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。     

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。     

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。     

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。     

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。     

改进小波阈值法在MEMS陀螺信号去噪中的应用

陀螺随机漂移是影响MEMS陀螺仪精度的重要指标,有效减小MEMS陀螺仪的随机漂移误差是提高MEMS陀螺仪使用精度的关键技术之一.文中在分析了小波阈值法的去噪原理和存在的缺陷的基础上,构造了一种新的阈值函数,并利用3σ准则提取阈值,提出了一种改进的,小波阈值去噪法,并将其应用于MEMS陀螺仪输出信号的滤波处理中,取得了良好的去噪效果.实验结果表明,文中提出的方法可以有效减少信号中的高频噪声,很好地抑制MEMS陀螺仪的随机漂移,去噪效果明显优于传统的,小波阈值法.     

小波分析用于陀螺仪漂移测试信号分析的研究

为建立陀螺仪漂移特性模型，需对其进行测试。由测试得到的数据是含有噪声的，且一般是非平稳的，用小波分析测试数据是一种很有效的方法。在简述小波分析中的多分辨分析理论的基础上，用其对某型陀螺仪的实测数据进行了分析－预处理，其结果证实了所研究方法的有效性。     

静电陀螺伺服测漂数据处理方法研究

静电陀螺仪通常用于空间稳定系统中,因此用伺服法进行漂移测试和建模具有现实意义。本文讨论了一种静电陀螺伺服测漂数据处理的方法,对三次伺服测漂试验数据进行了分析和处理。考虑到伺服测漂中失调角甚小,采用简化常值漂移模型,参数估计采用离散卡尔曼滤波以提高精度,并用时间序列分析法建立随机漂移模型。拟合结果表明,上述方法对建立和辨识高精度静电陀螺漂移模型具有较高精度。     

陀螺仪模糊性能可靠性评价

首先对影响惯性导航系统性能的主要因素（陀螺仪漂移误差）进行了分析，在此基础上提出了陀螺仪模糊性能可靠性的评价方法，并以实例说明了该方法的应用。     

短路匝式传感器干扰力矩分析

短路匝式传感器带来的干扰力矩是引起陀螺仪随机漂移的重要因素之一,减小该项干扰力矩对提高陀螺精度能够起到重要的作用。本文利用电磁感应定律和磁路分析法对干扰力矩进行了推导,并通过Ansoft maxwell软件对短路匝传感器不同参数情况下的干扰力矩进行仿真分析,得出了转子转角、激磁电压和激磁频率对干扰力矩的影响关系曲线,最后合理选择参数以保证干扰力矩在精度允许范围内。该分析结果对减小短路匝传感器的干扰力矩和减小陀螺仪的随机漂移都具有一定参考价值。     

激光陀螺随机漂移数据建模与滤波

在对激光陀螺漂移数据建立时间序列模型的基础上，对激光陀螺的漂移数据进行了卡尔曼滤波。结果表明此方法能有效地抑制激光陀螺的随机误差。     

光纤陀螺随机漂移补偿中的数据融合方法（英文）

为提高光电平台的控制性能和稳定性,以平台反馈回路所用的光纤陀螺传感器为研究对象,对光纤陀螺角速率的历史输出、当前量测以及随机漂移进行融合补偿。采用双自回归模型确定了光纤陀螺时间序列输出的自回归多项式和光纤陀螺随机漂移的自回归关系。以陀螺当前输出为量测量,结合卡尔曼滤波算法将陀螺历史输出和历史随机漂移融合进状态方程,并进行随机漂移在线估计补偿。实验结果表明,光纤陀螺随机漂移的AR模型能达到90%拟合效果,经卡尔曼滤波补偿后随机漂移能降到1/10。该方法能很好地抑制光电平台三个框架轴光纤陀螺的随机漂移,补偿率为80%~90%。     

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。     

光纤陀螺零偏稳定性的数据建模方法研究

光纤陀螺零偏稳定性是非系统性的随机变化漂移率,在惯性系统中不能用简单的方法加以补偿,因而其成为衡量光纤陀螺精度的重要指标。但通过时间序列分析中的数据建模方法可对光纤陀螺的零漂测试数据建立零偏稳定性数学模型。这样,在由光纤陀螺构成的惯性系统中利用卡尔曼滤波方法可使光纤陀零稳定性对系统精度的影响降至最低限度。中还对建模过程作了较详细的阐述。     

单轴旋转调制技术对激光陀螺慢变漂移的抑制

为了提高惯导系统长时间导航精度,采用旋转调制技术将惯性器件误差调制成周期性变化信号,抑制惯导系统误差发散.首先,基于惯性测量单元的误差模型,阐述了旋转调制技术的基本原理.然后,将激光陀螺慢变漂移建模成一阶马尔可夫过程,基于一阶马尔可夫过程的自相关函数,理论分析了旋转调制技术对激光陀螺慢变漂移的抑制.最后进行了仿真与试验...     

冻结立井爆破近区井壁振动信号基线漂移校正和消噪方法

冻结立井爆破过程中,近区监测信号中含有的基线漂零及噪声成分对其局部特征精细化提取影响显著。在对近区井壁振动信号有效采集基础上,通过互补总体经验模态分解（complementary ensemble empirical mode decomposition, CEEMD）方法、稀疏化基线估计消噪（baseline estimation and de-noising with sparsity, BEADS）方法和隐马尔可夫模型消噪（hidden Markov model de-noising, HMMD）方法等,解决了信号中基线漂移和随机噪声消除难题,并采用交叉小波变换对校正和消噪效果进行了相关性评价。实例分析结果表明:信号中缓变的基线成分遍历信号各个模态分量的整个过程,且主要集中于低频分量中,而噪声则集中在高频分量。组合分析方法对低频基线漂零和高频噪声的处理效果好,是一种高效且相对保幅的信号分析方法,可用于批量信号数据的预处理过程。     

基于小波方差的光学陀螺随机误差特性研究

Allan方差法是对光学陀螺随机误差频率稳定性进行分析的一种通用方法。根据光学陀螺信号零漂移的频率特性,提出了利用小波变换所具有的时频局部化的优点对其随机过程进行小波方差分析。由于小波方差可以更好地防止能量泄露,所以小波方差比Allan方差更为精确。经过对光学陀螺零漂数据的方差分析证明了Allan方差和小波方差法的一致性,并且小波方差更能准确地描述不同频率的方差变化。     

渐消卡尔曼滤波器的最佳自适应算法及其在陀螺随机常值漂移标定中的应用

本文依据卡尔曼滤波器在使用最佳增益时，其余差序列互不相关的性质，开发了一种新的渐消滤波算法。该算法根据对象输出，在线自适应地调整遗忘因子，从而使滤波器在对象模型存在误差或对象受到外扰时，仍收敛并保持最佳性。该算法应用于陀螺随机常值漂移的标定，取得较好效果     

On model equations for particle dispersion in inhomogeneous turbulence

Comparisons are made between the Advection–Diffusion Equation (ADE) approach for particle transport and the two-fluid model approach based on the PDF method. In principle, the ADE approach offers a much simpler way of calculating the inertial deposition of particles in a turbulent boundary layer than that based on the PDF approach. However the ADE equations that have recently been used are only strictly valid for a simple Gaussian process when particle inertia is small. Using a prescribed, but in general non-Gaussian random particle velocity field, it is shown that the net particle mass flux contains a drift term in addition to that from the mean velocity of the particle velocity field, associated with the compressibility of the velocity field. Furthermore the diffusive flux in general depends not only upon the gradient of the mean concentration (true only for a Gaussian random flow field) but also upon higher order derivatives whose relative contribution depends on diffusion coefficients D_ijk… etc. These coefficients depend upon the statistical moments associated with random displacements and compressibility of the particle flow field along particle trajectories which in turn depend upon particle inertia. In contrast the PDF approach offers the advantage of using a simple gradient (Gaussian) approximation in particle phase space which can lead to a non-Gaussian spatial dispersion process when particle inertia is important. Conditions based on the particle mean free path are derived for which a simple ADE is appropriate. Some of the features of particle transport in an inhomogeneous turbulent flow are illustrated by examining particle dispersion in a random flow field composed of pairs of counter rotating vortices which has an rms velocity which increase linearly from a stagnation point.