[发明专利]基于前向线性预测的自适应小波神经网络去噪建模方法

说明书

技术领域

本发明属于惯性技术领域中的信号处理，涉及一种光纤陀螺零漂信号处理方法，特别涉及一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法-FLP-WNN算法，适用于各种光纤陀螺仪。

背景技术

光纤陀螺(FOG)自1976年提出原理方案以来得到了极大的发展。光纤陀螺是以Sagnac效应为基础发展起来的一种新型的全固态的陀螺仪，是一种无机械转动部件的惯性测量元件，但是因为其输出信号往往受到噪声的影响而造成漂移，影响陀螺的输出特性。因此，如何去除噪声，对漂移进行补偿，以提高信号的零漂性能，这是光纤陀螺信号处理方向中的一个很重要的课题。

衡量光纤陀螺性能的一项重要指标是零偏稳定性，也成为零位漂移即零漂，它通常定义为一定平均时间(如10s)下陀螺输出角速率的标准偏差(1σ)。通常情况下，零漂由光纤陀螺静态输出中的漂移和噪声共同决定。其中噪声呈现为一种短期的随机变化，而漂移通常是指输出中的低频波动或趋势性变化。在光纤陀螺中，噪声和漂移是两个不同的概念，它们产生的机理和特性不同，对系统性能的影响也是不同的。在不考虑漂移因素的情况下，光纤陀螺输出的噪声特性含有一个称为“随机游走”的统计过程，其中每一个输出数据都由一个统计学上独立的时间构成，彼此是不相关的。随着测量时间的增加，这一随机游走支配的变量将会发生一个向真实测量值逐渐收敛的情况，这个平均值称为光纤陀螺的零偏。因此理论上，如果光纤陀螺信号中仅有白噪声，那么光纤陀螺的长期零偏稳定性必将随着平均时间和测试时间的增加而变小，其零偏值也渐趋恒定为零或为一常值。事实上由于环境扰动和光纤陀螺残余“非互易性”引起漂移，将使光纤陀螺的长期零偏稳定性限定在某一量级或某一范围内，再增加平均时间也不会改善零偏稳定性。这种由于环境扰动和光纤陀螺“非互易性”引起的扰动，反映了陀螺输出信号的长时间变化，称为“漂移”。因此对光纤陀螺信号进行处理，就必须消除噪声以及漂移，以提高光纤陀螺的精度。

传统的消除光纤陀螺零漂的方法多为分步进行，即首先消除陀螺信号的噪声，然后再利用漂移模型进行补偿。在去噪方法中，主要有小波分析、FLP算法、LMS算法以及各种低通滤波器等；在漂移建模方法中，主要有神经网络建模、ARMA模型、卡尔曼滤波建模等方法。其中，小波变换、FLP算法以及神经网络建模均获得了良好的效果。但是由于处理方法的分步进行，使得信号处理速度较慢，去噪效果有限，建模精度也不够高。本发明将小波变换、FLP算法及神经网络建模融合在一起，得到了一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法，得到了良好的信号去噪效果，建立了高精度的漂移模型，有效的消除了零漂对光纤陀螺信号的影响。

发明内容

本发明的技术解决问题：克服现有技术的不足，一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法-FLP-WNN算法，该方法将小波变换、FLP算法与神经网络算法的优点结合在一起，能有效的去除光纤陀螺信号中噪声，提高建模精度，且易于程序实现。

本发明的技术解决方案：一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法-FLP-WNN算法，主要包括以下四个步骤：

(1)利用小波变换对光纤陀螺零漂信号进行多尺度分解

以db4小波作为小波基对光纤陀螺零漂信号进行多尺度分解，分解层数为n，得到各层的分解系数，包括近似系数和细节系数。

(2)对分解得到的逼近系数和细节系数进行单支重构

对分解后得到的逼近系数和细节系数进行单支重构，从而得到重构后的近似信号a_n与细节信号d_i(i＝1，2，Λ，n)。重构小波基选为db4小波。

(3)对重构后的逼近信号和细节信号逐层分别进行FLP去噪

在步骤(2)得到的单支重构的逼近信号与细节信号的基础上，利用FLP算法对近似信号与细节信号进行去噪处理，得到去噪后的信号a′(n)与d′_i(i＝1，2，Λ，n)。其中，FLP算法的阶数设为30，其步长选择遵循下面公式：E_j＝E[|e_n(n)|]。其中μ_j为不同频段下的步长，j＝1，2，Λ，6，E_j为第j频段内FLP绝对误差的均值。

(4)对网络进行训练，以得到光纤陀螺零漂信号的模型