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。     

自适应Kalman滤波在MEMS陀螺仪信号处理中的应用

通过中值滤波和均值滤波的有机结合,可以去除MEMS陀螺仪漂移中的"野点"信号。基于Haar小波基的小波变换,寻找到了一种易于实时在线实现的漂移特征提取方法。对残差信号进行二阶AR模型分析建模后,利用改进的自适应Kalm an滤波算法,对残差信号进行滤波,提高了被处理漂移信号的精度。实际测量数据的处理结果验证了该MEMS陀螺仪去漂移方法的有效性。     

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。     

MHD角速度传感器随机漂移误差补偿方法研究

为了补偿磁流体动力学(MHD)角速度传感器的随机漂移误差,在对其建立时间序列模型的基础上,采用卡尔曼滤波算法对MHD角速度传感器的漂移数据进行了处理,并用方差和Allan方差分析的方法,对滤波前后的数据进行了分析对比.实验结果表明此方法能有效地提高MHD角速度传感器的测量精度.     

多项式拟合在MEMS陀螺仪零点随机漂移抑制中的应用研究

MEMS(Micro-Electro-Mechanical Systems)传感器精度相对较低限制了其应用范围,从实际工程应用出发,针对MEMS陀螺仪零点随机漂移误差探讨了有效的补偿方法.推导了不同阶数拟合曲线的回归方程,根据实测MEMS陀螺零点数据对不同阶数拟合曲线的补偿效果进行对比,选取最优方案并通过跑车试验进行验证,证明该方法能够有效抑制陀螺仪零点漂移误差,提高微惯性导航系统的导航精度.     

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。     

卡尔曼滤波在陀螺仪随机漂移中的应用

本文针对MIMU中微机械陀螺的静态随机漂移,采用时间序列分析的方法建立了其随机漂移误差的AR模型,并在此基础上,探讨了利用Kalman滤波降低该随机噪声的具体方法.对实测数据的仿真结果表明,本文所介绍的滤波方法是正确、有效的。     

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。     

基于自适应Kalman滤波的MEMS陀螺随机误差分析

针对某型MEMS陀螺随机误差较大、精度不高的问题,通过时间序列分析法,建立自回归滑动平均 ARMA(Auto-Regressive and Moving Average)模型,采用ARMA(2,1)模型将预处理后的MEMS陀螺随机误差进行建模.设计基于ARMA模型的经典Kalman滤波器.静态试验和恒定速率试验结果表明在经典Kalman滤波器作用下,静态试验下其均值与均方差下降32.62%和66.31%;恒定速率试验下,其均值有明显的降低,其均方差减小了一个数量级.针对经典Kalman滤波器不能解决振动试验中大振幅时滤波发散问题,提出一种新的自适应Kalman滤波法,通过寻找合适的标定因子s解决滤波发散问题.振动试验结果表明,当振幅为100°时,滤波后的均值和均方差分别下降8.25%和8.36%.     

微机电陀螺随机漂移建模与卡尔曼滤波

微机电系统(MEMS)陀螺精度较低,严重影响制导火箭弹惯导系统的精度.为了减小MEMS陀螺的随机漂移,提高其精度使其满足简易制导火箭弹的精度要求,需要对陀螺信号进行滤波,MEMS陀螺随机漂移建模与补偿是其中的难点.针对上述问题,提出采用自回归移动平均(ARMA)分析的方法建立MEMS陀螺随机漂移模型,然后基于此模型对随机漂移信号进行卡尔曼(Kalman)滤波.对某MEMS陀螺在静止条件下的观测信号的滤波效果表明,ARMA模型拟合度高,能准确描述MEMS陀螺随机漂移特性;Kalman滤波方法能有效减小随机漂移误差,提高MEMS陀螺的精度,对提高简易制导火箭弹的精度具有一定的参考价值.     

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.     

基于交错卡尔曼滤波的MEMS陀螺测量修正

针对战术导弹上MEMS陀螺测量角速率误差大的不足,提出利用舵面控制量与弹体控制力矩的对应关系,通过弹体姿态动力学方程构建系统的状态方程,从而比低通滤波器更加真实地描述实际弹体的姿态变化;为了避免非线性方程线性化的误差和降低滤波计算量,利用交错卡尔曼滤波器通过对状态耦合项建立状态转移方程实现对原方程的伪线性化,从而有效降低运算量;最后通过对三轴转台上的MEMS惯组半物理仿真试验验证,该算法使低精度MEMS陀螺角速率测量误差降低到一半以下。     

基于MEMS陀螺仪的随机误差分析

为了提高MEMS陀螺仪测量精度,减少随机误差的影响,对产生随机误差的噪声源及其随机误差模型进行了分析;通过分析MEMS陀螺仪自身结构的缺陷并且对其输出数据进行了相应的滤波处理与平稳性检验,确立了合适的误差模型并利用Kalman滤波进行误差补偿,验证了模型的有效性;同时运用Allan方差法对MEMS陀螺仪噪声项进行了分析,确定了影响MEMS陀螺仪测量性能的主要因素以及比较了滤波前后的各项噪声源系数,检验了滤波效果且实验结果证明误差模型显著提高了MEMS陀螺仪的测量精度。 