[发明专利]基于EMD-MPF改进的陀螺仪信号去噪方法

说明书

本发明公开了一种基于EMD‑MPF改进的陀螺仪信号去噪方法，包括：将陀螺仪的有噪信号分解为本征模态函数和残差信号；通过确定的两个标识参数对本征模态函数进行阶次选择，将本征模态函数分为噪声本征模态函数、混合本征模态函数和信息本征模态函数；舍弃所述噪声本征模态函数，保留所述信息本征模态函数，并对所述混合本征模态函数进行降噪处理；对降噪处理后的混合本征模态函数和保留的所述信息本征模态函数进行信号重构，从而得到去噪的陀螺仪信号。实现精确去除噪声信号，从而提高导航精确度的优点。

技术领域

本发明涉及信号去噪领域，具体地，涉及一种基于EMD-MPF改进的陀螺仪信号去噪方法。

背景技术

由于微机电系统(Micro-Electro-Mechanical System,MEMS)的发展，可以制造出更小尺寸和更廉价的加速度计和陀螺仪，以此组成成本更低惯性测量单元(InertialMeasurement Unit,IMU)，由于其具有体积小、重量轻、功耗低、可大批量生产等优势，使得惯性导航或结合惯性测量单元的定位、导航技术迅速发展，并在交通、测量、航空航天等众多领域得到广泛应用。MEMS陀螺仪的误差大小在很大程度上会决定系统的实际性能，因此对陀螺仪各类误差的抑制具有重要的实际意义。陀螺仪可能产生的误差包括了安装误差、杆臂误差、刻度因子误差等；而噪声则主要包括了系统噪声和量测噪声两大方面。其中，MEMS陀螺仪的随机漂移则是噪声部分的重要来源，随机漂移不论对于陀螺仪自身还是对于整个导航系统的精度影响都是很大，由于设备的长时间工作，轻微的漂移在累积或是系统消息融合之后都会导致较大的误差。所以，如何降低噪声已成为MEMS陀螺信号处理中最重要的问题之一。

MEMS陀螺仪的信号的去噪方法主要分为建模去噪方法和非建模去噪方法两大类：第一，广泛采用成熟的随机漂移模型或是采用ARMA进行建模，然后利用卡尔曼滤波或各类改进的卡尔曼滤波技术对信号中的噪声进行过滤；第二，直接使用小波分解或是经验模态分解(Empirical Mode Decomposition,EMD)方法对信号进行分析、去除其中的噪声，以此提取有效信号。

传统的去噪方法一般使用低通、高通或带通滤波器来消除噪声。例如使用数字低通滤波器消除捷联惯性导航系统(Inertial Navigation System, INS)中的高频噪声；使用FIR低通滤波器过滤和抑制MEMS传感器的量测噪声；应用高通滤波器针对陀螺仪抖动频带中具有非常高的衰减并且在通带中具有线性相位响应的现象，对相应的信号抖动噪声进行过滤。但是传统的去噪方法是基于经典滤波理论的，其只适合用于信号和噪声没有重叠的情况，所以对于实际信号滤波过后的频率成分中仍然是含有白噪声的。对于现代滤波理论，高斯滤波、维纳滤波、卡尔曼滤波等是其的代表方法，这些方法均需要利用信号和噪声所统计的先验知识，例如使用了自适应鲁棒卡尔曼滤波方法，并使用创新序列的加权协方差来调整测量噪声协方差矩阵，以此来减小陀螺仪中的随机噪声；应用一种随机加权方法下的抗野值递推最小二乘法(RLS)自适应滤波算法来降低MEMS陀螺仪输出当中的噪声分量；使用自适应扩展卡尔曼滤波方法补偿侧滑角估计，以此降低由惯性传感器偏移引起的潜在大漂移估计误差。这些方法克服了经典滤波理论的缺点，但是在使用过程中需要给出一定的最有标准，并需要知道噪声的先验统计信息，而这些在实际中通常很难或不可能获得，一般只能考一个最优估计进行代替。同时，这些方法需要精准建立模型，模型的偏差同样会影响到最后的去噪效果。

在此基础上继续发展出了非建模的去噪方法。小波变换(wavelet transform,WT)是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，所以具有良好的多分辨率分析特性，可以对高频处时间细分，低频处频率细分，以此达到对不同频段和时间的信号进行有效分析。利用改进的小波变换方法对陀螺仪误差特性进行分析，并建立新的软阈值函数以此抑制陀螺仪的测量噪声；应用了第二代小波变换针对MEMS陀螺进行去噪。但是，小波变换分析方法需要针对不同情况选择不同的分解层数、小波基，去噪还要选择合适的阈值，这对使用十分不便；同时，WT方法更适用于线性、稳态信号。从而存在对噪声信息去除不精细，从而造成导航精确度低的问题。