基于小波多尺度分析的MEMS陀螺随机误差补偿方法技术

本发明专利技术涉及惯性导航领域，具体涉及基于小波多尺度分析的MEMS陀螺(Micro Electro Mechanical System,MEMS)随机误差补偿方法。本发明专利技术包括：采集MEMS陀螺的静态输出数据，并对输出数据进行预处理，去除输出数据中的陀螺常值漂移；对预处理后的输出数据展开小波多尺度分析；分别建立有色噪声和测量噪声的小波网络模型，并利用增加动量项方法修正网络参数，训练结束后保持网络；得到MEMS陀螺的随机误差模型，最终利用该随机误差模型去估计并补偿MEMS陀螺的随机误差。本发明专利技术利用小波多尺度分析方法对MEMS陀螺随机误差分析，能有效地分离出随机误差的有色噪声和测量噪声，进而建立相应的噪声模型。因此，所建立的模型更为精确，能提升对随机误差的估计精确度。

【技术实现步骤摘要】

本专利技术涉及惯性导航领域，具体涉及基于小波多尺度分析的MEMS陀螺(Micro Electro Mechanical System,MEMS)随机误差补偿方法。
技术介绍
随着微电子技术的发展，MEMS技术得到了迅速的发展。由于其独特的制造工艺以及微型化、易于集成化、易于批量生产等特点，使得基于MEMS技术的惯性器件在导航制导、汽车、飞行器、机器人等领域得到了广泛的应用。MEMS陀螺是基于MEMS技术制造的陀螺，由于易受制造工艺和使用环境影响，MEMS陀螺的输出包含有较大的随机漂移，限制了MEMS陀螺的精度。因此，对MEMS陀螺进行随机误差建模与补偿，对提升惯性器件的性能具有重要的实际意义。对MEMS陀螺随机误差的补偿，通常需要首先建立MEMS陀螺随机误差的模型，再结合模型对陀螺随机误差进行估计与补偿。通常采用Allan方差分析法和ARMA时间序列分析法。虽然这两种方法都可以实现对陀螺随机误差的建模，但是对陀螺输出的数据要求比较严格，而且所建立模型的精度依赖于数据的预处理过程，限制了陀螺随机误差的补偿性能。小波多尺度分析可以对信号进行细致的分析，通过对信号的低频部分进行分解，将信号分解成低频率部分(近似部分)和高频率部分(细节部分)，从而得到信号的变化趋势和瞬时变化。小波网络是小波分析理论与神经网络相结合的产物，它继承了小波变换和神经网络的优点，因而表现出具有对非线性函数的最佳逼近和全局逼近的能力，又具有自学习、自适应、时频特性好、建模能力强等特性，因此在非线性系统建模中获得了广泛的应用。本专利技术提出基于小波多尺度分析的MEMS陀螺随机误差补偿方法，可以对陀螺随机误差建立准确的模型，且对随机误差数据不需要处理即可建模，大大降低了工作量。将此模型用于随机误差补偿中，有效减小了随机误差，提高陀螺仪精度。
技术实现思路
针对现有技术中存在的缺陷，本专利技术提供一种基于小波多尺度分析的MEMS陀螺随机误差补偿方法。该方法的步骤如下：步骤1：采集MEMS陀螺的静态输出数据，并对输出数据进行预处理，去除输出数据中的陀螺常值漂移；步骤2：对预处理后的输出数据展开小波多尺度分析，首先对输出数据进行多尺度小波分解，再对小波分解后得到的低频和高频系数进行量化处理，然后分别进行重构，得到重构后的低频系数和高频系数，进而分离出有色噪声和测量噪声；步骤3：利用步骤2中分离出的噪声对粒子群小波网络进行训练，分别建立有色噪声和测量噪声的小波网络模型，并利用增加动量项方法修正网络参数，训练结束后保持网络；对有色噪声建立小波网络的模型，其表达式为：xg＝f(x1,x2,…,xg-1)式中，xg为网络的输出数据，g为输入数据个数；[x1,x2,…,xg]为重构后的低频系数，作为网络的输入数据；f()为小波拟合函数；对测量噪声建立小波网络模型，其表达式为：εw＝f(D′1,D′2,…,D′j)式中，εw为测量噪声，j为小波分解尺度，[D′1,D′2,…,D′j]为重构后的高频系数；步骤4：将步骤3中得到的有色噪声模型和测量噪声模型进行组合，得到MEMS陀螺的随机误差模型，最终利用该随机误差模型去估计并补偿MEMS陀螺的随机误差。与现有技术相比，上述技术方案具有以下优点或有益效果：(1)本专利技术利用小波多尺度分析方法对MEMS陀螺随机误差分析，能有效地分离出随机误差的有色噪声和测量噪声，进而建立相应的噪声模型。因此，所建立的模型更为精确，能提升对随机误差的估计精确度；(2)本专利技术采用的是小波网络建模方法，该种学习算法具有更稳定的性能，能收敛到全局最小点，减少网络的训练时间，充分利用训练数据，进而提高网络模型的精度。附图说明图1是基于小波多尺度分析的MEMS陀螺随机误差补偿方法的流程图。图2是MEMS陀螺静态漂移输出示意图。图3是MEMS陀螺随机漂移输出示意图。图4是小波分解示意图。图5是小波网络算法流程图。图6是MEMS随机误差补偿后示意图。具体实施方式本专利技术描述的方法是一种MEMS陀螺随机误差补偿方法，该专利技术采用了小波多尺度分析与小波网络结合的方法，利用小波多尺度分析将陀螺仪随机误差中包含的噪声项进行分离，从而建立MEMS陀螺随机误差模型，对随机误差进行补偿。与传统方法相比可有效地补偿随机误差，陀螺精度有了明显的提高。本专利技术设计方案如图1所示，步骤如下：步骤1：采集MEMS陀螺的输出数据，对输出数据进行随机误差分析。MEMS陀螺仪的随机误差是一个无线性规律的随机过程，通常包括量化噪声、角度随机游走、速率随机游走、零偏不稳定性、速率斜坡等误差项。MEMS陀螺仪的静态输出能够很好地反映噪声特性，所以本专利技术采用陀螺的静态输出分析其随机误差。对陀螺仪静态输出信号连续采样得到如图2所示的静态漂移。通过对其自相关特性分析，可将MEMS陀螺仪的随机误差分为有色噪声和测量白噪声两部分，考虑到随机常值漂移存在，则MEMS陀螺仪的漂移可由随机常值漂移、有色噪声和测量白噪声三部分组成。表示为：ε＝ε0+εr+εw    (1)式中，ε为MEMS陀螺仪的随机误差；ε0为随机常值漂移；εr为有色噪声；εw为测量白噪声。分析图2可知，MEMS陀螺仪的静态漂移是一个随机过程，常值漂移占很大的比重，在分析陀螺随机误差时通常将常值漂移去除，采用去均值的方法去除常值漂移，得到陀螺随机误差，如图3所示。步骤2：对处理后的输出数据进行小波多尺度分析，分离出各噪声成分。利用db4小波函数对输出数据进行分解与重构，分离噪声。小波分析是傅里叶分析方法的发展与延拓，在时-频域都有表征信号局部特征的能力，具有多分辨率分析的特点。设s(t)是连续且平方可积函数，dj,k=<s(t),φj,k(t)>---(3)]]>式中，cj,k、dj,k分别为s(t)与φj,k(t)的内积；为小波基函数；φj,k(t)＝2-j/2φ(2-jt-k)为尺度基函数；j为小波空间的尺度，k平移因子。用可变分辨率2-j逼近s(t)，则可得到信号的粗分辨率逼近的低频部分Ajs(t)和细节的高频信息Djs(t)，如下所示：Djs(t)=Σk=-∞+∞dj,kφj,k(t)---(4)]]>称为s(t)的小波分解。j为小波空间的尺度，Ajs(t)为信号s(t)的低频部分，Djs(t)为信号s(t)的高频部分。多尺度分析是通过对信号的低频部分进行分解，高频部分不进行任何处理的分析方法。将信号经j次分解其表达本文档来自技高网...

【技术保护点】
基于小波多尺度分析的MEMS陀螺随机误差补偿方法，其特征在于，包括以下步骤：步骤1：采集MEMS陀螺的静态输出数据，并对输出数据进行预处理，去除输出数据中的陀螺常值漂移；步骤2：对预处理后的输出数据展开小波多尺度分析，首先对输出数据进行多尺度小波分解，再对小波分解后得到的低频和高频系数进行量化处理，然后分别进行重构，得到重构后的低频系数和高频系数，进而分离出有色噪声和测量噪声；步骤3：利用步骤2中分离出的噪声对粒子群小波网络进行训练，分别建立有色噪声和测量噪声的小波网络模型，并利用增加动量项方法修正网络参数，训练结束后保持网络；对有色噪声建立小波网络的模型，其表达式为：xg＝f(x1,x2,…,xg‑1)式中，xg为网络的输出数据，g为输入数据个数；[x1,x2,…,xg]为重构后的低频系数，作为网络的输入数据；f()为小波拟合函数；对测量噪声建立小波网络模型，其表达式为：εw＝f(D′1,D′2,…,D′j)式中，εw为测量噪声，j为小波分解尺度，[D′1,D′2,…,D′j]为重构后的高频系数；步骤4：将步骤3中得到的有色噪声模型和测量噪声模型进行组合，得到MEMS陀螺的随机误差模型，最终利用该随机误差模型去估计并补偿MEMS陀螺的随机误差。...

【技术特征摘要】
1.基于小波多尺度分析的MEMS陀螺随机误差补偿方法，其特征在于，包括以下步骤：
步骤1：采集MEMS陀螺的静态输出数据，并对输出数据进行预处理，去除输出数据中
的陀螺常值漂移；
步骤2：对预处理后的输出数据展开小波多尺度分析，首先对输出数据进行多尺度小波
分解，再对小波分解后得到的低频和高频系数进行量化处理，然后分别进行重构，得到重构
后的低频系数和高频系数，进而分离出有色噪声和测量噪声；
步骤3：利用步骤2中分离出的噪声对粒子群小波网络进行训练，分别建立有色噪声和测
量噪声的小波网络模型，并利用增加动量项方法修正网络参数，训练结束后保持网络；

【专利技术属性】
技术研发人员：徐定杰，兰晓明，沈锋，王璐，何爽，侯艳雪，迟晓彤，桑靖，李伟东，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23