MEMS陀螺仪随机误差滤波

针对微机电系统(MEMS,Micro Electromechanical System)陀螺仪的随机漂移,基于小波多尺度分析,利用bior1.5小波对陀螺仪的随机漂移进行深度为4的分解,重建各尺度信号,采用时间序列方法对陀螺仪各尺度随机漂移进行建模,与传统时间序列方法建模相比,降低了模型的预测误差.并构建了模糊自适应Kalman滤波,利用模糊控制方法基于残差均值与方差差值对噪声方差阵进行实时调整,提高对重建后的各尺度信号随机噪声滤波效果.通过一系列对比实验证明,基于多尺度分析的模糊自适应Kalman滤波对于消除MEMS陀螺仪随机漂移误差作用明显.通过Allan方差分析,滤波后的数据各随机误差项均得到有效减小.     

一种MEMS陀螺随机漂移的高精度建模方法

为补偿MEMS陀螺随机漂移,采用时间序列分析法对其进行自回归滑动平均（ARMA）模型辨识,提出一种滑动平均（MA）参数估计的新方法。先将陀螺随机漂移建模为带观测噪声的ARMA模型,在估计出自回归（AR）部分的参数后,针对AR滤波后的残差,推导出一种方差小的MA自协方差估计值,并将该估计值作为输入,利用Gevers-Wouters（GW）算法估计出MA部分的参数。仿真结果表明,MA参数估计精度得到提升的同时,参数估计可靠性也得到了增强。MEMS陀螺的随机漂移补偿实验进一步验证本文所提算法的补偿精度高于改进前。      

基于改进HHT的非高斯噪声中瞬态通信信号检测

根据瞬态通信信号和非高斯噪声的特点,建立了相应的信号模型,并利用希尔伯特-黄变换（HHT）处理非线性非平稳信号的优势,提出了基于改进HHT的非高斯噪声中瞬态通信信号的检测算法。该检测算法分为集合经验模式分解（EEMD）和固有模态函数（IMF）分量筛选两部分,首先经过加入随机白噪声多次试验取均值得到待检测信号的IMF分量,再结合各个分量与原信号的能量差异和相关性剔除虚假IMF分量,从而实现对混叠在非高斯噪声中的瞬态通信信号的有效检测。仿真在不同的条件下对比了本文算法与其他算法对信号的检测效果,结果证明本文算法能够有效克服HHT中存在的缺陷,实现对瞬态信号更为准确的分析和检测。     

基于EMD及PNN的航天器振动环境分析

针对航天器非平稳随机振动信号模态频率密集的特点,提出了基于经验模式分解EMD (Empirical Mode Decomposition)的多分量过程神经网络PNN(Process Neural Network)自回归模型.通过EMD对原始时间序列进行分解, 使之成为一组不同尺度的局部正交本征模函数IMF(Intrinsic Mode Functions),利用PNN对每个IMF分别进行时变参数分析并以此确定其时变自功率谱密度,对所有分量的时变自功率谱密度通过叠加进行重构, 以此得到原始信号的时变自功率谱密度.仿真结果和实例分析表明:和传统的时频分析法相比,该方法直接使用信号数据,避免了相关估计计算,减小了计算工作量;无交叉干扰项,提高了信号的时频分布特性,具有较高的时频分辨率;对各工况下航天器的振动信号能有效的进行分析,具有较强的信号特征提取能力.      

基于CEEMDAN的雷达信号脉内细微特征提取法

有效的信号特征提取是高精度雷达辐射源识别的基础,以脉冲描述字为代表的传统特征已无法满足复杂电磁环境的需要。本文提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）的有效雷达辐射源脉内细微特征提取算法。雷达信号由对非平稳、非线性信号尤为有效的CEEMDAN分解产生的个别分量重构,抑噪效果通过1 000次蒙特卡罗实验得到验证,同时设计基于该重构的一种脉内特征空间。本文方法与主流特征提取方法的识别精度在6部雷达辐射源产生的3 000个不同脉内调制的加噪信号样本上进行了实验对比,结果表明不同种类信号样本在本文特征空间中清晰可分,本文方法较之主流方法更加精确,尤其在0 dB信噪比（SNR）下仍保持90%以上的高精度。      

基于形态学滤波的快速多通道图像EMD

为了提高多通道图像经验模态分解（EMD）方法分解的效率，提出了一种基于形态学滤波的快速多通道图像EMD方法。利用形态学膨胀和腐蚀滤波可以计算图像上下包络这一重要特性，实现了多通道图像EMD的快速计算，形态学滤波窗口大小由各通道图像的平均极值距离确定，将一幅多通道图像自适应分解为若干个尺度从细到粗的内蕴模态函数（IMF）图像和一个体现图像整体变化趋势的余量。大量的实验结果与对比显示，所提方法不但能够加快EMD方法分解的速度，而且也能够有效地对多通道图像进行自适应分解。通过在图像融合和图像水印中的应用及大量的实验比较，说明了所提方法能够方便快捷地投入到具体的图像处理任务中。      

转轴扭转变形动态测量噪声消除方法研究

转轴的扭转变形信号中包含了大量与转轴运行状态相关的信息,但往往被噪声所淹没,合理的去噪处理能够得到更有效的信号成分,有助于对转轴的工作状态做出正确的判断。相比于传统滤波方法,基于EMD的去噪方法有较强的自适应性,更适合动态信号的处理。从转轴相互正交的两个方向采集的相位差信号,依据两路信号EMD分解后各阶本征模态函数的相关性去除噪声并恢复出有效信号。仿真验证了该方法的有效性,并将其运用到实际转轴扭转变形信号的处理中,得到了更为准确的扭转变形信息。     

小波阈值去噪法在MEMS陀螺信号处理中的应用

近年来MEMS陀螺发展迅速，应用广泛，但性能参差不齐。为改善MEMS陀螺的输出信号性能，综述了近年来小波阈值去噪法在该领域内的研究进展情况。重点从阈值函数的不同改进形式、阈值选取方式的不同以及分解层数三方面对比分析各小波阈值去噪法之间的优缺点。通过现阶段的去噪效果评判标准，结合MEMS陀螺信号的特点，对近年来小波阈值去噪的应用情况进行分析说明，总结小波阈值去噪法在不同使用条件下对MEMS陀螺信号处理上的优势与不足，为后续相关研究提供一定的参考价值。     

基于EMD与切片双谱的轴承故障诊断方法

针对轴承故障诊断问题,提出一种基于经验模态分解(EMD,Empirical Mode Decomposition)与切片双谱分析相结合的新方法.将原始信号分解成不同尺度的固有模态函数(IMF,Intrinsic Mode Function),求取IMF分量的包络,计算其对角切片双谱,提取由于二次相位耦合产生的非线性特征,得到轴承的故障特征频率.通过对仿真信号进行分析,表明该方法克服了传统的基于EMD的包络功率谱方法不能抑制噪声的缺点,同时较传统高阶谱方法计算量更小.给出了6205-2RS JEM SKF轴承诊断实例,说明了该方法的可用性.     

基于经验模态分解的点云数据平滑与增强

在计算机辅助设计与逆向工程应用中,针对缺乏拓扑连接关系的点云数据,提出了基于经验模态分解(EMD)的点云数据平滑与增强算法。首先,以点云模型的拉普拉斯矩阵坐标与法向的内积作为EMD输入信号,提取点云模型输入信号的极值点作为插值节点计算信号的上下包络;然后,为实现特征保持的EMD信号分解,通过检测点云数据上特征点,并在计算信号上下包络的过程中作为约束,克服传统EMD算法无法保持特征的局限;最后,迭代地从输入信号中减去上下包络的均值得到内蕴模态函数(IMF)和余量,并通过设计滤波器实现了点云数据平滑和增强。实验结果表明,本文算法有效地将EMD推广到三维散乱点云数据中,扩大EMD在三维几何中的应用范围,并在点云数据平滑和增强方面取得了很好的效果。     

MEMS陀螺随机误差的建模与分析

为了更全面地了解微机电系统(MEMS,Micro-Electro-Mechanical Systems)陀螺仪的随机漂移误差随时间变化的特性,利用动态Allan方差分析法对MEMS陀螺仪输出信号特性进行了全面分析.首先介绍了Allan方差和动态Allan方差分析法原理,然后分别利用Allan方差分析法和动态Allan方差分析法对MEMS陀螺仪的实测数据进行了特性研究与性能分析.研究结果表明:速率斜坡、量化噪声和速率随机游走是MEMS陀螺的主要随机噪声,并且MEMS陀螺的随机漂移具有随时间变化的不稳定性.动态Allan方差不仅可以分离和辨识出MEMS陀螺的主要随机误差源,而且可以跟踪和描述信号随时间变化的稳定性,因此动态Allan方差较经典Allan方差分析法能够更全面地表征MEMS陀螺仪的性能.     

石英MEMS陀螺漂移的周期性误差标定及补偿

实验发现石英系列微机电系统(MEMS,Micro Electromechanical System)陀螺仪零点漂移中含有很强的规律性误差,短时间高频采样尤为明显.为提高器件精度和系统性能,研究了其周期性误差各重要参数的特点,以误差分析理论分析了各误差传递系数,提出了一种精确标定方法.实验结果表明经过精确标定和补偿,进一步提高了器件精度和在线长时间补偿效果.说明了本精确标定方法具有良好的补偿效果.      

MEMS陀螺标度因数误差分析及分段插值补偿

动态条件下,标度因数引起的误差是MEMS(Micro Electromechanical System)陀螺主要误差源之一.为了提高陀螺精度,基于内框驱动式硅MEMS陀螺误差机理,分析了标度因数常值误差、非线性误差以及不对称误差的物理起因,构建了标度因数误差数学模型,提出了对陀螺标度因数按照角速度大小分段插值的补偿方法,消除了转速引起的陀螺标度因数误差.试验结果表明:MEMS陀螺标度因数误差高达4053.2(°)/h(1 σ ),采用分段插值法补偿后陀螺误差减小到79.0(°)/h(1 σ ),补偿精度比一次拟合及分段法分别提高了15.4倍和7.5倍,验证了MEMS陀螺标度因数误差模型的正确性,证明了标度因数实时分段插值补偿方法的准确性和适用性.      

参数自适应误差自校准的Sigma-Delta闭环微机械陀螺仪

提出并实现了一种用于MEMS谐振陀螺仪的新型自适应自校准多级噪声整形(MASH) 微机电sigmadelta闭环测控电路方案。该技术针对高精度MEMS音叉陀螺仪的误差校准, 开发了在线自适应误差校准的MASH2-0闭环测控电路,且无需使用任何额外的机械校准方法。该技术不仅可以有效地消除由于MEMS音叉陀螺仪敏感元件加工误差和接口测控电路之间的参数失配在输出端产生的误差影响,并且能够校正由非理想信号传递函数而导致的信号链路传输中的频谱失真和增益失配。试验结果表明,与传统的闭环MEMS陀螺仪相比,所提出的自适应MASH2-0闭环测控电路技术可以实现更好的系统稳定性、动态范围和噪声性能。     

基于深层循环神经网络的陀螺仪降噪方法研究

陀螺仪固有的随机误差会随时间积累越来越大，循环神经网络作为一种有效处理时间序列信号的算法被广泛使用，然而传统的循环神经网络在处理陀螺仪产生的随机误差上无法解决长期依赖，容易出现梯度消失和梯度爆炸问题.为了获得精确的陀螺仪信号，本文基于循环神经网络变体的长短记忆网络和门循环单元的陀螺仪信号降噪算法，并创新性的将两种网络进行组合验证.文中先是通过Allan方差对陀螺仪随机误差进行误差分析，然后基于LSTM和GRU组合对陀螺仪输出信号进行补偿处理，结果表明LSTM结合GRU对陀螺仪的随机误差处理有明显改善，其中X、Y、Z轴方向陀螺仪的量化噪音、角度随机游走、零偏不稳定性、角速度游走和速度斜坡性能均有不同程度的提升.