[发明专利]基于改进粒子滤波的MEMS陀螺随机误差补偿方法

摘要

本发明属于陀螺导航领域，具体涉及一种基于改进粒子滤波的MEMS陀螺随机误差补偿方法。包括数据的采集、预处理与检验对处理后的MEMS陀螺的输出数据进行时间序列分析建模利用小波网络算法优化粒子滤波，改善粒子滤波性能；对时间序列模型进行粒子滤波，对MEMS陀螺仪误差补偿，提高精度。M本发明采用一种改进的粒子滤波算法，将小波网络算法与粒子滤波典型采样算法结合，增大位于概率分布尾部的粒子权值，使较高权值的粒子分解为若干个较小权值的粒子，提高粒子样本的多样性，减小误差，提高滤波效果。将基于小波网络的粒子滤波算法应用到MEMS陀螺仪的误差补偿中，可以有效减少随机误差，提高MEMS陀螺仪精度。

主权项

基于改进粒子滤波的MEMS陀螺随机误差补偿方法，其特征在于：(1)数据的采集、预处理与检验：采集MEMS陀螺的输出数据，把安装在转台上惯导系统，采样频率设为100Hz，采样时间为20ms，进行陀螺输出数据采集，保存采集的数据，从采集的MEMS陀螺仪输出数据中选取前10000个数据，去除陀螺的确定性误差，得到包含噪声的陀螺随机漂移数据，对MEMS陀螺的输出数据进行预处理，得到平稳、正态、零均值的MEMS陀螺输出的时间序列；(2)对处理后的MEMS陀螺的输出数据进行时间序列分析建模：分析MEMS陀螺仪的输出数据，利用AIC准则确定模型为ARMA(2,1)：x^k=0.1542x^k-1-0.03125x^k-2+ak-1.04ak-1]]>xk由yk一阶差分得到，最终得到的MEMS陀螺随机漂移的时间序列模型为：y^k+1=1.1542y^k-0.18545y^k-1+0.03125y^k-2+ak-1.04ak-1]]>为模型的输出，即估计的时间序列，ak为白噪声；(3)利用小波网络算法优化粒子滤波，改善粒子滤波性能：(3.1)初始化，k＝0时，采样得到N个粒子(3.2)对i＝1,2,…,N计算重要性权值：ωki=ωk-1ip(zk|xki)p(xki|xki)q(xki|x1:k-1i,z1:k)]]>式中，表示k时刻第i个粒子的权值，将得到的粒子权值用矩阵表示并按降序排列；将权值矩阵W分为高权值矩阵与低权值矩阵(3.3)权值分裂：将高权值的粒子分裂成中阶权值的粒子并取代低权值的粒子；(3.4)权值调整：利用小波网络调整低权值的粒子；低权值的粒子作为小波网络的输入数据，粒子的状态值作为小波网络的初始权值，任意时刻的量测值为小波网络的期望输出；样本的学习函数为系统的量测方程，训练网络，小波网络输出的为调整后的粒子权值，将得到的新的粒子权值归一化处理；(3.5)重采样：若则进行重采样，其中Neff为样本的有效抽样尺度，Nthreshold为提前设定的阈值；(3.6)输出：状态估计：方差估计：(3.7)判断是否结束，若是则退出，否则返回步骤(3.4)；(4)对时间序列模型进行粒子滤波，对MEMS陀螺仪误差补偿，提高精度：基于所建模型，利用步骤(3)中改进的滤波算法对MEMS陀螺随机误差进行有效地补偿：为随机时间序列；θj为自回归系数和滑动平均系数；ak为零均值的白噪声；确定状态向量为观测向量为建立粒子滤波的系统和量测方程为：X(k+1)＝AX(k)+BW(k)Z(k)＝CX(k)+V(k)C＝[1 0 0]，W(k)＝[ak ak‑1]T，对MEMS陀螺仪的随机漂移的时间序列模型进行滤波处理，粒子数N选为100。