一种基于盲源分离方法的惯性导航传感器数据去噪方法技术

本发明专利技术公开了一种基于盲源分离方法的惯性导航传感器数据去噪方法，步骤(1)、将采集单元采样频率设为100Hz，进行惯性数据采集；步骤(2)、采集并记录沿直线行走过程中的惯性数据；步骤(3)、对所采集数据进行建模，采集到的数据是盲源分离模型中的观测信号；步骤(4)、以至少3组数据作为观测信号，采用FastICA算法对建模后的数据进行处理，处理得到的盲源分离结果中与原始信号极为相似且能量明显高于其他成分的信号作为有效信号，其他成分认定为噪声；这样就实现了有效信号与噪声信号的分离。与现有的一些去噪方案相比，本发明专利技术采用盲源分离方法，用于传感器数据的噪声去除，能够有效地去除噪声，得到更加准确的数据，提高测量精度。

【技术实现步骤摘要】
一种基于盲源分离方法的惯性导航传感器数据去噪方法
本专利技术属于数字信号处理
，特别是涉及一种利用盲源分离方法对噪声进行去除的方法。
技术介绍
盲源分离(BlindSourceSeparation，简称BSS)技术是指在源信号和混合信道均未知的情况下，仅仅利用观测信号来恢复出源信号的过程。它属于无监督学习的范畴，在很多领域得到发展，特别是在生物医学工程、地震勘探、语音增强等领域具有突出的作用。盲源分离作为一种面向复杂信号的信号处理技术，已经成为现代信号处理技术中的一个重要的领域，也是目前国际上认为的信号处理领域的关键技术难点之一，成为在很多领域得到应用的重要课题。对线性瞬时混合盲源分离问题，当观测源的数目等于源信号数目时，为适定盲源分离；当观测源的数目大于源信号数目时，为超定盲源分离。有时会发生观测源的数目少于源信号数目的情况，此时为欠定盲源分离。独立分量分析(ICA)及由此改进的FastICA可以处理超定情形。盲源分离中的“盲”一般是基于两方面来说的：一是所要分离的源信号的波形和数目都是未知的；二是观测信号是以一种怎样的方式由源信号混合而成也是未知的。盲源分离问题实质上是一种归纳推理问题，因为可用信息有限。例如传感器的观测信息，用来观察最可能的源估计。近年来，全球定位系统(GPS)的应用范围愈加广泛。GPS信号在室内环境中的精度产生明显的下降。因此在室内环境中，研究出一种将GPS定位与其他定位方法相结合以实现室内精准定位的方法显得尤为重要。室内定位技术用到的惯性传感器具有体积小、成本低和易于穿戴等特点，在行人惯性导航等领域有着广泛的应用；但是惯性传感器存在不可避免的噪声，这样会给行人的位置计算精度造成较大的影响。因此对噪声进行分析并去除显得十分必要。
技术实现思路
基于以上的现有技术及存在的缺陷，本专利技术提出了一种一种基于盲源分离方法的惯性导航传感器数据去噪方法，具体应用于惯性导航传感器测量的运动数据的噪声去除。本专利技术的一种基于盲源分离方法的惯性导航传感器数据去噪方法，该方法具体包括以下步骤：步骤1、将采集单元固定于脚背处，采样频率设为100Hz，进行惯性数据采集；步骤2、采集并记录沿直线行走过程中的惯性数据；步骤3、对所采集到的盲源分离模型中的观测信号数据进行建模，盲源分离的线性数学模型为：x(t)＝f(s(t))＝As(t)其中，A表示BSS问题中的混合矩阵，s(t)表示源信号，x(t)表示观测信号，上述采集的数据即为该模型中的观测信号；步骤4、以至少3组数据作为观测信号，采用FastICA算法对建模后的数据进行处理，处理得到的盲源分离结果中与原始信号极为相似且能量明显高于其他成分的信号作为有效信号，其他成分认定为噪声；这样就实现了有效信号与噪声信号的分离。与现有的一些去噪方案相比，本专利技术采用盲源分离方法，用于传感器数据的噪声去除，能够有效地去除噪声，得到更加准确的数据，提高测量精度。附图说明图1为本专利技术的一种基于盲源分离方法的惯性导航传感器数据去噪方法整体流程图；图2为本专利技术的一种基于盲源分离方法的惯性导航传感器数据去噪方法仿真结果示意图；左图是加入噪声后的信号，右图是对信号进行分离，分离出的有效信号和噪声信号，初步证明，盲源分离方法可以用来对有效信号和噪声进行分离。具体实施方式本专利技术的主要专利技术构思是：对于含噪声情况下，仅仅依据观测信号，对信号进行处理进而恢复出源信号，去除噪声。下面将结合附图对本专利技术的实施方式作进一步的详细描述。本专利技术中的采集单元使用的惯性传感器阵列为OSMIUMMIMU4X9C/4X4C，包含32个IMU，每个传感器包含了3轴加速度计及三轴陀螺仪。采集单元的输出为所有惯性传感器的共同输出所组成的整体传感输出信号。其中的惯性传感器的器件噪声主要来自于零偏误差、交叉耦合以及随机噪声等。针对这些噪声对测量精度的影响，采用合理的方案对噪声进行去除，是本专利技术解决的关键问题。如图1所示，为本专利技术的一种基于盲源分离方法的惯性导航传感器数据去噪方法，该方法具体包括以下步骤：步骤1、将采集单元固定于脚背处，采样频率设为100Hz，进行惯性数据采集；步骤2、采集并记录沿直线行走过程中的惯性数据；步骤3、对所采集数据进行建模，采集到的数据是盲源分离模型中的观测信号。盲源分离的线性数学模型为：x(t)＝f(s(t))＝As(t)，其中，A是BSS问题中的混合矩阵，s(t)是源信号，x(t)是观测信号。上述采集的数据即为该模型中的观测信号；步骤4、以至少3组数据作为观测信号，采用FastICA算法对建模后的数据进行处理。具体是，a、对观测信号的数据进行中心化处理，使得它的均值为零；b、对观测信号的数据进行白化处理，白化处理是一种预处理方式，能够去除各观测信号之间的相关性，使得原来所要求的解混合矩阵变成一个正交阵，减少了算法的计算量，得到Z；c、选择观测信号的数量，个数记为m，设迭代次数p←1；d、选择一个初始化向量W；e、通过计算得到新的Wpnew，计算公式为Wpnew＝E{Zg(WTZ)}-E{g'(WTZ)}W(其中，W为步骤d所述，Z为步骤b所得白化后的向量，g为非线性函数，在这里定义为：g(y)＝tanh(y))；f、该步骤是渐进正交化中的关键一步，具体来说就是，假定已经估计出了p个分量，那么可以再次运行一元算法来估计第p+1个分量，在每次迭代循环后从Wp+1中减去这个分量在已经估计出的前p个向量上的投影(Wp+1TWj)Wj；g、标准化，对Wp进行标准化，除以其范数，即令Wp＝Wp/||Wp||(其中||Wp||为Wp的范数)；h、假如Wp不收敛，返回步骤e，重新执行步骤f至(g)，假如Wp收敛，执行步骤(i)；i、令p＝p+1，如果p≤m，(p为迭代次数，m为前文所述观测信号的数量)返回步骤(d)，重新执行步骤(e)至(g)；处理得到的盲源分离结果中与原始信号极为相似且能量明显高于其他成分的信号作为有效信号，其他成分认定为噪声；这样就实现了有效信号与噪声信号的分离。本专利技术并不局限于前述的具体步骤。本专利技术扩展到任何本说明书中披露的新特征或任何新的组合，或新的步骤的组合。综上，本说明书内容不应理解为对本专利技术的限制。本文档来自技高网...

【技术保护点】
1.一种基于盲源分离方法的惯性导航传感器数据去噪方法，该方法具体包括以下步骤：步骤(1)、将采集单元固定于脚背处，进行惯性数据采集；步骤(2)、采集并记录沿直线行走过程中的惯性数据；步骤(3)、对所采集到的盲源分离模型中的观测信号数据进行建模，盲源分离的线性数学模型为：x(t)＝f(s(t))＝As(t)其中，A表示BSS问题中的混合矩阵，s(t)表示源信号，x(t)表示观测信号，上述采集的数据即为该模型中的观测信号；步骤(4)、以至少3组数据作为观测信号，采用FastICA算法对建模后的数据进行处理，处理得到的盲源分离结果中与原始信号极为相似且能量明显高于其他成分的信号作为有效信号，其他成分认定为噪声；这样就实现了有效信号与噪声信号的分离。

【技术特征摘要】
1.一种基于盲源分离方法的惯性导航传感器数据去噪方法，该方法具体包括以下步骤：步骤(1)、将采集单元固定于脚背处，进行惯性数据采集；步骤(2)、采集并记录沿直线行走过程中的惯性数据；步骤(3)、对所采集到的盲源分离模型中的观测信号数据进行建模，盲源分离的线性数学模型为：x(t)＝f(s(t))＝As(t)其中，A表示BSS问题中的混合矩阵，s(t)表示源信号，x(t)表示观测信号，上述采集的数据即为该模型中的观测信号；步骤(4)、以至少3组数据作为观测信号，采用FastICA算法对建模后的数据进行处理，处理得到的盲源分离结果中与原始信号极为相似且能量明显高于其他成分的信号作为有效信号，其他成分认定为噪声；这样就实现了有效信号与噪声信号的分离。2.如权利要求1所述的一种基于盲源分离方法的惯性导航传感器数据去噪方法，其中步骤(4)中采用FastICA算法对建模后的数据进行处理，具体包括以下步骤：(a)、对观测信号的数据进行中心化处理，使得它的均值为零；(b)、对观测信号...

【专利技术属性】
技术研发人员：刘昱，吴倩，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12