基于á trous算法的MEMS陀螺仪随机漂移建模

为了对微小型飞行器上的MIMU（微惯性测量单元）的随机漂移进行补偿，在比较了Mallat算法与á trous算法之后，基于小波变换与多尺度分析方法，提出了多尺度时间序列建模方法，它充分利用了á trous算法的快速性与时间平移不变性，将MEMS陀螺仪随机漂移进行多尺度分解。对各尺度上分解得到的信号进行重建，并对重建得到的各个信号进行时间序列建模。将各尺度时间序列模型的预测输出的和作为陀螺仪的随机噪声估计，对陀螺仪的随机漂移进行补偿。最后的实际数据建模表明该建模方法运算量小、建模速度快、精度高、模型适用性强，有很强的实际应用价值。     

基于小波分析与LSSVM的陀螺仪随机漂移建模

为了提高陀螺仪的使用精度,以陀螺仪随机漂移时间序列为研究对象,建立了基于小波分析和最小二乘支持向量机（LSSVM）的陀螺仪随机漂移模型。陀螺仪作为高精度敏感器件,其随机漂移信号具有非线性、弱平稳性等特点,难以补偿。为了提高补偿精度,这里采用小波分析对陀螺仪随机漂移信号进行多尺度分解,利用最小二乘支持向量机方法对重构后的近似序列和细节序列建立非线性子模型,最后将各子模型输出融合作为组合模型输出。最后将该算法用于动调陀螺仪的随机漂移建模,实验结果表明基于该组合算法的非线性模型能够有效地反映陀螺仪的随机漂移特性,建模效果明显优于直接采用LSSVM和ANN建立的模型。     

基于à trous算法的MEMS陀螺仪随机漂移建模

为了对微小型飞行器上的MIMU(微惯性测量单元)的随机漂移进行补偿,在比较了Mallat算法与à trous算法之后,基于小波变换与多尺度分析方法,提出了多尺度时间序列建模方法,它充分利用了à trous算法的快速性与时间平移不变性,将MEMS陀螺仪随机漂移进行多尺度分解.对各尺度上分解得到的信号进行重建,并对重建得到的各个信号进行时间序列建模.将各尺度时间序列模型的预测输出的和作为陀螺仪的随机噪声估,计,对陀螺仪的随机漂移进行补偿.最后的实际数据建模表明该建模方法运算量小、建模速度快、精度高、模型适用性强,有很强的实际应用价值.     

MEMS陀螺随机漂移多尺度滤波方法

为了能有效地补偿MEMS(微电子机械系统)陀螺仪的随机漂移,提高载体姿态估计的精度,基于小波理论与多尺度分析方法,使用db4小波,将MEMS陀螺仪随机漂移进行深度为4的多尺度分解,得到5组小波系数。根据分解后的各尺度系数进行信号重建,得到5组多尺度陀螺仪漂移数据。对重建后的各尺度漂移数据进行时间序列建模,可以得到MEMS陀螺仪随机漂移的多尺度时间序列模型。在多尺度时间序列模型的基础之上,建立多尺度离散系统的系统模型,使用卡尔曼滤波方法,对个尺度陀螺随机噪声进行滤波,可以有效地滤除MEMS陀螺仪的随机漂移。试验结果表明本方法能有效降低信噪比。     

梯度RBF神经网络在MEMS陀螺仪随机漂移建模中的应用

为了提高使用精度，研究了某型号MEMS陀螺仪的随机漂移模型。采用游程检验法分析了该陀螺仪随机漂移数据的平稳性，并根据该漂移为均值非平稳、方差平稳的随机过程的结论，采用梯度径向基（RBF）神经网络对漂移数据进行了建模。实验结果表明：相比经典RBF网络模型而言，这种方法建立的模型能更好地描则EMs陀螺仪的漂移特；相对于季节时间序列模型而言，其补偿效果提高了大约15％。     

动力调谐陀螺静态漂移的非线性时间序列建模

动力调谐陀螺仪受陀螺仪自身工艺及各种电气因素影响,其随机漂移往往表现出非线性性质,利用线性随机建模方法并不能表现出随机漂移的非线性。作者通过传统的24位置测试获得动力调谐陀螺仪的静态漂移数据,然后对数据进行预处理(如,去除野点,进行数据平滑并利用小波分解提取趋势项),提取出随机漂移数据,并采用非线性AR时间序列方法对处理后的这些漂移数据进行建模。模型适用性检验结果表明,所建立的非线性AR模型可以很好地拟合动力调谐陀螺随机漂移,适用于描述动力调谐陀螺仪随机漂移特性。     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

基于小波变换的陀螺漂移建模与实验研究

在基于小波变换陀螺漂移建模方法的基础上对其进行了实验研究,详细阐述了实验的步骤,提出了有关工程问题的解决方法。实验结果表明,基于小波变换的陀螺漂移建模方法的精度高且明显优于传统方法。     

基于提升小波与灰色神经网络的光纤陀螺振动误差建模

光纤陀螺在振动环境下的输出具有噪声大、漂移强的特性,必须建立合理的振动误差模型,以便使用精确的算法进行补偿,从而提高光纤陀螺的输出精度。文中首先使用Allan方差分析法分析了某型号的数字闭环光纤陀螺在振动环境下的输出信号,随后利用提升小波分离出了光纤陀螺误差模型中的白噪声及漂移误差,并提出了基于灰色理论和RBF神经网络的漂移误差建模方法。仿真结果表明,相较于传统的RBF神经网络模型,基于提升小波的灰色RBF神经网络的漂移误差建模方法能有效滤除白噪声,并将漂移误差模型的建模精度提高了一倍左右。该方法能够有效提高光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

AR模型在动力调谐陀螺仪漂移补偿中的应用

根据静基座上动力调谐陀螺仪的漂移特性，运用时间序列分析方法建立了动力调谐陀螺仪随机漂移的时序模型，提出了一种动力调谐陀螺仪漂移自适应实时控制补偿方法。文中详细介绍了ＡＲ模型参数估计算法，列举了采用ＡＲ（２）模型进行漂移自适应补偿的实验数据，证明了该方法的可行性。