改进的RLS自适应滤波的陀螺去噪方法技术

本发明专利技术提供一种改进的RLS自适应滤波的陀螺去噪方法，包括：对MEMS陀螺仪中的滤波器进行改进，其中，将随机加权引入到所述滤波器的加权矩阵中，抵抗野值的干扰以提高所述MEMS陀螺仪的导航精度。与传统标准的算法相比，提出的改进后的方法提高了MEMS陀螺仪的输出数据的精度，进而优化了姿态解算当中的数据精度，以此达到了提高最终导航精度的目的。

【技术实现步骤摘要】
改进的RLS自适应滤波的陀螺去噪方法
本专利技术涉及微电子机械
，涉及一种MEMS陀螺仪去噪及MEMS陀螺仪应用的捷联惯导方法，更为具体地，涉及一种改进的RLS自适应滤波的陀螺去噪方法。
技术介绍
MEMS陀螺仪是一种基于微电子机械系统的一种陀螺仪，MEMS是一种建立在微米/纳米技术基础上的21世纪前沿技术，具体是对微米/纳米进行设计、加工、制造测量和控制的技术。MEMS陀螺与传统的机械陀螺相比也是一种全新的固态陀螺仪。在惯导系统当中常见的陀螺仪微机械陀螺仪、光纤陀螺仪和激光陀螺仪等等，其中MEMS陀螺仪体积小、成本低可靠性高、测量范围大等特点，使得其被广泛的应用在医疗设备、民用汽车牵引系统当中；当时由于其自身精度不是很高，导致其在输出当中存在漂移，而在惯性导航系统当中，陀螺仪作为核心部件主要决定惯导平台的精度，因此会进而影响到最后的导航精度。所以，为了降低MEMS陀螺仪输出中的漂移，国内外也不断提出了各种处理MEMS陀螺仪漂移的算法。当前常见的处理方法有Kalman滤波、小波阈值去噪、LMS自适应滤波、RLS自适应滤波、共轭梯度算法等。但是，上述的标准算法或滤波方法均有一定的缺陷。例如：常规Kalman滤波是一种运用随机信号状态参量进行最优估计的滤波算法，其本质就是一种线性的最小方差估计，但是它需要建立、并且高度依赖于陀螺仪漂移的精确数学模型；小波阈值去燥对于阈值的选取、依赖较大，同时由于小波系数在小波域中的模值较大而高斯白噪声在空间上没有连续性，因此会导致去燥精度不高；LMS自适应滤波算法的收敛速度会受迭代步长的影响而变慢，而且权系数估计值因瞬时梯度估计围绕精确值波动会较大；RLS自适应滤波算法稳定性好、适应性强，但是缺乏对观测值当中的野值的抗干扰性，导致状态向量的滤波值的精度和可靠性会明显变差。
技术实现思路
鉴于上述问题，本专利技术的目的是提供一种改进的RLS自适应滤波的陀螺去噪方法，以解决现有的去噪效果差、导航精度不高等问题。本专利技术提供一种改进的RLS自适应滤波的陀螺去噪方法，包括：对MEMS陀螺仪中的滤波器进行改进，其中，将随机加权引入到所述滤波器的加权矩阵中，以抵抗野值的干扰提高所述MEMS陀螺仪的导航精度；其中，所述滤波器的RLS算法步骤如下：对于RLS算法的误差估计定义为下式：ε(i)＝d(i)-y(i)＝d(i)-wH(n)u(i)其中，d(i)表示期望响应，y(i)表示输出信号，u(i)表示输入信号量，wH(n)u表(i)示指数加权的滤波器权向量的最小二乘估计；如果在i时刻出现野值，则将野值看作叠加在未出现野值的数据上的一个波动值，那么对于误差估计方程当中u(i)则表示为下式：u'(i)＝u(i)+A其中，A为野值的分量，u'(i)＝u(i)+A则表示为叠加了野值的分量后的信号输入量，那么，在出现野值后算法的误差估计方程则表达为下式：ε(i)＝d(i)-wH(n)[u(i)+A]RLS算法的代价函数当中引入遗忘因子，再对遗忘因子进行指数加权处理，如下式：J(n)＝∑λn-i|ε(i)|2其中，λ表示为遗忘因子，取值为0<λ<1；λn-i表示指数加权的遗忘因子；λ(n)表示随机权的可变遗忘因子；ρ表示敏感增益系数；ε(n)表示估计出的误差，F(n)表示随机加权的权重。此外，优选的方案是，所述滤波器的RLS算法步骤还包括：(1)对于数据初始化：w(0)＝0,R(0)＝σI其中，w(0)表示滤波器权向量的初始化值，R(0)表示滤波器相关矩阵的初始化值。(2)当数据n＝1,2,3...时，进行更新计算，滤波输出：y(n)＝wH(n-1)u(n)；滤波器的增益：估计误差：e(n)＝d(n)-y(n)更新权重系数：w(n)＝w(n-1)+k(n)e'(n)更新协方差：其中，y(n)表示滤波器的输出值；K(n)表示滤波器的增益矩阵；e(n)表示滤波器的误差估计值；w(n)表示滤波器权系数的最小二乘估计值；P(n)表示滤波器的协方差矩阵。此外，优选的方案是，MEMS陀螺仪的数据输出模型公式如下：其中，Wx、Wy、Wz为MEMS陀螺仪的输出值；为MEMS陀螺仪的漂移；wx、wy、wz为MEMS陀螺仪的输入值；Skx、Sky、Skz为MEMS陀螺仪的标度因数；Kxy、Kxz、Kyx、Kyz、Kzx、Kzy为MEMS陀螺仪的安装误差系数。此外，优选的方案是，MEMS陀螺仪的漂移由常值漂移、周期漂移和高斯白噪声组成，即可表示为：w0＝Xd+Kdsin(2πfd+θ0)+Γ(t)其中：Xd为MEMS陀螺仪三个轴的漂移，短时间内近似为一个常数；Kd为三个轴上的周期分量的幅值；fd为三个轴的周期分量额频率；θ0为三个轴的初始相位；Γ(t)为三个轴上的零均值的高斯白噪声。从上面的技术方案可知，本专利技术提供的改进的RLS自适应滤波的陀螺去噪方法，将随机加权的方法引入到加权矩阵对信息进行修正，增强RLS算法对于野值的抗干扰性，以该种方法在整体上提高去噪效果、进而提高导航精度。将改进后的滤波器应用到了MEMS陀螺仪中，与传统标准的算法相比，改进后的方法提高了MEMS陀螺仪的输出数据的精度，进而优化了姿态解算当中的数据精度，以此达到了提高最终导航精度的目的。为了实现上述以及相关目的，本专利技术的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本专利技术的某些示例性方面。然而，这些方面指示的仅仅是可使用本专利技术的原理的各种方式中的一些方式。此外，本专利技术旨在包括所有这些方面以及它们的等同物。附图说明通过参考以下结合附图的说明，并且随着对本专利技术的更全面理解，本专利技术的其它目的及结果将更加明白及易于理解。在附图中：图1为根据本专利技术实施例的改进的RLS自适应滤波的陀螺去噪方法流程示意图；图2为根据本专利技术实施例的改进的RLS自适应滤波算法的信号流图；图3为根据本专利技术实施例的验证静止MEMS陀螺仪的输出信号去噪处理图；图4为根据本专利技术实施例的验证静止MEMS陀螺仪的输出信号功率谱图；图5为根据本专利技术实施例的验证恒定速率MEMS陀螺仪的输出信号去噪处理图；图6为根据本专利技术实施例的验证摇摆状态MEMS陀螺仪的输出信号去噪处理图；图7为根据本专利技术实施例的车载测试信号去噪验证图。在所有附图中相同的标号指示相似或相应的特征或功能。具体实施方式在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。以下将结合附图对本专利技术的具体实施例进行详细描述。为了说明本专利技术提供的改进的RLS自适应滤波的陀螺去噪方法，图1示出了根据本专利技术实施例的改进的RLS自适应滤波的陀螺去噪方法流程。如图1所示，本专利技术提供的改进的RLS自适应滤波的陀螺去噪方法包括：对MEMS陀螺仪中的滤波器进行改进，其中，将随机加权引入到所述滤波器的加权矩阵中，以抵抗野值的干扰提高所述MEMS陀螺仪的导航精度；其中，滤波器的RLS算法步骤如下：S110：对于RLS算法的误差估计定义为下式：ε(i)＝d(i)-y(i)＝d(i)-wH(n)u(i)其中，d(i)表示期望响应，y(i)表示输出信号，u(i)表示输入信号量，wH(n)u表(i)示指数加权的滤波本文档来自技高网...

【技术保护点】
1.一种改进的RLS自适应滤波的陀螺去噪方法，包括：对MEMS陀螺仪中的滤波器进行改进，其中，将随机加权引入到所述滤波器的加权矩阵中，以抵抗野值的干扰提高所述MEMS陀螺仪的导航精度；其中，所述滤波器的RLS算法步骤如下：对于RLS算法的误差估计定义为下式：ε(i)＝d(i)‑y(i)＝d(i)‑wH(n)u(i)其中，d(i)表示期望响应，y(i)表示输出信号，u(i)表示输入信号量，wH(n)u表(i)示指数加权的滤波器权向量的最小二乘估计；如果在i时刻出现野值，则将野值看作叠加在未出现野值的数据上的一个波动值，那么对于误差估计方程当中u(i)则表示为下式：u'(i)＝u(i)+A其中，A为野值的分量，u'(i)＝u(i)+A则表示为叠加了野值的分量后的信号输入量，那么，在出现野值后算法的误差估计方程则表达为下式：ε(i)＝d(i)‑wH(n)[u(i)+A]RLS算法的代价函数当中引入遗忘因子，再对遗忘因子进行指数加权处理，如下式：J(n)＝∑λn‑i|ε(i)|2

【技术特征摘要】
1.一种改进的RLS自适应滤波的陀螺去噪方法，包括：对MEMS陀螺仪中的滤波器进行改进，其中，将随机加权引入到所述滤波器的加权矩阵中，以抵抗野值的干扰提高所述MEMS陀螺仪的导航精度；其中，所述滤波器的RLS算法步骤如下：对于RLS算法的误差估计定义为下式：ε(i)＝d(i)-y(i)＝d(i)-wH(n)u(i)其中，d(i)表示期望响应，y(i)表示输出信号，u(i)表示输入信号量，wH(n)u表(i)示指数加权的滤波器权向量的最小二乘估计；如果在i时刻出现野值，则将野值看作叠加在未出现野值的数据上的一个波动值，那么对于误差估计方程当中u(i)则表示为下式：u'(i)＝u(i)+A其中，A为野值的分量，u'(i)＝u(i)+A则表示为叠加了野值的分量后的信号输入量，那么，在出现野值后算法的误差估计方程则表达为下式：ε(i)＝d(i)-wH(n)[u(i)+A]RLS算法的代价函数当中引入遗忘因子，再对遗忘因子进行指数加权处理，如下式：J(n)＝∑λn-i|ε(i)|2其中，λ表示为遗忘因子，取值为0<λ<1；λn-i表示指数加权的遗忘因子；λ(n)表示随机加权的可变遗忘因子；ρ表示敏感增益系数；ε(n)表示估计出的误差，F(n)表示随机加权的权重。2.如权利要求1所述的改进的RLS自适应滤波的陀螺去噪方法，其中，所述滤波器的RLS算法步骤还包括：(1)对于数据初始化...

【专利技术属性】
技术研发人员：杨菊花，陈光武，刘昊，王迪，李文元，邢东峰，李鹏，石建强，刘射德，包成启，司涌波，梁豆豆，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：甘肃,62