法和支持度融合算法。     

一种新的MEMS陀螺温度误差建模与补偿方法

为了减少温度对微机电系统(MEMS)陀螺仪测量精度的影响,改进了一种不需要测量温度的MEMS陀螺温度误差建模与补偿方法。该方法首先通过多项式拟合得到MEMS陀螺全温区零偏与温度的多项式模型,并根据最小二乘法原理确定模型阶数,然后通过分析温度对驱动轴相位的影响,得到驱动轴相位的温度模型,最后得到零偏与驱动轴相位的多项式拟合模型并针对该模型对陀螺零偏进行补偿。实验结果表明,该方法能降低温度造成的陀螺误差,提高MEMS陀螺的使用精度。     

基于改进PSO优化LSSVM的MEMS陀螺随机漂移预测

提出一种基于改进粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）的MEMS陀螺随机漂移的预测模型建立方法。该方法首先应用最小二乘支持向量机对MEMS陀螺随机漂移建立预测模型,然后应用改进粒子群算法对该模型进行优化,最后应用参数优化后的LSSVM预测模型对随机漂移进行预测。该方法不仅解决了支持向量机训练速度慢和所需计算资源多的问题,而且文中提出的改进的惯性权值递减策略使PSO算法在全局或局部搜索能力上的侧重具有更好的适应度。实验结果表明,该预测模型可以有效地进行陀螺随机漂移的预测,且预测效果优于基本PSO优化的最小二乘支持向量机。     

一种新的MEMS陀螺仪信号去噪方法

为提高MEMS陀螺仪输出信号的去噪效果,将稀疏分解(sparse decomposition)与提升小波变换(lifting wavelet transform)相结合,提出了一种新的信号去噪方法.首先,建立MEMS陀螺带噪信号的误差模型,并利用小波提升正变换计算带噪信号的非稀疏的小波系数;然后,利用稀疏分解理论恢复小波系数的稀疏性;最后,再通过小波提升反变换重构信号,从而达到去噪的目的.考虑到梯度投影(gradient projection)算法具有全局最优解,运算效率更高,将梯度投影思想引入恢复信号稀疏性的过程中,提出了基于梯度投影的稀疏分解算法,给出了利用梯度投影算法进行信号系数分解的具体步骤,大大简化了计算复杂度,同时提升了算法的稳定性.为验证所提方法的性能,进行了MEMS陀螺信号去噪的静态实验和跑车实验.实验结果表明,此种方法在动静态条件下都可以有效地去除MEMS陀螺仪输出信号中的噪声,尤其是在静态条件下的去噪效果要优于小波阈值滤波方法.同时采用的梯度投影算法相比于正交匹配追踪算法和基追踪算法具有更高的运算效率.