CN102650527A - 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 - Google Patents
一种基于时间序列分析消噪的光纤陀螺温度补偿方法 Download PDFInfo
- Publication number
- CN102650527A CN102650527A CN2012101669555A CN201210166955A CN102650527A CN 102650527 A CN102650527 A CN 102650527A CN 2012101669555 A CN2012101669555 A CN 2012101669555A CN 201210166955 A CN201210166955 A CN 201210166955A CN 102650527 A CN102650527 A CN 102650527A
- Authority
- CN
- China
- Prior art keywords
- model
- sigma
- optical fibre
- partiald
- fibre gyro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Gyroscopes (AREA)
- Complex Calculations (AREA)
Abstract
一种基于时间序列分析消噪的光纤陀螺温度补偿方法,它有四个步骤:步骤一:设计实验方案,对光纤陀螺进行定点高低温测试实验,利用采集软件进行数据采集。步骤二:对陀螺零偏数据进行时间序列分析,建立光纤陀螺随机误差的数学模型。步骤三:采用卡尔曼滤波算法滤除光纤陀螺零偏数据中的随机噪声。步骤四:利用卡尔曼滤波消噪后的数据对光纤陀螺温度漂移误差模型结构进行辨识,并对辨识后模型进行解算参数。本发明经过时间序列分析和卡尔曼滤波消噪处理,并进行温度漂移误差模型结构和参数辨识,建立光纤陀螺静态温度漂移误差多项式模型。该方法完全符合工程上的实时补偿要求,在航空航天导航技术领域里具有较好的实用价值和广阔的应用前景。
Description
(一)技术领域
本发明涉及一种基于时间序列分析消噪的光纤陀螺温度补偿方法,它详细阐述了时间序列分析消除噪声以及温度补偿的方法,这种方法应用于光纤陀螺输出和温度关系的辨识中,可以有效地辨识出这种关系,建立精确的模型,提高温度补偿的有效性。该技术属于航空、航天导航技术领域。
(二)背景技术
光纤陀螺作为一种发展极为迅速的新型惯性角速度传感器,以其特有的技术和性能优势,如全固态结构、可靠性高、寿命长;启动速度快,响应时间短;测量范围大,动态范围宽;抗冲击、振动,耐化学腐蚀;体积小、重量轻、成本低;适合大批量生产等,已经广泛用于各工程技术领域。工程化的光纤陀螺,为适应不同领域的应用,一般要具有较宽的工作温度范围(通常-40℃~60℃)。构成光纤陀螺的主要器件如光纤线圈、集成光学器件、光源、耦合器等对温度较为敏感,当环境温度发生变化时,在陀螺的输出信号中将产生非互易相位误差,导致光纤陀螺零偏和标度因数的不稳定,并最终影响光纤陀螺在不同温度下的检测精度。因此,进行光纤陀螺温度特性的研究并对其实施温度漂移误差补偿,以提高陀螺在不同温度条件下的适用性,是光纤陀螺走向实用化的必要环节。
国内外近年来对光纤陀螺温度漂移误差补偿进行的各项工作,主要包括光纤陀螺机理结构的改善、硬件温控措施及软件补偿等内容。对光纤陀螺进行结构改进或对其进行硬件温控受到成本及技术等多方面制约,带有硬件温控的光纤陀螺结构复杂、功耗大,启动时间长,不适应快速启动的要求,而软件补偿可改善这一缺陷,更易于实现。补偿光纤陀螺温度漂移误差的方法主要包括下述几个方面:
(1)光纤陀螺结构及组成部件的改进。可选择热膨胀系数和折射率温度系数低的石英材料制作纤芯,采用热传导系数高的光线外涂复合材料使各光纤层之间形成“热短路”等。
(2)改善光纤环绕制技术。为减少热致非互易性,同时考虑到微弯损耗,光纤环通常采用如下四种绕制方法:1)柱形绕法;。2)对称绕法;3)双极对称绕法;4)四级对称绕法。
(3)对光纤陀螺进行温度控制。光纤陀螺中的光学元器件性能随温度的变化,及电路部分各器件发热不同造成的陀螺内部温度场的非线性变化,都会影响陀螺工作的热平衡状态,直接造成光纤陀螺的零偏漂移。使光纤陀螺迅速进入并稳定工作在热平衡状态,会极大地改善陀螺的输出特性。
(4)误差建模及补偿
对于给定的光纤陀螺,在一定的温度变化情况下,产生的非互易相位噪声是确定的。因此,对光纤陀螺温度特性进行实验研究,建立温度漂移误差模型并实施温度补偿是解决光纤陀螺温度漂移问题的有效手段之一。目前常用的模型主要有如下几种:1)线性模型或多项式模型;2)神经网络模型;3)小波网络;4)模糊逻辑;5)受控马氏链模型;6)支持向量机。其中多项式模型及神经网络模型应用最为广泛。
时间序列分析是一种时域分析方法,不仅研究过程的确定性变化,而且更着重于研究过程的随机性变化,是一种对有序的随机数据进行分析和研究,将现在时刻的值用过去时刻的值表示,并预测系统未来值的数据处理方法。时间序列分析法建模就是对所观测到的时间序列数据y1,y2,…,yn拟合出适用的时间序列模型。建模内容包括数据的采集、数据的统计分析(平稳性分析和相关函数分析)与预处理、模型形式的选取、模型参数的估计、模型适用性检验等问题,其中模型参数的选择最关键,其次是模型的适用性检验。对于光纤陀螺的建模一般采用自回归模型(AR模型)、自回归-滑动平均混合模型(ARMA模型)。当输出序列是非平稳时间序列时,一般采用自回归差分滑动平均模型(ARIMA模型)。在时间序列分析中,用相邻观测数据或一定间隔的观测数据的差分方法,能方便地除去序列中的非周期性或周期性趋势项,利于对光纤输出数据进行模型参数辨识和噪声统计特性计算。在求出模型参数和噪声统计特性的基础上,通过卡尔曼滤波/平滑技术可达到良好的消噪效果。
本发明提出了通过大量实验得到的数据,经过时间序列分析方法建立陀螺零偏随机误差模型,通过卡尔曼滤波技术进行消噪处理;并在此基础上进行温度模型结构和参数辨识,建立光纤陀螺温度漂移误差模型,实现温度补偿。该方法能够更有效的辨识出陀螺零偏温度特性,建立精确的模型进行实时补偿,满足工程化要求。
(三)发明内容
本发明提供了一种基于时间序列分析消噪的光纤陀螺温度补偿方法。该方法利用时间序列分析建立光纤陀螺零偏的随机误差模型,在求出模型参数和噪声统计特性的基础上,采用卡尔曼滤波实现光纤陀螺零偏数据中噪声的降低,有效辨识出陀螺零偏温度特性,最后对消噪后的陀螺数据建立温度漂移误差的多项式模型,用最小二乘法求得模型参数,实现光纤陀螺的温度漂移误差补偿。
本发明一种基于时间序列分析消噪的光纤陀螺温度补偿方法,该方法具体步骤如下:
步骤一:设计温度特性测试实验方案,对光纤陀螺进行定点温度实验,采集陀螺数据。温度实验采用静态测试,其中,X,Y,Z轴光纤陀螺分别指向东、北、天。为了研究温度对光纤陀螺零偏的影响,分别在-30℃、-20℃、-10℃、0℃、10℃、20℃、30℃、40℃、50℃、60℃环境温度下(或根据工作温度确定所选温度点),对光纤陀螺进行高低温测试。在每一个温度点保温两小时后测量一小时,并通过采集软件记录光纤陀螺自身的温度和相应光纤陀螺零偏值。
步骤二:对陀螺零偏数据进行时间序列分析,建立光纤陀螺随机误差的数学模型。如图1所示,具体的建模步骤为:
(1)对陀螺测试样本数据进行统计检验和预处理。首先剔除数据中的异常值,其次进行平稳性检验,如发现为非平稳的,应剔除其中确定性的趋势项,再次进行周期性检验,如发现潜周期分量,应剔除其中能量较大的潜周期分量,最后对去除了趋势项和潜周期分量的残差序列进行正态性检验。如果经过检验的陀螺测试数据的残差序列是非正态时间序列,应进行差分处理使之成为正态时间序列,然后建立随机误差模型。具体方法如下。
1)数据异常值剔除
本发明采用拉依达准则判别异常值。假定数据的总体是正态分布,则:
P(|x-μ|>3σ)<0.003 (5-1)
其中:x为随机变量,μ和σ为数据总体的数学期望和标准差,P为满足括号内条件的概率。
若某个测量值xd的残差Vd(1<d<n)满足|Vd|>3σ,则认为xd是异常值,予以剔除。
2)平稳性检验
时间序列的平稳性是建模的重要前提。设观测序列的值为xk(k=1,2,…,n),均值为用符号“+”表示“-”表示在保持数据原有顺序的情况下,游程定义为具有相同符号的序列,这种符号可以把观测值分成两个互相排斥的类。游程检验假设:样本数据出现的顺序没有明显的趋势,就是平稳的。游程太多或太少都被认为存在非平稳性趋势。设:N1为一种符号出现的总数;N2为另一种符号出现的总数;r为游程的总数。当N1或N2超过15时可以用正态分布来近似,此时选用统计量为:
其中: N=N1+N1。
对于显著水平α=0.05的情况,如果|Z|≤1.96(按2σ原则),可接受原假设,认为序列是平稳的,否则拒绝。
当平稳性检验中判断{xk}是非平稳时间序列时,应提取{xk}中所含的非平稳部分,称为趋势项dk,一般表示为时间k的多项式:
dk=a0+a1k+a2k2+…+amkm (5-4)
式中,a0,a1,a2,…,am是多项式数学模型的系数,可由回归分析求出。
光纤陀螺输出的非平稳时间序列中,较常见的趋势项为:
dk=a0+a1k (5-5)
它表明光纤陀螺输出的均值随时间呈线性变化,但一般是极为缓慢的。在光纤陀螺输出非平稳时间序列{xk}中去除出了趋势项dk以后,得到时间序列{yk}:
yk=xk-dk (5-6)
再对时间序列{yk}建模。
3)周期性检验
周期性检验用来识别光纤陀螺输出数据中是否包含随机量以外的周期性分量。周期性检验的方法是直接考察由输出数据得到的概率密度函数、自相关函数或功率谱密度函数的图形。
输出数据中如果存在周期性分量,会在概率密度函数图形中反映出来。随机量和周期性分量的概率密度函数图形的不同之处:随机量的概率密度函数图形呈钟形曲线,周期性分量的概率密度函数图形呈盆形曲线;如果输出数据中同时含有随机量和周期性分量,会出现双峰形曲线,峰值处对应的横坐标值为周期性分量的振幅。
输出数据中如果存在周期性分量,也会在自相关函数图形中反映出来。随机量和周期性分量的自相关函数图形的不同之处:随机量的自相关函数图形在时间间隔增大时,是一条衰减的曲线,周期性分量的自相关函数图形不管时间间隔怎样增大,总是一条不衰减的振荡曲线;如果输出数据中同时含有随机量和周期性分量,其自相关函数图形在一定的时间间隔内呈衰减趋势,然后维持不衰减的振荡。
输出数据中如果存在周期性分量,还会在功率谱密度函数图形中反映出来。当输出数据中同时含有随机量和周期性分量时,功率谱密度函数曲线中会有明显的尖峰,尖峰处所对应的横坐标值为周期性分量的频率。
为了寻找隐含周期,识别并提取随机序列中的周期函数项,通常采用周期图分析法。分析出周期性分量后,应予以剔除。剔除方法为:根据前述方法分析出的周期性分量对应的频率,并对输出数据序列进行傅里叶级数展开,找出周期性分量对应的傅里叶系数,由系数构造出周期性分量序列,在原始数据序列中减去周期性分量序列,实现周期性分量的剔除。
4)正态性检验
正态性检验用来判断光纤陀螺输出数据序列是否具有正态分布的特性。对输出序列{xk}正态性的检验,最基本的是检验{xk}的三阶矩(偏态系数ξ)与四阶矩(峰态系数v)是否满足正态随机变量的特性。偏态系数ξ与峰态系数v的定义为:
偏态系数ξ反映了随机变量的概率密度函数峰的对称性,峰态系数v反映了随机变量的概率密度函数峰的状态。对于正态随机变量:ξ=0;v=3。
对{xk}计算ξ和v的估计值:
(2)模型形式的选取及参数估计。其具体实现过程如下:
1)选择模型的形式
光纤陀螺的建模采用自回归模型(AR模型)、自回归-滑动平均混合模型(ARMA模型)。自回归模型指任何一个时刻k上的数值yk可以表示为过去p个时刻上数值的线性组合加上k时刻的白噪声,表示为:
yk=a1yk-1+…+apyk-p+rk (5-9)
其中:常数p(正整数)为模型的阶数,常系数a1,a2,…,ap为模型参数,{rk}为均值为0、方差为σ2的白噪声,p阶模型简记为AR(p)。自回归-滑动平均混合模型是在自回归模型的基础上减去过去q个时刻上白噪声的线性组合,表示为:
yk=a1yk-1+…+apyk-p+rk-θ1rk-1-θ2rk-2-…-θqrk-q (5-10)
其中p和q为模型阶数,a1,a2,…,ap、θ1,θ2,…,θq为ARMA模型的参数,模型简记为ARMA(p,q)。
一般首先对数据序列进行AR(p)建模,如果找不到适用性模型,再进行ARMA(p,q)建模。在估计模型参数之前,需要定义模型的结构,即确定模型的阶数。本发明采用Akaike的AIC准则确定模型阶数。AIC定阶准则的定义:
其中δ是拟合残差的方差,p、q分别是AR和MA部分的阶数,N是参与估计的样本个数。其定阶思想是从低阶到高阶寻优,先设定模型的阶数,利用最小二乘法等算法估计出模型的参数和残差。再利用上式求出每个模型的AIC值,AIC值最小的模型结构是最优的。
2)AR模型的参数估计
本发明采用下面的快速算法-RLS法进行AR模型的参数估计。
其中
3)ARMA模型的参数估计
本发明采用长自回归白噪声估计法建立式(5-10)所示ARMA模型。其主要步骤为:
由线性最小二乘估计(LS估计)得到
其中 YpN=(xpN+1,xpN+2,…,xN)T。
②求长自回归模型残差,检验其独立性。用步骤①所得的及样本值x=(x1,x2,…,xN)T计算残差
其中 Ypq=(xpN+1,xpN+2,…,xN-1,xN)T,
模型的适用性检验准则,根据检验形式的不同,一般分为三类:第一,检验残差是否为白噪声,称为白噪声检验准则;第二,检验残差平方和S或残差方差是否显著减小,称为残差平方和(残差方差)检验准则;第三,Akaike信息准则,即考虑残差方差的下降和模型阶次的升高带来的利弊。本发明采用残差平方和检验准则中的F-准则进行模型的适用性检验。按前述方法计算出残差后,可按下式计算残差平方和S:
若高阶模型的残差平方和Sh与低阶模型的残差平方和Sl相比有显著性下降,则接受模型,认为其是适用的,否则拒绝。
步骤三:采用卡尔曼滤波算法滤除光纤陀螺零偏数据中的随机噪声。
对于式(5-9)所示的AR(p)模型,设系统的状态为Xk=[yk,yk-1,…,ykp+1]T,过程噪声为Vk=[rk,0,…,0]1×p T,状态方程为:
Xk=AXk-1+BVk (5-21)
其中,
设光纤陀螺静态输出为测量量Zk,则系统测量方程为:
Zk=CXk+Wk (5-22)
其中,C=[1 0…0]1×p,Wk为测量误差。Vk、Wk的统计特性为:
均值E(Vk)=E(Wk)=0
卡尔曼滤波的递推算式为:
状态一步预测
协方差阵一步预测Pk|k-1=APk-1AT+BOBT
滤波增益Kk=Pk|k-1CT(CPk|k-1CT+R)-1
协方差阵估计Pk=(I-KkC)Pk|k-1
状态估计
对于式(5-10)所示的ARMA(p,q)模型,需将上述过程中的Vk改为[rk,rk-1,…,rk-q]T,矩阵B改为 其他变量不变。将光纤陀螺零偏数据作为卡尔曼滤波器的输入,经计算实现光纤陀螺随机噪声的滤除。
步骤四:光纤陀螺温度漂移误差模型结构及参数辨识。本发明采用统计检验的方法进行光纤陀螺温度漂移误差模型定阶,采用最小二乘方法计算模型参数。
本发明采用多项式拟合光纤陀螺零偏和温度的关系,模型如下:
y=a0+a1T+a2T2+a3T3+...+amTm (5-23)
上式中,y为光纤陀螺零偏,单位为°/h;T为光纤陀螺温度,单位为℃。
(1)采用统计检验的方法进行模型定阶。
根据上式可得:
上式可简写为:
S=U+Q (5-27)
其中, 为回归平方和。
引入方差比F和复相关系数R,即:
如果在拟合曲线中去掉式(5-23)中第m次项,仅用m-1次多项式拟合,这时对应Q′将增大,Tm的偏回归平方和为U-U'=Q'-Q;偏回归平方和越大,说明第m次项越重要;反之,则不重要。本发明通过显著性检验确定。由式(5-29),可得
Fm是符合自由度为1和Q/N-m-1的F分布。对于给定的α,由统计表查出F分布的理论临界值Fα(1,N-m-1),若Fm>Fα(1,N-m-1),则说明m次项重要,须引入拟合曲线中;反之,则不引入。引入m次项后,还需要考查m+1次项是否显著,把m+1视为m,m视为m-1,重复上述步骤,直到Fm不大于Fα(1,N-m-1)为止。
(2)采用最小二乘方法求解模型参数。
式(5-23)的测量方程为:
相应的估计量如下:
其误差方程为:
V=L-Y,Y=TA (5-33)
其中L为实际测量值,
根据最小二乘法理论可知,VTV=最小时,可求解出模型系数A,即A=(TTT)-1TTy。
在实际工程中,利用最小二乘法时会出现信息矩阵的病态问题,即(TTT)-1不存在。为了进一步提高模型参数辨识的精度,本发明采用平衡法进行解决。平衡法指:计算令得到与原方程同解的方程组DY=DTA,然后根据上述最小二乘法进行计算。
(3)温度补偿具体算法如下:
1)模型为m=1阶,并给定置信度(1-α);
2)利用卡尔曼滤波消噪后数据,通过最小二乘法解算出m阶模型系数;
3)通过统计方法检查模型最高阶次的显著性;
4)若Fm>Fα(1,N-m-1),则m阶需引入模型。并将m+1阶引入模型,把m+1视为m,m视为m-1,返回2)步骤;
5)若Fm<Fα(1,N-m-1),则得到所求模型及参数。
本发明的优点在于:
(1)方法适用于所有惯导系统的光纤陀螺温度补偿,具有通用性;
(2)时间序列分析不仅研究过程的确定性变化,而且更着重于研究过程的随机性变化。采用相邻观测数据的差分方法能方便地去除序列中的非周期项或周期性趋势项,便于对陀螺随机误差模型进行简单确切地描述,具有较高的建模精度。
(3)采用卡尔曼滤波算法对光纤陀螺的输出数据进行处理,能够有效地滤除随机噪声。通过卡尔曼滤波的消噪处理,使光纤陀螺零偏和温度的关系辨识变得容易,更有效。
(4)建立温度漂移误差多项式模型进行温度补偿,结构简单,成本低,易于实现,且实时性好,能够满足高精度实时测量要求。
(四)附图说明
图1为时间序列分析建模流程图;
图2为本发明的温度补偿方法流程图。
图2中符号说明如下:
m为光纤陀螺温度漂移误差多项式模型的阶数,a为显著性水平,1-a为置信度,N为观测值个数,Fm是符合自由度为1的F分布,Fa(1,N-m-1)为F分布表中对应显著性水平a的数值。
(五)具体实施方式
下面将结合附图对本发明作进一步的详细说明。
见图2,本发明一种基于时间序列分析消噪的光纤陀螺温度补偿方法,该方法具体实施步骤如下:
步骤一:设计实验方案,对光纤陀螺进行定点温度实验,采集数据。温度实验采用静态测试,其中,X,Y,Z轴光纤陀螺分别指向东、北、天。为了研究温度对光纤陀螺零偏的影响,分别在-30℃、-20℃、-10℃、0℃、10℃、20℃、30℃、40℃、50℃、60℃环境温度下(或根据工作温度确定所选温度点),对光纤陀螺进行高低温测试。在每一个温度点保温两小时后测量一小时,并通过采集软件记录光纤陀螺自身的温度和相应光纤陀螺零偏值。
步骤二:对陀螺零偏数据进行时间序列分析,建立光纤陀螺随机误差的数学模型。见图1,具体的建模步骤为:
(1)对陀螺测试所得到的样本数据序列进行统计检验和预处理。首先剔除数据中的异常值,其次进行陀螺测试数据的平稳性检验,如发现为非平稳的随机时间序列,应提取其中确定性的趋势项,再次进行周期性检验,如发现潜周期分量,应提取其中能量较大的潜周期分量,最后对去除了趋势项和潜周期分量的残差序列进行正态性检验。如果经过检验的陀螺样本数据的残差序列是非正态时间序列,则进行差分处理使之成为正态时间序列,然后建立随机误差模型。具体方法如下。
1)数据异常值剔除
本发明采用拉依达准则判别异常值。假定数据的总体是正态分布,则:
P(|x-μ|>3σ)<0.003 (5-1)
其中:x为随机变量,μ和σ为数据总体的数学期望和标准差,P为满足括号内条件的概率。
若某个测量值xd的残差Vd(1<d<n)满足|Vd|>3σ,则认为xd是异常值,予以剔除。
2)平稳性检验
时间序列的平稳性是建模的重要前提。设观测序列的值为xk(k=1,2,…,n),均值为用符号“+”表示“-”表示在保持数据原有顺序的情况下,游程定义为具有相同符号的序列,这种符号可以把观测值分成两个互相排斥的类。游程检验假设:样本数据出现的顺序没有明显的趋势,就是平稳的。游程太多或太少都被认为存在非平稳性趋势。设:N1为一种符号出现的总数;N2为另一种符号出现的总数;r为游程的总数。当N1或N2超过15时可以用正态分布来近似,此时选用统计量为:
其中: N=N1+N2。
对于显著水平a=0.05的情况,如果|Z|≤1.96(按2σ原则),可接受原假设,认为序列是平稳的,否则拒绝。
当平稳性检验中判断{xk}是非平稳时间序列时,应提取{xk}中所含的非平稳部分,称为趋势项dk,一般表示为时间k的多项式:
dk=a0+a1k+a2k2+…+amkm (5-4)
式中,a0,a1,a2,…,am是多项式数学模型的系数,可由回归分析求出。
光纤陀螺输出的非平稳时间序列中,较常见的趋势项为:
dk=a0+a1k (5-5)
它表明光纤陀螺输出的均值随时间呈线性变化,但一般是极为缓慢的。在光纤陀螺输出非平稳时间序列{xk}中去除出了趋势项dk以后,得到时间序列{yk}:
yk=xk-dk (5-6)
再对时间序列{yk}建模。
3)周期性检验
周期性检验用来识别光纤陀螺输出数据中是否包含随机量以外的周期性分量。周期性检验的方法是直接考察由输出数据得到的概率密度函数、自相关函数或功率谱密度函数的图形。
输出数据中如果存在周期性分量,会在概率密度函数图形中反映出来。随机量和周期性分量的概率密度函数图形的不同之处:随机量的概率密度函数图形呈钟形曲线,周期性分量的概率密度函数图形呈盆形曲线;如果输出数据中同时含有随机量和周期性分量,会出现双峰形曲线,峰值处对应的横坐标值为周期性分量的振幅。
输出数据中如果存在周期性分量,也会在自相关函数图形中反映出来。随机量和周期性分量的自相关函数图形的不同之处:随机量的自相关函数图形在时间间隔增大时,是一条衰减的曲线,周期性分量的自相关函数图形不管时间间隔怎样增大,总是一条不衰减的振荡曲线;如果输出数据中同时含有随机量和周期性分量,其自相关函数图形在一定的时间间隔内呈衰减趋势,然后维持不衰减的振荡。
输出数据中如果存在周期性分量,还会在功率谱密度函数图形中反映出来。当输出数据中同时含有随机量和周期性分量时,功率谱密度函数曲线中会有明显的尖峰,尖峰处所对应的横坐标值为周期性分量的频率。
为了寻找隐含周期,识别并提取随机序列中的周期函数项,通常采用周期图分析法。分析出周期性分量后,应予以剔除。剔除方法为:根据前述方法分析出的周期性分量对应的频率,并对输出数据序列进行傅里叶级数展开,找出周期性分量对应的傅里叶系数,由系数构造出周期性分量序列,在原始数据序列中减去周期性分量序列,实现周期性分量的剔除。
4)正态性检验
正态性检验用来判断光纤陀螺输出数据序列是否具有正态分布的特性。对输出序列{xk}正态性的检验,最基本的是检验{xk}的三阶矩(偏态系数ξ)与四阶矩(峰态系数v)是否满足正态随机变量的特性。偏态系数ξ与峰态系数v的定义为:
偏态系数ξ反映了随机变量的概率密度函数峰的对称性,峰态系数v反映了随机变量的概率密度函数峰的状态。对于正态随机变量:ξ=0;v=3。
对{xk}计算ξ和v的估计值:
(2)模型形式的选取及参数估计。
1)选择模型的形式
光纤陀螺的建模采用自回归模型(AR模型)、自回归-滑动平均混合模型(ARMA模型)。自回归模型指任何一个时刻k上的数值yk可以表示为过去p个时刻上数值的线性组合加上k时刻的白噪声,表示为:
yk=a1yk-1+…+apyk-p+rk (5-9)
其中:常数p(正整数)为模型的阶数,常系数a1,a2,…,ap为模型参数,{rk}为均值为0、方差为σ2的白噪声,p阶模型简记为AR(p)。自回归-滑动平均混合模型是在自回归模型的基础上减去过去q个时刻上白噪声的线性组合,表示为:
yk=a1yk-1+…+apyk-p+rk-θ1rk-1-θ2rk-2-…-θqrk-q (5-10)
其中p和q为模型阶数,a1,a2,…,ap、θ1,θ2,…,θq为ARMA模型的参数,模型简记为ARMA(p,q)。
一般首先对数据序列进行AR(p)建模,如果找不到适用性模型,再进行ARMA(p,q)建模。在估计模型参数之前,需要定义模型的结构,即确定模型的阶数。本发明采用Akaike的AIC准则确定模型阶数。AIC定阶准则的定义:
其中δ是拟合残差的方差,p、q分别是AR和MA部分的阶数,N是参与估计的样本个数。其定阶思想是从低阶到高阶寻优,先设定模型的阶数,利用最小二乘法等算法估计出模型的参数和残差。再利用上式求出每个模型的AIC值,AIC值最小的模型结构是最优的。
2)AR模型的参数估计
本发明采用下面的快速算法-RLS法进行AR模型的参数估计。
式中T为矩阵的转置,αT=(a1,…,ap)。
其中
3)ARMA模型的参数估计
本发明采用长自回归白噪声估计法建立式(5-10)所示ARMA模型。其主要步骤为:
由线性最小二乘估计(LS估计)得到
其中 YpN=(xpN+1,xpN+2,…,xN)T。
其中 Ypq=(xpN+1,xpN+2,…,xN-1,xN)T,
(3)模型的适用性检验。
模型适用性的最基本检验是检验模型残差是否为白噪声。模型的适用性检验准则,根据检验形式的不同,一般分为三类:第一,检验残差是否为白噪声,称为白噪声检验准则;第二,检验残差平方和S或残差方差是否显著减小,称为残差平方和(残差方差)检验准则;第三,Akaike信息准则,考虑残差方差的下降和模型阶次的升高带来的利弊。本发明采用残差平方和检验准则中的F-准则进行模型的适用性检验。按前述方法计算出残差后,可按下式计算残差平方和S:
若高阶模型的残差平方和Sh与低阶模型的残差平方和Sl相比有显著性下降,则接受模型,认为其是适用的,否则拒绝。
步骤三:采用卡尔曼滤波算法滤除光纤陀螺零偏数据中的随机噪声。
对于式(5-9)所示的AR(p)模型,设系统的状态为Xk=[yk,yk-1,…,yk-p+1]T,过程噪声为Vk=[rk,0,…,0]1×p T,状态方程为:
Xk=AXk-1+BVk (5-21)
其中,
设光纤陀螺静态输出为测量量Zk,则系统测量方程为:
Zk=CXk+Wk (5-22)
其中,C=[1 0…0]1×p,Wk为测量误差。Vk、Wk的统计特性为:
均值E(Vk)=E(Wk)=0
卡尔曼滤波的递推算式为:
状态一步预测
协方差阵一步预测Pk|k-1=APk-1AT+BQBT
滤波增益Kk=Pk|k-1CT(CPk|k-1CT+R)-1
协方差阵估计Pk=(I-KkC)Pk|k-1
状态估计
对于式(5-10)所示的ARMA(p,q)模型,需将上述过程中的Vk改为[rk,rk-1,…,rk-q]T,矩阵B改为 其他变量不变。将光纤陀螺零偏数据作为卡尔曼滤波器的输入,经计算实现光纤陀螺随机噪声的滤除。
步骤四:光纤陀螺温度漂移误差多项式模型结构辨识及参数辨识。本发明采用统计检验的方法进行模型定阶,用最小二乘方法计算模型参数。
本发明采用多项式拟合光纤陀螺零偏和温度的关系,模型如下:
y=a0+a1T+a2T2+a3T3+...+amTm (5-23)
上式中,y为光纤陀螺零偏,单位为°/h;T为光纤陀螺温度,单位为℃。
(1)采用统计检验的方法进行模型定阶。
根据上式可得:
上式可简写为:
S=U+Q (5-27)
其中, 为回归平方和。
引入方差比F和复相关系数R,即:
如果在拟合曲线中去掉式(5-23)中第m次项,仅用m-1次多项式拟合,这时对应Q′将增大,Tm的偏回归平方和为U-U'=Q'-Q;偏回归平方和越大,说明第m次项越重要;反之,则不重要。本发明通过显著性检验确定。由式(5-29),可得
Fm是符合自由度为1和Q/N-m-1的F分布。对于给定的α,由统计表查出F分布的理论临界值Fα(1,N-m-1),若Fm>Fα(1,N-m-1),则说明m次项重要,须引入拟合曲线中;反之,则不引入。引入m次项后,还需要考查m+1次项是否显著,把m+1视为m,m视为m-1,重复上述步骤,直到Fm不大于Fα(1,N-m-1)为止。
(2)采用最小二乘方法求解模型参数。
式(5-23)的测量方程为:
相应的估计量如下:
其误差方程为:
V=L-Y,Y=TA (5-33)
其中L为实际测量值,
根据最小二乘法理论可知,VTV=最小时,可求解出模型系数A,即A=(TTT)-1TTy。
然后根据上述最小二乘法进行计算。
(3)温度补偿具体算法如下:
1)模型为m=1阶,并给定置信度(1-α);
2)利用卡尔曼滤波消噪后数据,通过最小二乘法解算出m阶模型系数;
3)通过统计方法检查模型最高阶次的显著性;
4)若Fm>Fα(1,N-m-1),则m阶需引入模型。并将m+1阶引入模型,把m+1视为m,m视为m-1,返回2)步骤;
5)若Fm<Fα(1,N-m-1),则得到所求模型及参数。
Claims (1)
1.一种基于时间序列分析消噪的光纤陀螺温度补偿方法,其特征在于:该方法具体步骤如下:
步骤一:设计温度特性测试实验方案,对光纤陀螺进行定点温度实验,采集陀螺数据;温度实验采用静态测试,其中,X,Y,Z轴光纤陀螺分别指向东、北、天;为了研究温度对光纤陀螺零偏的影响,分别在-30℃、-20℃、-10℃、0℃、10℃、20℃、30℃、40℃、50℃、60℃环境温度下,对光纤陀螺进行高低温测试;在每一个温度点保温两小时后测量一小时,并通过采集软件记录光纤陀螺自身的温度和相应光纤陀螺零偏值;
步骤二:对陀螺零偏数据进行时间序列分析,建立光纤陀螺随机误差的数学模型;其具体的建模步骤为:
(1)对陀螺测试样本数据进行统计检验和预处理,首先剔除数据中的异常值,其次进行平稳性检验,如发现为非平稳的,应剔除其中确定性的趋势项,再次进行周期性检验,如发现潜周期分量,应剔除其中能量较大的潜周期分量,最后对去除了趋势项和潜周期分量的残差序列进行正态性检验;如果经过检验的陀螺测试数据的残差序列是非正态时间序列,应进行差分处理使之成为正态时间序列,然后建立随机误差模型;具体方法如下:
1)数据异常值剔除
采用拉依达准则判别异常值;假定数据的总体是正态分布,则:
P(|x-μ|>3σ)<0.003 (5-1)
若某个测量值xd的残差Vd(1<d<n)满足|Vd|>3σ,则认为xd是异常值,予以剔除;
2)平稳性检验
时间序列的平稳性是建模的重要前提,设观测序列的值为xk(k=1,2,…,n),均值为用符号“+”表示“-”表示在保持数据原有顺序的情况下,游程定义为具有相同符号的序列,这种符号可以把观测值分成两个互相排斥的类;游程检验假设:样本数据出现的顺序没有明显的趋势,就是平稳的,游程太多或太少都被认为存在非平稳性趋势;设:N1为一种符号出现的总数,N2为另一种符号出现的总数,r为游程的总数,当N1或N2超过15时用正态分布来近似,此时选用统计量为:
其中: N=N1+N2;
对于显著水平α=0.05的情况,如果|Z|≤1.96(按2σ原则),接受原假设,认为序列是平稳的,否则拒绝;
当平稳性检验中判断{xk}是非平稳时间序列时,应提取{xk}中所含的非平稳部分,称为趋势项dk,表示为时间k的多项式:
dk=a0+a1k+a2k2+…+amkm (5-4)
式中,a0,a1,a2,…,am是多项式数学模型的系数,可由回归分析求出;
光纤陀螺输出的非平稳时间序列中,较常见的趋势项为:
dk=a0+a1k (5-5)
它表明光纤陀螺输出的均值随时间呈线性变化,但是极为缓慢的;在光纤陀螺输出非平稳时间序列{xk}中去除出了趋势项dk以后,得到时间序列{yk}:
yk=xk-dk (5-6)
再对时间序列{yk}建模;
3)周期性检验
周期性检验用来识别光纤陀螺输出数据中是否包含随机量以外的周期性分量,周期性检验的方法是直接考察由输出数据得到的概率密度函数、自相关函数或功率谱密度函数的图形;
输出数据中如果存在周期性分量,会在概率密度函数图形中反映出来,随机量和周期性分量的概率密度函数图形的不同之处:随机量的概率密度函数图形呈钟形曲线,周期性分量的概率密度函数图形呈盆形曲线;如果输出数据中同时含有随机量和周期性分量,会出现双峰形曲线,峰值处对应的横坐标值为周期性分量的振幅;
输出数据中如果存在周期性分量,也会在自相关函数图形中反映出来,随机量和周期性分量的自相关函数图形的不同之处:随机量的自相关函数图形在时间间隔增大时,是一条衰减的曲线,周期性分量的自相关函数图形不管时间间隔怎样增大,总是一条不衰减的振荡曲线;如果输出数据中同时含有随机量和周期性分量,其自相关函数图形在一定的时间间隔内呈衰减趋势,然后维持不衰减的振荡;
输出数据中如果存在周期性分量,还会在功率谱密度函数图形中反映出来,当输出数据中同时含有随机量和周期性分量时,功率谱密度函数曲线中会有明显的尖峰,尖峰处所对应的横坐标值为周期性分量的频率;
为了寻找隐含周期,识别并提取随机序列中的周期函数项,通常采用周期图分析法,分析出周期性分量后,应予以剔除;剔除方法为:根据前述方法分析出的周期性分量对应的频率,并对输出数据序列进行傅里叶级数展开,找出周期性分量对应的傅里叶系数,由系数构造出周期性分量序列,在原始数据序列中减去周期性分量序列,实现周期性分量的剔除;
4)正态性检验
正态性检验用来判断光纤陀螺输出数据序列是否具有正态分布的特性,对输出序列{xk}正态性的检验,最基本的是检验{xk}的三阶矩即偏态系数ξ与四阶矩即峰态系数v是否满足正态随机变量的特性;偏态系数ξ与峰态系数v的定义为:
偏态系数ξ反映了随机变量的概率密度函数峰的对称性,峰态系数v反映了随机变量的概率密度函数峰的状态;对于正态随机变量:ξ=0;v=3;
对{xk}计算ξ和v的估计值:
(2)模型形式的选取及参数估计;其具体实现过程如下:
1)选择模型的形式
光纤陀螺的建模采用自回归模型即AR模型、自回归-滑动平均混合模型即ARMA模型;自回归模型指任何一个时刻k上的数值yk表示为过去p个时刻上数值的线性组合加上k时刻的白噪声,表示为:
yk=a1yk-1+…+apyk-p+rk (5-9)
其中:常数p(正整数)为模型的阶数,常系数a1,a2,…,ap为模型参数,{rk}为均值为0、方差为σ2的白噪声,p阶模型简记为AR(p);自回归-滑动平均混合模型是在自回归模型的基础上减去过去q个时刻上白噪声的线性组合,表示为:
yk=a1yk-1+…+apyk-p+rk-θ1rk-1-θ2rk-2-…-θqrk-q (5-10)
其中,p和q为模型阶数,a1,a2,…,ap、θ1,θ2,…,θq为ARMA模型的参数,模型简记为ARMA(p,q);
一般首先对数据序列进行AR(p)建模,如果找不到适用性模型,再进行ARMA(p,q)建模;在估计模型参数之前,需要定义模型的结构,即确定模型的阶数;采用Akaike的AIC准则确定模型阶数,AIC定阶准则的定义:
其中,δ是拟合残差的方差,p、q分别是AR和MA部分的阶数,N是参与估计的样本个数;其定阶思想是从低阶到高阶寻优,先设定模型的阶数,利用最小二乘法等算法估计出模型的参数和残差,再利用上式求出每个模型的AIC值,AIC值最小的模型结构是最优的;
2)AR模型的参数估计
采用下面的快速算法-RLS法进行AR模型的参数估计;
初值和P0是利用少量观测数据(y1,…,yi0),通过以下两式来求得:
其中
3)ARMA模型的参数估计
采用长自回归白噪声估计法建立式(5-10)所示ARMA模型,其主要步骤为:
由线性最小二乘估计即LS估计得到
其中, YpN=(xpN+1,xpN+2,…,xN)T;
其中, Ypq=(xpN+1,xpN+2,…,xN-1,xN)T,
(3)模型的适用性检验;模型适用性的最基本检验是检验模型残差是否为白噪声;
模型的适用性检验准则,根据检验形式的不同,分为三类:第一,检验残差是否为白噪声,称为白噪声检验准则;第二,检验残差平方和S或残差方差是否显著减小,称为残差平方和即残差方差检验准则;第三,Akaike信息准则,即考虑残差方差的下降和模型阶次的升高带来的利弊;采用残差平方和检验准则中的F-准则进行模型的适用性检验,按前述方法计算出残差后,按下式计算残差平方和S:
若高阶模型的残差平方和Sh与低阶模型的残差平方和Sl相比有显著性下降,则接受模型,认为其是适用的,否则拒绝;
步骤三:采用卡尔曼滤波算法滤除光纤陀螺零偏数据中的随机噪声;
对于式(5-9)所示的AR(p)模型,设系统的状态为Xk=[yk,yk-1,…,yk-p+1]T,过程噪声为Vk=[rk,0,…,0]1×p T,状态方程为:
Xk=AXk-1+BVk (5-21)
其中,
设光纤陀螺静态输出为测量量Zk,则系统测量方程为:
Zk=CXk+Wk (5-22)
其中,C=[10…0]1×p,Wk为测量误差;Vk、Wk的统计特性为:
均值E(Vk)=E(Wk)=0
卡尔曼滤波的递推算式为:
协方差阵一步预测Pk|k-1=APk-1AT+BQBT
滤波增益Kk=Pk|k-1CT(CPk|k-1CT+R)-1
协方差阵估计Pk=(I-KkC)Pk|k-1
状态估计
对于式(5-10)所示的ARMA(p,q)模型,需将上述过程中的Vk改为[rk,rk-1,…,rk-q]T,矩阵B改为 其它变量不变;将光纤陀螺零偏数据作为卡尔曼滤波器的输入,经计算实现光纤陀螺随机噪声的滤除;
步骤四:光纤陀螺温度漂移误差模型结构及参数辨识;采用统计检验的方法进行光纤陀螺温度漂移误差模型定阶,采用最小二乘方法计算模型参数;
采用多项式拟合光纤陀螺零偏和温度的关系,模型如下:
y=a0+a1T+a2T2+a3T3+...+amTm (5-23)
上式中,y为光纤陀螺零偏,单位为°/h;T为光纤陀螺温度,单位为℃;
(1)采用统计检验的方法进行模型定阶;
设总的观测值个数为N,观测值yi(i=1,...,N)与其算术平均值的差值平方和称为离差平方和,记作
根据上式得:
上式简写为:
S=U+Q (5-27)
其中, 为回归平方和;
引入方差比F和复相关系数R,即:
如果在拟合曲线中去掉式(5-23)中第m次项,仅用m-1次多项式拟合,这时对应Q′将增大,Tm的偏回归平方和为U-U′=Q′-Q;偏回归平方和越大,说明第m次项越重要;反之,则不重要;通过显著性检验确定,由式(5-29),得
Fm是符合自由度为1和Q/N-m-1的F分布;对于给定的α,由统计表查出F分布的理论临界值Fα(1,N-m-1),若Fm>Fα(1,N-m-1),则说明m次项重要,须引入拟合曲线中;反之,则不引入;引入m次项后,还需要考查m+1次项是否显著,把m+1视为m,m视为m-1,重复上述步骤,直到Fm不大于Fα(1,N-m-1)为止;
(2)采用最小二乘方法求解模型参数;
式(5-23)的测量方程为:
相应的估计量如下:
其误差方程为:
V=L-Y,Y=TA (5-33)
其中,L为实际测量值,
根据最小二乘法理论知,VTV=最小时,求解出模型系数A,即A=(TTT)-1TTy;
然后根据上述最小二乘法进行计算;
(3)温度补偿具体算法如下:
1)模型为m=1阶,并给定置信度(1-α);
2)利用卡尔曼滤波消噪后数据,通过最小二乘法解算出m阶模型系数;
3)通过统计方法检查模型最高阶次的显著性;
4)若Fm>Fα(1,N-m-1),则m阶需引入模型;并将m+1阶引入模型,把m+1视为m,m视为m-1,返回2)步骤;
5)若Fm<Fα(1,N-m-1),则得到所求模型及参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210166955.5A CN102650527B (zh) | 2012-05-25 | 2012-05-25 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210166955.5A CN102650527B (zh) | 2012-05-25 | 2012-05-25 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102650527A true CN102650527A (zh) | 2012-08-29 |
CN102650527B CN102650527B (zh) | 2014-12-03 |
Family
ID=46692591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210166955.5A Expired - Fee Related CN102650527B (zh) | 2012-05-25 | 2012-05-25 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102650527B (zh) |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279646A (zh) * | 2013-05-02 | 2013-09-04 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种预测覆冰输电导线张力的计算方法 |
CN103512569A (zh) * | 2013-09-29 | 2014-01-15 | 北京理工大学 | 基于离散小波多尺度分析的mems陀螺仪随机误差补偿方法 |
CN103530521A (zh) * | 2013-10-22 | 2014-01-22 | 东南大学 | 基于傅立叶级数和arma模型的日照温度时程模拟方法 |
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN104317550A (zh) * | 2014-09-28 | 2015-01-28 | 中国兵器工业集团第二一四研究所苏州研发中心 | Mems温度补偿运算电路 |
CN104729492A (zh) * | 2013-12-18 | 2015-06-24 | 广西大学 | 一种基于卡尔曼滤波的光纤陀螺仪信号处理方法 |
CN105093239A (zh) * | 2015-08-21 | 2015-11-25 | 西安空间无线电技术研究所 | 一种基于温度补偿的系统时延误差校正方法 |
CN105300405A (zh) * | 2014-07-28 | 2016-02-03 | 北京自动化控制设备研究所 | 一种主基准速度时间延迟估计和补偿方法 |
CN105656453A (zh) * | 2016-01-06 | 2016-06-08 | 东南大学 | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 |
CN105866504A (zh) * | 2016-03-23 | 2016-08-17 | 东南大学 | 一种基于卡尔曼滤波的光纤电流互感器温度补偿方法 |
CN105928544A (zh) * | 2016-04-26 | 2016-09-07 | 清华大学 | 微惯性测量组合单元的快速自标定方法及装置 |
CN106092138A (zh) * | 2016-06-06 | 2016-11-09 | 东南大学 | 一种基于微处理器的硅微陀螺仪温度补偿方法 |
CN106153046A (zh) * | 2015-04-28 | 2016-11-23 | 黄磊 | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 |
CN106767893A (zh) * | 2017-03-02 | 2017-05-31 | 深圳星震宇信息科技有限公司 | 车辆行驶里程计算方法 |
CN106767905A (zh) * | 2016-11-29 | 2017-05-31 | 浙江大学 | 分离双探测器型光纤陀螺光源和电子噪声相关性计算方法 |
CN106885565A (zh) * | 2017-02-14 | 2017-06-23 | 北京航空航天大学 | 一种基于中值滤波的干涉式光纤陀螺输出信号附加零偏的抑制方法 |
CN106908668A (zh) * | 2017-01-20 | 2017-06-30 | 中国电力科学研究院 | 一种实测地面合成电场数据的处理方法及系统 |
CN106908080A (zh) * | 2015-12-23 | 2017-06-30 | 上海亨通光电科技有限公司 | 一种光纤陀螺全温非正交角偏差的通用误差补偿方法 |
CN106933977A (zh) * | 2017-02-16 | 2017-07-07 | 中国航天空气动力技术研究院 | 一种基于大数据挖掘分类剔除飞行参数野值的方法 |
CN106970035A (zh) * | 2017-03-29 | 2017-07-21 | 东南大学 | 基于cvafs法测量火电厂烟气汞浓度的信号处理方法 |
CN108469270A (zh) * | 2018-03-20 | 2018-08-31 | 西安电子科技大学 | 基于时间序列分析的手机陀螺仪零偏动态补偿方法 |
CN108663068A (zh) * | 2018-03-20 | 2018-10-16 | 东南大学 | 一种应用在初始对准中的svm自适应卡尔曼滤波方法 |
CN108692741A (zh) * | 2018-04-04 | 2018-10-23 | 中航捷锐(北京)光电技术有限公司 | 一种闭环光纤陀螺标度因数快速稳定方法及装置 |
CN109211219A (zh) * | 2018-10-23 | 2019-01-15 | 中船航海科技有限责任公司 | 一种新型光纤陀螺仪温度补偿方法 |
CN109477784A (zh) * | 2016-05-12 | 2019-03-15 | Bd生物科学公司 | 具有增强图像分辨率的荧光成像流式细胞术 |
CN109613618A (zh) * | 2018-12-19 | 2019-04-12 | 东南大学 | 一种重力敏感器的长期漂移误差补偿方法 |
CN109708660A (zh) * | 2018-11-13 | 2019-05-03 | 河北汉光重工有限责任公司 | 一种大深度下潜三轴陀螺的零偏测试方法 |
CN109995562A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团河北有限公司 | 网络业务量预测方法、装置、设备及介质 |
CN110275467A (zh) * | 2019-06-25 | 2019-09-24 | 江苏理工学院 | 基于电路物理参数检测的控制系统 |
CN110516323A (zh) * | 2019-08-08 | 2019-11-29 | 合肥通用机械研究院有限公司 | 一种基于时序分析的压力管道损伤预测方法 |
CN110929743A (zh) * | 2018-09-19 | 2020-03-27 | 上海仪电(集团)有限公司中央研究院 | 基于时间序列关联与聚类分析的水质污染物变化监测系统 |
CN111024122A (zh) * | 2019-12-18 | 2020-04-17 | 上海聿毫信息科技有限公司 | 基于蓝牙和九轴陀螺仪的超声波笔倾斜偏差补偿方法 |
CN111784071A (zh) * | 2020-07-14 | 2020-10-16 | 北京月新时代科技股份有限公司 | 一种基于Stacking集成的许可占用与预测方法及系统 |
CN111854798A (zh) * | 2020-07-13 | 2020-10-30 | 北京思卓博瑞科技有限公司 | 一种光纤陀螺仪的温度补偿方法及装置 |
CN112488427A (zh) * | 2020-12-21 | 2021-03-12 | 新疆工程学院 | 基于arima模型的中长期光伏可用电量预测方法 |
CN112507517A (zh) * | 2020-11-03 | 2021-03-16 | 中国航空工业集团公司西安航空计算技术研究所 | 一种航电设备健康表征参数轨迹建立方法 |
CN112579044A (zh) * | 2020-12-08 | 2021-03-30 | 太原理工大学 | 一种基于时间间隔混沌的超快物理随机数发生器 |
CN112747773A (zh) * | 2020-12-30 | 2021-05-04 | 中建八局第二建设有限公司 | 基于Allan方差和随机多项式提高陀螺仪精度的方法 |
CN113295183A (zh) * | 2021-04-21 | 2021-08-24 | 西北大学 | 激光陀螺的温度补偿方法、装置、电子设备及存储介质 |
CN113391287A (zh) * | 2021-06-10 | 2021-09-14 | 哈尔滨工业大学 | 基于时间序列的高频地波雷达海态数据融合方法 |
CN113723201A (zh) * | 2021-08-03 | 2021-11-30 | 三明学院 | 时间序列局部趋势的识别方法、装置、系统和存储介质 |
CN114046802A (zh) * | 2021-09-28 | 2022-02-15 | 中国船舶重工集团公司第七0七研究所 | 一种光纤陀螺分步温度补偿方法 |
CN115560743A (zh) * | 2022-12-07 | 2023-01-03 | 中国船舶集团有限公司第七〇七研究所 | 光纤陀螺的误差分析及消除方法及装置 |
CN116026308A (zh) * | 2023-03-30 | 2023-04-28 | 中国船舶集团有限公司第七〇七研究所 | 一种高阶模空芯光纤陀螺及制作方法 |
CN117664117A (zh) * | 2024-01-31 | 2024-03-08 | 西安晟昕科技股份有限公司 | 一种光纤陀螺的漂移数据分析及优化补偿方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0987518A2 (de) * | 1998-09-17 | 2000-03-22 | LITEF GmbH | Faseroptischer Kreisel mit geschlossener Regelschleife und Kompensation des Shupe-Effekts |
JP2002277251A (ja) * | 2001-03-16 | 2002-09-25 | Japan Aviation Electronics Industry Ltd | 光ファイバジャイロ |
CN101013035A (zh) * | 2007-02-08 | 2007-08-08 | 北京航空航天大学 | 一种基于神经网络进行温度补偿的光纤陀螺 |
CN101387524A (zh) * | 2008-10-09 | 2009-03-18 | 北京航空航天大学 | 一种适用于光纤陀螺的偏置温度误差测试与补偿系统 |
CN101408427A (zh) * | 2008-11-19 | 2009-04-15 | 中国航天时代电子公司 | 一种光纤陀螺仪分布式分层级温度误差补偿方法 |
CN102135428A (zh) * | 2010-01-25 | 2011-07-27 | 北京三驰科技发展有限公司 | 一种光纤陀螺温度补偿的方法 |
CN102243080A (zh) * | 2011-04-25 | 2011-11-16 | 北京航空航天大学 | 高精度光纤陀螺带温度补偿的信号检测方法及装置 |
-
2012
- 2012-05-25 CN CN201210166955.5A patent/CN102650527B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0987518A2 (de) * | 1998-09-17 | 2000-03-22 | LITEF GmbH | Faseroptischer Kreisel mit geschlossener Regelschleife und Kompensation des Shupe-Effekts |
JP2002277251A (ja) * | 2001-03-16 | 2002-09-25 | Japan Aviation Electronics Industry Ltd | 光ファイバジャイロ |
CN101013035A (zh) * | 2007-02-08 | 2007-08-08 | 北京航空航天大学 | 一种基于神经网络进行温度补偿的光纤陀螺 |
CN101387524A (zh) * | 2008-10-09 | 2009-03-18 | 北京航空航天大学 | 一种适用于光纤陀螺的偏置温度误差测试与补偿系统 |
CN101408427A (zh) * | 2008-11-19 | 2009-04-15 | 中国航天时代电子公司 | 一种光纤陀螺仪分布式分层级温度误差补偿方法 |
CN102135428A (zh) * | 2010-01-25 | 2011-07-27 | 北京三驰科技发展有限公司 | 一种光纤陀螺温度补偿的方法 |
CN102243080A (zh) * | 2011-04-25 | 2011-11-16 | 北京航空航天大学 | 高精度光纤陀螺带温度补偿的信号检测方法及装置 |
Non-Patent Citations (5)
Title |
---|
杜士森,张春熹,宋凝芳,金靖: "光纤陀螺惯性测量组件的温度场分析与热设计", 《仪器仪表学报》 * |
金靖,宋凝芳,李立京: "干涉型光纤陀螺温度漂移建模与实时补偿", 《航空学报》 * |
金靖,张忠钢,王峥,宋凝芳,张春熹: "基于RBF神经网络的数字闭环光纤陀螺温度误差补偿", 《光学精密工程》 * |
金靖,张春熹,宋凝芳: "光纤陀螺标度因数温度误差分析与补偿", 《宇航学报》 * |
马静,王大海,晁代宏,陈淑英: "基于关键器件的光纤陀螺可靠性评估", 《中国惯性技术学报》 * |
Cited By (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279646A (zh) * | 2013-05-02 | 2013-09-04 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种预测覆冰输电导线张力的计算方法 |
CN103512569A (zh) * | 2013-09-29 | 2014-01-15 | 北京理工大学 | 基于离散小波多尺度分析的mems陀螺仪随机误差补偿方法 |
CN103512569B (zh) * | 2013-09-29 | 2016-08-31 | 北京理工大学 | 基于离散小波多尺度分析的mems陀螺仪随机误差补偿方法 |
CN103530521A (zh) * | 2013-10-22 | 2014-01-22 | 东南大学 | 基于傅立叶级数和arma模型的日照温度时程模拟方法 |
CN103530521B (zh) * | 2013-10-22 | 2016-04-06 | 东南大学 | 基于傅立叶级数和arma模型的日照温度时程模拟方法 |
CN104729492A (zh) * | 2013-12-18 | 2015-06-24 | 广西大学 | 一种基于卡尔曼滤波的光纤陀螺仪信号处理方法 |
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN105300405B (zh) * | 2014-07-28 | 2019-05-10 | 北京自动化控制设备研究所 | 一种主基准速度时间延迟估计和补偿方法 |
CN105300405A (zh) * | 2014-07-28 | 2016-02-03 | 北京自动化控制设备研究所 | 一种主基准速度时间延迟估计和补偿方法 |
CN104317550A (zh) * | 2014-09-28 | 2015-01-28 | 中国兵器工业集团第二一四研究所苏州研发中心 | Mems温度补偿运算电路 |
CN106153046A (zh) * | 2015-04-28 | 2016-11-23 | 黄磊 | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 |
CN106153046B (zh) * | 2015-04-28 | 2021-03-26 | 南京林业大学 | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 |
CN105093239A (zh) * | 2015-08-21 | 2015-11-25 | 西安空间无线电技术研究所 | 一种基于温度补偿的系统时延误差校正方法 |
CN105093239B (zh) * | 2015-08-21 | 2017-07-28 | 西安空间无线电技术研究所 | 一种基于温度补偿的系统时延误差校正方法 |
CN106908080A (zh) * | 2015-12-23 | 2017-06-30 | 上海亨通光电科技有限公司 | 一种光纤陀螺全温非正交角偏差的通用误差补偿方法 |
CN106908080B (zh) * | 2015-12-23 | 2019-11-08 | 上海亨通光电科技有限公司 | 一种光纤陀螺全温非正交角偏差的通用误差补偿方法 |
CN105656453A (zh) * | 2016-01-06 | 2016-06-08 | 东南大学 | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 |
CN105656453B (zh) * | 2016-01-06 | 2018-09-21 | 东南大学 | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 |
CN105866504A (zh) * | 2016-03-23 | 2016-08-17 | 东南大学 | 一种基于卡尔曼滤波的光纤电流互感器温度补偿方法 |
CN105866504B (zh) * | 2016-03-23 | 2018-07-17 | 东南大学 | 一种基于卡尔曼滤波的光纤电流互感器温度补偿方法 |
CN105928544B (zh) * | 2016-04-26 | 2019-06-28 | 清华大学 | 微惯性测量组合单元的快速自标定方法及装置 |
CN105928544A (zh) * | 2016-04-26 | 2016-09-07 | 清华大学 | 微惯性测量组合单元的快速自标定方法及装置 |
CN109477784A (zh) * | 2016-05-12 | 2019-03-15 | Bd生物科学公司 | 具有增强图像分辨率的荧光成像流式细胞术 |
CN106092138A (zh) * | 2016-06-06 | 2016-11-09 | 东南大学 | 一种基于微处理器的硅微陀螺仪温度补偿方法 |
CN106767905A (zh) * | 2016-11-29 | 2017-05-31 | 浙江大学 | 分离双探测器型光纤陀螺光源和电子噪声相关性计算方法 |
CN106767905B (zh) * | 2016-11-29 | 2019-06-21 | 浙江大学 | 分离双探测器型光纤陀螺光源和电子噪声相关性计算方法 |
CN106908668A (zh) * | 2017-01-20 | 2017-06-30 | 中国电力科学研究院 | 一种实测地面合成电场数据的处理方法及系统 |
CN106885565B (zh) * | 2017-02-14 | 2020-02-07 | 北京航空航天大学 | 一种基于中值滤波的干涉式光纤陀螺输出信号附加零偏的抑制方法 |
CN106885565A (zh) * | 2017-02-14 | 2017-06-23 | 北京航空航天大学 | 一种基于中值滤波的干涉式光纤陀螺输出信号附加零偏的抑制方法 |
CN106933977A (zh) * | 2017-02-16 | 2017-07-07 | 中国航天空气动力技术研究院 | 一种基于大数据挖掘分类剔除飞行参数野值的方法 |
CN106767893A (zh) * | 2017-03-02 | 2017-05-31 | 深圳星震宇信息科技有限公司 | 车辆行驶里程计算方法 |
CN106970035B (zh) * | 2017-03-29 | 2019-10-18 | 东南大学 | 基于cvafs法测量火电厂烟气汞浓度的信号处理方法 |
CN106970035A (zh) * | 2017-03-29 | 2017-07-21 | 东南大学 | 基于cvafs法测量火电厂烟气汞浓度的信号处理方法 |
CN109995562A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团河北有限公司 | 网络业务量预测方法、装置、设备及介质 |
CN108663068A (zh) * | 2018-03-20 | 2018-10-16 | 东南大学 | 一种应用在初始对准中的svm自适应卡尔曼滤波方法 |
CN108469270A (zh) * | 2018-03-20 | 2018-08-31 | 西安电子科技大学 | 基于时间序列分析的手机陀螺仪零偏动态补偿方法 |
CN108692741A (zh) * | 2018-04-04 | 2018-10-23 | 中航捷锐(北京)光电技术有限公司 | 一种闭环光纤陀螺标度因数快速稳定方法及装置 |
CN108692741B (zh) * | 2018-04-04 | 2020-09-25 | 中航捷锐(北京)光电技术有限公司 | 一种闭环光纤陀螺标度因数快速稳定方法及装置 |
CN110929743A (zh) * | 2018-09-19 | 2020-03-27 | 上海仪电(集团)有限公司中央研究院 | 基于时间序列关联与聚类分析的水质污染物变化监测系统 |
CN110929743B (zh) * | 2018-09-19 | 2024-02-09 | 上海仪电(集团)有限公司中央研究院 | 基于时间序列关联与聚类分析的水质污染物变化监测系统 |
CN109211219A (zh) * | 2018-10-23 | 2019-01-15 | 中船航海科技有限责任公司 | 一种新型光纤陀螺仪温度补偿方法 |
CN109708660A (zh) * | 2018-11-13 | 2019-05-03 | 河北汉光重工有限责任公司 | 一种大深度下潜三轴陀螺的零偏测试方法 |
CN109708660B (zh) * | 2018-11-13 | 2022-08-09 | 河北汉光重工有限责任公司 | 一种大深度下潜三轴陀螺的零偏测试方法 |
CN109613618A (zh) * | 2018-12-19 | 2019-04-12 | 东南大学 | 一种重力敏感器的长期漂移误差补偿方法 |
CN110275467A (zh) * | 2019-06-25 | 2019-09-24 | 江苏理工学院 | 基于电路物理参数检测的控制系统 |
CN110516323A (zh) * | 2019-08-08 | 2019-11-29 | 合肥通用机械研究院有限公司 | 一种基于时序分析的压力管道损伤预测方法 |
CN110516323B (zh) * | 2019-08-08 | 2023-03-24 | 合肥通用机械研究院有限公司 | 一种基于时序分析的压力管道损伤预测方法 |
CN111024122A (zh) * | 2019-12-18 | 2020-04-17 | 上海聿毫信息科技有限公司 | 基于蓝牙和九轴陀螺仪的超声波笔倾斜偏差补偿方法 |
CN111024122B (zh) * | 2019-12-18 | 2024-01-19 | 上海聿毫信息科技有限公司 | 基于蓝牙和九轴陀螺仪的超声波笔倾斜偏差补偿方法 |
CN111854798A (zh) * | 2020-07-13 | 2020-10-30 | 北京思卓博瑞科技有限公司 | 一种光纤陀螺仪的温度补偿方法及装置 |
CN111784071B (zh) * | 2020-07-14 | 2024-05-07 | 北京月新时代科技股份有限公司 | 一种基于Stacking集成的许可占用与预测方法及系统 |
CN111784071A (zh) * | 2020-07-14 | 2020-10-16 | 北京月新时代科技股份有限公司 | 一种基于Stacking集成的许可占用与预测方法及系统 |
CN112507517A (zh) * | 2020-11-03 | 2021-03-16 | 中国航空工业集团公司西安航空计算技术研究所 | 一种航电设备健康表征参数轨迹建立方法 |
CN112579044A (zh) * | 2020-12-08 | 2021-03-30 | 太原理工大学 | 一种基于时间间隔混沌的超快物理随机数发生器 |
CN112579044B (zh) * | 2020-12-08 | 2022-09-13 | 太原理工大学 | 一种基于时间间隔混沌的超快物理随机数发生器 |
CN112488427A (zh) * | 2020-12-21 | 2021-03-12 | 新疆工程学院 | 基于arima模型的中长期光伏可用电量预测方法 |
CN112747773A (zh) * | 2020-12-30 | 2021-05-04 | 中建八局第二建设有限公司 | 基于Allan方差和随机多项式提高陀螺仪精度的方法 |
CN113295183B (zh) * | 2021-04-21 | 2024-02-20 | 西北大学 | 激光陀螺的温度补偿方法、装置、电子设备及存储介质 |
CN113295183A (zh) * | 2021-04-21 | 2021-08-24 | 西北大学 | 激光陀螺的温度补偿方法、装置、电子设备及存储介质 |
CN113391287A (zh) * | 2021-06-10 | 2021-09-14 | 哈尔滨工业大学 | 基于时间序列的高频地波雷达海态数据融合方法 |
CN113391287B (zh) * | 2021-06-10 | 2023-09-01 | 哈尔滨工业大学 | 基于时间序列的高频地波雷达海态数据融合方法 |
CN113723201A (zh) * | 2021-08-03 | 2021-11-30 | 三明学院 | 时间序列局部趋势的识别方法、装置、系统和存储介质 |
CN113723201B (zh) * | 2021-08-03 | 2024-06-14 | 三明学院 | 时间序列局部趋势的识别方法、装置、系统和存储介质 |
CN114046802A (zh) * | 2021-09-28 | 2022-02-15 | 中国船舶重工集团公司第七0七研究所 | 一种光纤陀螺分步温度补偿方法 |
CN114046802B (zh) * | 2021-09-28 | 2023-05-02 | 中国船舶重工集团公司第七0七研究所 | 一种光纤陀螺分步温度补偿方法 |
CN115560743B (zh) * | 2022-12-07 | 2023-03-10 | 中国船舶集团有限公司第七〇七研究所 | 光纤陀螺的误差分析及消除方法及装置 |
CN115560743A (zh) * | 2022-12-07 | 2023-01-03 | 中国船舶集团有限公司第七〇七研究所 | 光纤陀螺的误差分析及消除方法及装置 |
CN116026308B (zh) * | 2023-03-30 | 2023-05-30 | 中国船舶集团有限公司第七〇七研究所 | 一种高阶模空芯光纤陀螺及制作方法 |
CN116026308A (zh) * | 2023-03-30 | 2023-04-28 | 中国船舶集团有限公司第七〇七研究所 | 一种高阶模空芯光纤陀螺及制作方法 |
CN117664117A (zh) * | 2024-01-31 | 2024-03-08 | 西安晟昕科技股份有限公司 | 一种光纤陀螺的漂移数据分析及优化补偿方法 |
CN117664117B (zh) * | 2024-01-31 | 2024-04-23 | 西安晟昕科技股份有限公司 | 一种光纤陀螺的漂移数据分析及优化补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102650527B (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102650527B (zh) | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 | |
Lee et al. | A comparative study of uncertainty propagation methods for black-box-type problems | |
Hosder et al. | A non-intrusive polynomial chaos method for uncertainty propagation in CFD simulations | |
CN103499345B (zh) | 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法 | |
Kim et al. | Modal identification for high‐rise building structures using orthogonality of filtered response vectors | |
CN105260568B (zh) | 基于离散型卡尔曼滤波的超高层建筑风荷载反分析方法 | |
CN104573248A (zh) | 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法 | |
CN105043384A (zh) | 一种基于鲁棒Kalman滤波的陀螺随机噪声ARMA模型建模方法 | |
Dolbec et al. | A component based software reliability model. | |
CN111879348B (zh) | 一种惯性仪表性能地面测试系统效能分析方法 | |
CN103413038A (zh) | 基于矢量量化的长期直觉模糊时间序列预测方法 | |
CN109254321A (zh) | 一种地震激励下快速贝叶斯模态参数识别方法 | |
RU2621422C2 (ru) | Система и способ тестирования показателя работы паровой турбины | |
CN109239596A (zh) | 一种基于ekf-irls滤波的动态状态估计方法 | |
CN106153046A (zh) | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 | |
Parnianifard et al. | Design and analysis of computer experiments using polynomial regression and Latin hypercube sampling in optimal design of PID controller | |
Sznaier et al. | An algorithm for sampling subsets of H/sub/spl infin//with applications to risk-adjusted performance analysis and model (in) validation | |
Yan et al. | A unified scheme to solving arbitrary complex-valued ratio distribution with application to statistical inference for raw frequency response functions and transmissibility functions | |
Jiang et al. | A hybrid degradation tendency measurement method for mechanical equipment based on moving window and Grey–Markov model | |
Rainieri et al. | Output-only modal identification | |
CN113720320B (zh) | 一种基于高斯过程回归的信息更新频率提升方法 | |
CN112257145B (zh) | 利用动态响应识别结构阻尼及刚度的方法 | |
Chen et al. | Prediction of Transient Statistical Energy Response for Two-Subsystem Models Considering Interval Uncertainty | |
CN114324979B (zh) | 加速度计振动失调误差评估方法、装置、存储介质及设备 | |
Long et al. | Analysis on stability and structure computation of helicopter with slung-load |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141203 Termination date: 20160525 |