[发明专利]车载微机械陀螺仪异常测量数据的识别与修正方法

摘要

本发明公开了一种车载微机械陀螺仪异常测量数据的识别与修正方法，该方法首先从陀螺仪的原始测量数据中选取400个连续平滑的数据作为样本，并对样本做一次差分然后再进行零均值化得到零均值的平稳样本；接着作出零均值的平稳样本的自相关系数图和偏相关系数图，根据其自相关系数和偏相关系数的分布特征并结合池信息准则确定其自回归移动平均模型，再用最小二乘估计法对模型参数进行估计；然后，将零均值的平稳样本的模型进行转变并推广到原始测量数据；最后，将转变后的模型再进行变形，使用变形后的模型来识别和修正微机械陀螺仪异常测量数据。

主权项

1.一种车载微机械陀螺仪异常测量数据的识别与修正方法，其特征在于，包含如下步骤：步骤1)在得到微机械陀螺仪的原始测量数据data(i)后，i＝1，2，...，n，i表示采样序数，n为数据的长度且为正整数，从data(i)中选取400个连续平滑数据的data(l)作为样本，l＝j，j+1，j+2，...，j+399，j为整数且1≤j≤n-399，接着对data(l)做一次差分，即x(t)＝data(t+1)-data(t)，其中x(t)即为差分后的结果，t＝j，j+1，j+2，...，j+398；然后对x(t)进行零均值化，则：其中t＝j，j+1，j+2，...，j+398，其中y(t)为零均值化后的数据，此时得到的y(t)即为零均值的平稳时间序列，t＝j，j+1，j+2，...，j+398，步骤2)作出y(t)的自相关系数图和偏相关系数图，根据自相关系数和偏相关系数的分布特征并结合池信息准则(Akaike Information Criterion，AIC)确定y(t)的自回归移动平均模型为ARMA(1，1)，所述的ARMA(1，1)模型为为自回归参数，θ₁为移动平均参数，接着用最小二乘估计法对ARMA(1，1)的参数进行估计，得到模型参数为：θ₁＝-0.4497，计算出y(t)的方差σ²，则y(t)的模型为：y(k)＝-0.2248y(k-1)+ε(k)+0.4497ε(k-1)，其中k＝j+1，j+2，...，j+398，ε(k)及ε(k-1)是均值为0，方差为σ²的白噪声序列，步骤3)将y(t)的模型进行转变并推广到微机械陀螺仪的原始测量数据data(i)，i＝1，2，...，n，转变后的data(i)的模型为：data(k1+1)=0.7752data(k1)+0.2248data(k1-1)+1.2248x‾+ϵ(k1)+0.4497ϵ(k1-1)]]>其中k₁＝2，3，...，n-1，步骤4)令z(i)＝data(i)，i＝1，2，...，n，则转变后的data(i)的模型变形为：z^(k1+1)=0.7752z(k1)+0.2248z(k1-1)+1.2248x‾+ϵ(k1)+0.4497ϵ(k1-1),]]>其中k₁＝2，3，...，n-1，表示z(i)的预测值，接着使用变形后的模型来识别和修正微机械陀螺仪异常测量数据的方法为：步骤4.1首先令m＝3，建立一个新的序列f(i)，i＝1，2，...，n，其中f(1)＝z(1)，f(2)＝z(2)，f(i)的其余元素取值都为零，步骤4.2从原始数据中取出z(m)，z(m-1)和z(m-2)，由z(m-1)和z(m-2)得到z^(m)=0.7752z(m-1)+0.2248z(m-2)+1.2248x‾+ϵ(m-1)+0.4497ϵ(m-2);]]>如果则转到步骤4.3，否则，将z(m)赋值给f(m)，即f(m)＝z(m)，再转到步骤4.4，步骤4.3此时的z(m)是识别出的异常数据，接着对异常数据z(m)进行修正，修正后z(m)为median表示取中位数，同时，以修正后z(m)替换修正前z(m)，并且将修正后的z(m)赋值给f(m)，即f(m)=median{z^(m-2),z^(m-1),z^(m)},]]>步骤4.4令m＝m+1，如果m＝n，则转到步骤4.5，否则转到步骤4.2，步骤4.5结束，此时得到的更新后的f(i)，i＝1，2，...，n，就是修正后的陀螺仪测量数据。