[发明专利]基于小波阈值去噪和FAR模型的MEMS陀螺数据处理方法

说明书

技术领域

本发明涉及MEMS(Micro Electro Mechanical System，微机电系统)陀螺输出数据处理领域，具体涉及一种基于小波阈值去噪和FAR(Functional coefficient Autoregressive.函数系数自回归)模型的MEMS陀螺组合数据处理方法。

背景技术

随着MEMS技术的发展，MEMS陀螺以其尺寸小、重量轻、成本低、功耗小等特点，在低成本惯性导航系统中获得了越来越广泛的应用。但受制造工艺及技术水平的限制，目前MEMS陀螺精度相对传统陀螺要低，其误差成为惯性导航系统误差的主要原因。MEMS陀螺误差一般可分为刻度因子误差、确定性漂移、随机漂移及随机噪声。刻度因子误差和确定性漂移补偿可通过标定技术来实现。因此噪声和随机漂移的处理成为MEMS陀螺数据处理的重点。

MEMS陀螺输出信号中含有大量的噪声，需首先进行去噪处理。均值滤波是最简单的信号去噪方法，其算法实现简单，去噪效果较好，但一般只适用于静态或低动态情况；FIR数字滤波器继承了模拟滤波器的特点，且可用快速傅立叶变换(FFT)算法来实现过滤信号，大大提高了运算效率。FIR滤波器对信号进行滤波去噪是在频域中完成的，依靠信号和噪声的不同频谱特征来实现噪声滤除，均适用于静、动态信号去噪。但去噪效果一般，不如均值滤波好。

小波变换是近年来迅速发展起来的信号分析处理工具，其克服了傅里叶变换只能表示信号的频率特征但不能反映时间域上局部信息的缺陷，而同时具有时间和频率的局部分析特性和多分辨率分析特性，现已在图像压缩、信号滤波和特征提取等方面获得了广泛的应用。小波阈值去噪算法以小波变换为基础，根据信号和噪声经过小波分解后对应的小波系数所具有的不同特性，通过选定合适的阈值准则，对小波系数进行处理，可很好地实现信噪分离。小波阈值去噪效果大大优于均值滤波及FIR滤波器，且对于静态、动态信号均适用，因此将其用于MEMS陀螺数据处理，不但可用于陀螺静态及动态信号的去噪，且可以有效地去除噪声，使信噪比大大提高，为后续的随机漂移建模奠定基础。

MEMS陀螺的随机漂移一般表现为较复杂的随机过程，具有不确定性，无法通过标定来补偿。而由MEMS陀螺和MEMS加速度计构成的微型惯性导航系统一般用于与GPS构成组合导航系统，利用GPS的长期高精度弥补微型惯性导航系统误差随时间积累的问题；利用微型惯性导航系统短期高精度弥补GPS信号易受干扰、易失锁的缺点。通过组合滤波器进行二者的信息融合，获得可靠、精确的定位输出，实现优势互补。因此，在组合导航中可将MEMS陀螺的随机漂移建模为一定的随机模型，将其作为组合滤波器的状态方程，依靠GPS提供的观测量，进行随机漂移的估计和补偿；当GPS信号丢失时，可通过所建立的随机模型进行MEMS陀螺随机漂移的预测和实时补偿，从而减小陀螺输出误差，最终可提高组合导航系统的定位精度。

早期MEMS陀螺随机漂移建模一般采用一阶马尔可夫过程，因其可以较准确地描述许多物理随机过程，并具有相对简单的数学方程。且其建模过程简单、建模时间短。但一阶马尔可夫过程的参数确定需依靠样本的自相关函数，而一阶马尔可夫过程的自相关函数与MEMS陀螺随机漂移的自相关函数曲线在形式上存在很大差别，因此将MEMS陀螺随机漂移建模为一阶马尔可夫过程会存在模型误差问题，建模精度受到限制。

为解决一阶马尔可夫过程用于MEMS陀螺随机漂移建模存在的模型误差问题，2003年加拿大CALGARY的S.Nassar首次将AR(Autoregressive，自回归)模型用于陀螺的随机漂移建模。实验结果表明：与一阶马尔可夫相比，采用AR模型建模可使GPS信号丢失时的定位精度提高15％~35％。此后，AR模型逐渐被广泛地应用于陀螺随机漂移建模中。AR模型属于时间序列分析法中的一种线性模型，是利用相邻时间序列之间的依赖性进行分析和建模的，模型的阶数可变。与一阶马尔可夫过程相比，其可通过改变阶数来更好地反映时间序列，因此具有更大的建模灵活性和更高的建模精度。但陀螺随机漂移往往存在非线性和不平稳性，采用线性建模会引入一定的误差，而且AR模型所要求的平稳性一般很难真正满足。函数系数自回归(FAR)模型是一种基于非参数、非线性的统计模型，其系数是依赖变量的函数。同AR相比，它在一个更大的模型族中寻找合适的模型，能有效减少因模型选择不合适而引入的误差。目前，FAR模型已在计算机、电力、金融、生物医学等领域获得成功应用，但还尚未被用于MEMS陀螺的随机漂移建模中。