The present invention provides a method of data stability enhancement based on the use of sensors, including obtaining the test data of the sensor, calculating the center line and the extreme difference of the measured data, calculating the difference between the measured values and the central line, estimating the position of each measured value within the range of the extreme difference, and calculating the position probability. The factor is replaced by the Calman filter coefficient, and the improved filtering algorithm is obtained. When the data is stable, the output distance is calculated by the static filtering algorithm according to the different range of the probability factor of the location. When the data is abrupt, the test data is treated with a mutation algorithm. When the test target parameter is continuously changed, The dynamic continuous slow change algorithm is used. The accuracy and stability of the measured data are improved, the dynamic intelligent adjustment of the static filtering algorithm is realized, the dynamic response algorithm of sudden change and continuous slow change is added, and the rapid response of the sensor's measurement environment and continuous change is realized.
【技术实现步骤摘要】
一种基于传感器使用的数据稳定性增强方法
本专利技术涉及传感器数据处理领域,具体涉及一种基于传感器使用的数据稳定性增强方法。
技术介绍
近年来,传感器的发展突飞猛进,对于传感器的稳定性和重复精度的要求也越来越高。而单纯靠传感器自身敏感元件的性能,还不能满足人们的需求。因此各种滤波算法纷纷涌现,滤波算法能够大幅提高传感器的重复精度和稳定性,但滤波效果越好的算法,其动态响应就越差,而传感器的应用场合各不相同,很多传感器会面临检测环境的复杂变化,数据的动态特性较强,因此,在追求传感器数据稳定的同时,也对动态响应特性提出了严格要求。通常传感器采用的提高稳定性的方法为滤波方法,包括中值滤波,均值滤波,滑动取平均滤波,卡尔曼滤波等。中值滤波和均值滤波对于静态数据滤波效果较好,但传感器测量出现错误点后,对结果影响较大,因此,滤波后数据会出现蠕变现象。滑动取平均滤波法对静态数据滤波较好,滑动取的滤波数据越多,滤波效果越显著,动态响应延迟也就越大。卡尔曼滤波对于静态数据滤波效果较好,且滤波后数据仍服从正态分布。但卡尔曼系数收敛后不易改变,不能对实时的测量情况进行及时调节,动态性能较差,有严重的动态滞后。
技术实现思路
为解决上述技术问题,本专利技术的目的在于提供一种基于传感器使用的数据稳定性增强方法。本专利技术是通过以下技术方案实现的:一种基于传感器使用的数据稳定性增强方法,包括以下步骤:S1、获取传感器的测试数据,计算所述测试数据的中心线和极差,所述测试数据近似服从高斯分布规律;S2、计算所述测试数据中每个测量值与所述中心线的差值,估算所述每个测量值在所述极差范围内的位置;S3 ...
【技术保护点】
1.一种基于传感器使用的数据稳定性增强方法,其特征在于:包括以下步骤:S1、获取传感器的测试数据,计算所述测试数据的中心线和极差,所述测试数据近似服从高斯分布规律;S2、计算所述测试数据中每个测量值与所述中心线的差值,估算所述每个测量值在所述极差范围内的位置;S3、根据所述差值和所述极差计算得到位置概率因子;S4、结合卡尔曼滤波算法对滤波系数进行改进,用所述位置概率因子替代卡尔曼滤波系数,获得改进后滤波算法的输出距离计算公式;S5、当所述差值的绝对值在阈值范围内时,判断为数据稳定,根据所述位置概率因子的不同区间范围,采用静态滤波算法计算所述输出距离;S6、当所述差值的绝对值超出所述阈值范围时,判断为数据产生突变,对所述测试数据采用突变算法处理;S7、当测试目标参量连续缓变时,采用动态连续缓变算法。
【技术特征摘要】
1.一种基于传感器使用的数据稳定性增强方法,其特征在于:包括以下步骤:S1、获取传感器的测试数据,计算所述测试数据的中心线和极差,所述测试数据近似服从高斯分布规律;S2、计算所述测试数据中每个测量值与所述中心线的差值,估算所述每个测量值在所述极差范围内的位置;S3、根据所述差值和所述极差计算得到位置概率因子;S4、结合卡尔曼滤波算法对滤波系数进行改进,用所述位置概率因子替代卡尔曼滤波系数,获得改进后滤波算法的输出距离计算公式;S5、当所述差值的绝对值在阈值范围内时,判断为数据稳定,根据所述位置概率因子的不同区间范围,采用静态滤波算法计算所述输出距离;S6、当所述差值的绝对值超出所述阈值范围时,判断为数据产生突变,对所述测试数据采用突变算法处理;S7、当测试目标参量连续缓变时,采用动态连续缓变算法。2.根据权利要求1所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S1中,所述中心线代表若干个测试数据的均值;所述极差为所述测试数据中的最大值减去最小值的差。3.根据权利要求2所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S2中,所述均值为Dis_avg,所述测量值为Dis_measure,所述差值为D_value,计算公式为:D_value=Dis_measure﹣Dis_avg,所述极差为precision,所述位置的高斯分布因子为position,所述差值D_value的绝对值为abs(D_value),计算公式如下:所述position的值越大,表示所述测量值处于越远离所述中心线的位置;当所述positon=0,表示所述测量值处于中心线上;当所述position=1,表示所述测量值处于所述极差的边界。4.根据权利要求3所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S3中,所述位置概率因子为chance,计算公式如下:chance=1-abs(D-value)×2/precision(2)。5.根据权利要求4所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S4中,所述卡尔曼滤波算法中,计算公式如下:Distance=Dis_avg+Kg×D_value(3)Distance为输出距离,Kg为卡尔曼滤波系数,用chance替代Kg,改进后滤波算法的输出距离计算公式如...
【专利技术属性】
技术研发人员:许永童,
申请(专利权)人:上海兰宝传感科技股份有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。