[发明专利]融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法

说明书

本发明公开了融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法，包括建立陀螺仪信号的时间序列模型；采用卡尔曼滤波对陀螺仪信号去噪；利用小波分析，分别对卡尔曼滤波后的陀螺仪信号的低频分量、高频分量进行阈值处理；对阈值处理后的陀螺仪信号的高频和低频信号进行小波重构。本发明为MEMS陀螺仪信号提供一种融合卡尔曼滤波和小波的自适应抗野值去噪方案，可以更有效的提高传感器的精度，减少误差。

技术领域

本发明属于传感器信号处理领域，具体涉及融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法。

背景技术

微电子技术生产的MEMS(Microelectro Mechanical Systems)传感器是一种新型的微型惯性传感器，在低成本的捷联惯导系统中被广泛应用。使用MEMS陀螺仪测量数据前，为了减少其随机漂移误差，提高传感器精度，需对其进行去噪处理。

对MEMS陀螺仪信号去噪，一般采用卡尔曼滤波或小波分析，卡尔曼滤波计算简单易处理，但实际过程中由于各种因素的影响，会导致滤波器发散，往往通过增加当前量测值的权重抑制滤波器的发散，且信号中的野值等干扰数据也会影响滤波器的精度，影响去噪效果。小波分析常用于信号处理。通过对信号的分解，对其高频部分阈值化处理，再对其低频和处理后的高频信号进行小波重构得到去噪信号。当大量的噪声都处于高频分量中，小波去噪对信号中的噪声有良好的抑制效果。但MEMS陀螺仪信号中的角度随机游走和零偏不稳定性常常处于低频分量中。

发明内容

本发明的技术问题是MEMS陀螺仪测量数据往往存在随机漂移误差，需对其进行去噪处理，而现有的卡尔曼滤波方法的精度受信号中的野值等干扰数据的影响，现有的小波去噪只对信号的高频分量进行阈值处理，忽略了MEMS陀螺仪信号中常常处于低频分量的角度随机游走和零偏不稳定性。

本发明的目的是为解决上述问题，提供一种融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法，对陀螺仪信号进行自适应抗野值卡尔曼滤波之后，继而在确定小波分解水平的前提下，对低频分量和高频分量同时进行小波阈值处理，融合卡尔曼滤波和小波去噪的优点，更好地抑制陀螺仪信号噪声，提高陀螺仪的测量精度。

本发明的技术方案是融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法，用于对MEMS陀螺仪信号去噪，包括以下步骤，

步骤1：建立MEMS陀螺仪信号的时间序列ARMA模型；

步骤2：采用卡尔曼滤波对陀螺仪信号去噪；

步骤3：利用小波分析，分别对卡尔曼滤波后的陀螺仪信号的低频分量、高频分量进行阈值处理；

步骤4：对阈值处理后的陀螺仪信号的高频和低频信号采用matlab软件中waverec函数进行小波重构。

进一步的，步骤2中，所述卡尔曼滤波为自适应抗野值卡尔曼滤波。

进一步的，步骤1中，所述建立陀螺仪信号的时间序列模型，先提取陀螺仪原始信号中的趋势项和周期项，再对其残差建立时间序列ARMA模型，采用最终预报误差FPE准则对模型定阶，求得陀螺随机漂移误差模型

m_k+1＝am_k+ξ_k+1

式中m_k,m_k+1分别表示t_k,t_k+1时刻的陀螺仪误差，a为自回归系数，ξ_k+1为t_k+1时刻的白噪声。

进一步的，步骤2包括以下子步骤：

步骤2.1：根据步骤1的陀螺随机漂移误差模型建立卡尔曼滤波器的状态方程和量测方程；