[发明专利]一种MEMS陀螺噪声估计和滤波方法

说明书

本发明针对MEMS陀螺仪测量精度低、其随机噪声具有不确定性和非线性的问题，提出一种MEMS陀螺噪声估计和滤波方法。首先获得带有噪声的信号,预设系统特性函数并初始化；然后计算Sigma点，同时构造统计特性系数；测量并更新一步状态预测均值、误差协方差阵、预报均值及协方差阵；观察更新最小方差；利用最大期望算法与极大后验估计准则进行残差方差更新；输出更新后的信号数据。该方法根据极大后验估计原理，构造出一种次优无偏MAP噪声统计估计模型；在此基础上引入最大期望算法将噪声估计问题转换为数学期望极大化问题，实现对观测噪声方差的动态调整，最终实现陀螺仪随机漂移误差的估计与滤波处理。

技术领域

本发明涉及信号处理技术领域，具体的说是一种MEMS陀螺噪声估计和滤波方法。

背景技术

近年来，随着微机电系统(MEMS,Micro Electro Mechanical System)的快速发展，基于MEMS的陀螺仪在惯性导航中发挥着越来越重要的作用。然而，由于其制作工艺、使用环境以及其他因素的影响导致基于MEMS的陀螺仪精度较低，限制其应用。研究发现确定性误差和随机噪声是影响MEMS陀螺仪精度的两个重要因素。确定性误差一般可以通过代数补偿计算方法得以消除，而随机噪声是影响MEMS陀螺仪精度的重要因素，无法使用简单的方法进行处理，其决定着陀螺仪的零偏稳定性。因此，如何对MEMS陀螺仪进行有效的噪声估计与滤波处理以提高其测量精度，已经成为MEMS陀螺仪的重要研究方向。

目前经常采用的方法有通过Kalman滤波来消除陀螺仪随机噪声，但当噪声具有严重非线性时，误差较大；有文献提出一种自适应神经网络滤波方法，虽然其具有在线学习的优点，但是其计算量过于复杂，难以实现；还有采用UKF(Unscented Kalman Filter,UKF)实现非线性滤波处理，但UKF滤波性能依赖系统噪声的先验统计信息，不准确的统计会造成其滤波发散；针对UKF存在的缺点，一种利用UKF的残差序列与新息序列在线估计系统噪声特性，提高UKF的自适应能力的方法被提出，但协方差匹配法存在稳态估计误差，限制了滤波精度。

发明内容

为了解决上述技术问题，本发明提供了一种MEMS陀螺噪声估计和滤波方法，能够进行陀螺噪声估计和滤波处理,提高精度。

为达到上述目的，本发明通过以下技术方案来具体实现：

一种MEMS陀螺噪声估计和滤波方法，包括：

步骤一、获得带有噪声的信号,预设系统特性函数并初始化；

为初始状态X0的先验均值，P0为协方差矩阵；

步骤二、计算Sigma点，同时构造统计特性系数：

其中，a∈R表示调节系数，通常为一个小的正值；表示矩阵nP_k-1均方根的第 i列；权值ω_i为：

步骤三、测量并更新一步状态预测均值、误差协方差阵、预报均值及协方差阵：

按照步骤二构造的Sigma点ξ_i,k-1/k-1通过非线性状态函数f_k(·)+q传播为γ_i,k/k-1，由γ_i,k/k-1可得一步状态预测均值及误差协方差阵P_k/k-1，即

然后得到输出预报均值及协方差阵和