基于小波多尺度分析的mems陀螺随机误差补偿方法
【专利摘要】本发明涉及惯性导航领域，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。
【专利说明】基于小波多尺度分析的MEMS陀螺随机误差补偿方法
【技术领域】
[0001] 本发明涉及惯性导航领域，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。
【背景技术】
[0002] 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。
[0003] 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。
[0004] 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。本发明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。
【发明内容】
[0005] 针对现有技术中存在的缺陷，本发明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：
[0006] 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；
[0007] 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；
[0008] 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；
[0009] 对有色噪声建立小波网络的模型，其表达式为：
[0010] xg = f (x1； x2, ···, Xg-i) toon] 式中，xg为网络的输出数据，g为输入数据个数；[Xl，x 2，…，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；
[0012] 对测量噪声建立小波网络模型，其表达式为：
[0013] ew = f(D/1,D/2,-,D/ j)
[0014] 式中，ε￥为测量噪声，j为小波分解尺度，QV 2, "·，Ν」]为重构后的高频 系数；
[0015] 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。
[0016] 与现有技术相比，上述技术方案具有以下优点或有益效果：
[0017] (1)本发明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；
[0018] (2)本发明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。
【专利附图】
【附图说明】
[0019] 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。
[0020] 图2是MEMS陀螺静态漂移输出示意图。
[0021] 图3是MEMS陀螺随机漂移输出示意图。
[0022] 图4是小波分解示意图。
[0023] 图5是小波网络算法流程图。
[0024] 图6是MEMS随机误差补偿后示意图。
【具体实施方式】
[0025] 本发明描述的方法是一种MEMS陀螺随机误差补偿方法，该发明采用了小波多尺 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。本发明设计方案如图1所示，步骤如下：
[0026] 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。
[0027] 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，所以本发明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：
[0028] ε = ε 〇+ ε r+ ε w (1)
[0029] 式中，ε为MEMS陀螺仪的随机误差；ε ^为随机常值漂移；ε ^为有色噪声；ε w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。
[0030] 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。
[0031] 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。
[0032] 设s (t)是连续且平方可积函数，
【权利要求】
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； 对有色噪声建立小波网络的模型，其表达式为： Xg - f (X" X2，…，Xg-i) 式中，Xg为网络的输出数据，g为输入数据个数；[Xl，X2，…，X g]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： 式中，ε￥为测量噪声，j为小波分解尺度，[D' 2，···，Ν 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。
【文档编号】G01C25/00GK104251712SQ201410525603
【公开日】2014年12月31日 申请日期:2014年10月9日 优先权日:2014年10月9日
【发明者】徐定杰, 兰晓明, 沈锋, 王璐, 何爽, 侯艳雪, 迟晓彤, 桑靖, 李伟东 申请人:哈尔滨工程大学