CN103674062B - 基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 - Google Patents
基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 Download PDFInfo
- Publication number
- CN103674062B CN103674062B CN201310653427.7A CN201310653427A CN103674062B CN 103674062 B CN103674062 B CN 103674062B CN 201310653427 A CN201310653427 A CN 201310653427A CN 103674062 B CN103674062 B CN 103674062B
- Authority
- CN
- China
- Prior art keywords
- gyroscope
- model
- arma
- data
- random error
- 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.)
- Active
Links
- 241001123248 Arma Species 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 6
- 238000005295 random walk Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004613 tight binding model Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 102220047090 rs6152 Human genes 0.000 description 2
- 241001074710 Eucalyptus populnea Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Gyroscopes (AREA)
Abstract
本发明公开了基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法,该方法首先采集陀螺仪在静态环境下输出的角速率随机误差数据,并对数据进行野值剔除处理,然后利用Allan方差方法对角速率数据进行分析,辨识出陀螺仪随机误差中含有的噪声源,在此基础上,根据各种噪声源对应的时间序列表达式,利用等效ARMA模型重新对剔除野值的角速率数据进行时间序列建模,得到陀螺仪随机误差在时间域下的误差模型。本发明能够有效辨识出陀螺仪随机误差中的噪声源,从而有针对性的建立随机误差的时间序列误差模型,为提高陀螺仪性能设计及其随机误差的补偿提供有利依据。
Description
技术领域
本发明涉及一种精确建模惯性导航系统用陀螺仪随机误差的方法,具体是指基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法。
背景技术
陀螺仪作为惯性导航系统中角运动传感器,其测量精度直接决定了导航系统的性能,目前得到广泛应用的陀螺仪包括激光陀螺仪、光纤陀螺仪、机械转子陀螺仪和微机电陀螺仪。陀螺仪的输出数据中不可避免的包含了测量误差,测量误差可分为确定性误差和随机性误差两类;其中确定性误差包括零偏误差、刻度因子误差、安装误差等,可通过高精度转台进行误差标定,依据误差模型进行补偿;而随机误差则包括量化噪声误差、角度随机游走误差和速率随机游走误差等,通常无法根据实际物理模型进行建模,只能根据数据的统计规律建立统计误差模型,再对各种误差成分进行评估。实际应用中,在补偿了陀螺仪确定性误差的基础上,随机误差成为了影响陀螺仪乃至惯性导航系统性能的主要因素。因此,建立陀螺仪随机误差的时域误差模型并对其进行补偿,是提高陀螺仪性能并增强其工程实用性的重要环节。
Allan方差方法最初是由美国国家标准局的DavidAllan提出的。它是一种时域分析方法,可以利用它来确定数据噪声中随机过程的特性,有助于识别数据中特定噪声项的来源。噪声的Allan方差与功率谱密度之间存在某种定量关系,利用这个关系可以根据信号在时域上的输出数据分析出各误差源的类型,适用于对精密仪器的随机噪声研究,是一种强有力的时域分析工具。因此,利用Allan方差方法对陀螺仪输出的随机误差数据进行分析,可得到对应于该类陀螺仪随机误差中各种误差源的类型。
ARMA模型(Auto-RegressiveandMovingAverageModel)是由美国统计学家G.E.P.Box和英国统计学家G.M.Jenkins在二十世纪七十年代提出的时序分析模型,是研究时间序列的重要方法,由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成。ARMA模型描述了一组随机时间序列中前后数据的相关性以及随机白噪声对该组数据的影响。因此,可将陀螺仪的随机误差表示成ARMA模型的形式,从而实现对随机误差的预测和补偿。
本发明结合上述两种方法的优点,首先利用Allan方差方法辨识出陀螺仪中随机误差的误差源,根据误差源的时域表达形式进一步确定该陀螺随机误差对应的ARMA模型的阶数,然后再采用ARMA模型参数估计的格林函数法模型中各项系数,从而得到针对该陀螺仪的随机误差在时间域下的误差模型。本发明能够有效辨识出陀螺仪随机误差中的噪声源,进而有针对性的建立随机误差的时间序列误差模型,为提高陀螺仪性能设计及其随机误差的补偿提供有利依据。
发明内容
本发明的目的是提供一种基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法,该方法能够有效辨识出陀螺仪随机误差中的噪声源,从而有针对性的建立随机误差的时间序列误差模型,为提高陀螺仪性能设计及其随机误差的补偿提供有利依据。
本发明的技术解决方案为:基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法,该方法包括如下步骤:
(1)采集陀螺仪在静态环境下输出的原始角速率随机误差数据:将陀螺仪安装在三轴速率转台上,调整三轴速率转台使得陀螺仪的测量轴与当地东向重合,保持三轴速率转台静止,从而保证陀螺仪的输入角速度为0,记录10小时陀螺仪输出的原始角速率数据为x(0)(n)(n=1,2,…,N),N为数据量;
(2)陀螺仪原始角速率随机误差数据野值剔除:首先采用宽度为5的滑动窗口提取出陀螺仪输出的原始角速率数据x(0)(n)中的中位数序列x(1)(n),然后再采用宽度为3的滑动窗口提取出序列x(1)(n)中的中位数序列x(2)(n),再由获得的序列x(2)(n)构造海宁平滑滤波器,得到对原始角速率数据的平滑估计结果x(3)(n),最后分析序列x(0)(n)-x(3)(n),看是否有数据出现|x(0)(n)-x(3)(n)|>ε,ε取值为x(0)(n)标准差的三倍,如果有,则用一内插值代替x(0)(n),从而得到野值剔除后的陀螺仪角速率数据x(n);
(3)采用Allan方差方法分析陀螺仪角速率数据x(n),辨识出陀螺仪角速率数据x(n)中含有的误差源:首先按照分组样本容量值从小到大的顺序依次计算各分组样本容量对应的Allan方差及Allan标准差,然后将Allan标准差及其对应的分组样本容量值绘制在双对数曲线坐标系下,再根据绘制曲线的斜率范围进一步辨识出陀螺仪随机误差数据中的各种噪声源;
(4)根据辨识出的噪声源及其对应的时间序列表达式,确定陀螺仪随机误差所对应的等效ARMA模型中自回归部分的阶数p和滑动平均部分的阶数q,由此得到阶数确定而系数待定的陀螺仪随机误差等效时间序列ARMA(p,q)模型;
(5)采用ARMA模型参数估计的格林函数法计算步骤(4)获得的陀螺仪随机误差等效时间序列ARMA(p,q)模型中的待定系数:首先建立陀螺仪随机误差等效时间序列ARMA(p,q)模型对应的长自回归AR(P)模型,根据陀螺仪角速率数据x(n)中的随机噪声数据,采用线性最小二乘法估计长自回归AR(P)模型的参数,然后求出长自回归AR(P)模型对应的格林函数,最后再利用长自回归AR(P)模型格林函数与陀螺仪随机误差等效时间序列ARMA(p,q)模型系数的对应关系,计算得到陀螺仪随机误差等效时间序列ARMA(p,q)模型的各项系数,从而获得陀螺仪随机误差等效时间序列ARMA(p,q)模型;
(6)根据步骤(5)获得的陀螺仪随机误差等效时间序列ARMA(p,q)模型,得到陀螺仪输出数据中各种随机误差项随时间变化的规律,从而根据该模型对陀螺的输出数据进行误差补偿,以提高陀螺仪的测量精度,同时能够为提高陀螺仪性能设计及其随机误差的补偿提供依据。
本发明的方法针对惯性导航系统中使用的多种类型的陀螺仪随机误差的自身特点,提出一种辨识随机误差中所含的噪声源,进而有针对性的建立随机误差时间序列模型的通用方法,该方法首先采集陀螺仪在静态环境下输出的角速率随机误差数据,并对数据进行野值剔除处理,然后利用Allan方差方法对不含野值的角速率数据进行分析,从而辨识出陀螺仪随机误差中含有的噪声源,在此基础上,根据各种噪声源对应的时间序列表达式,利用等效ARMA模型重新对角速率随机误差数据进行时间序列建模,得到陀螺仪随机误差在时间域下的误差模型。
本发明中,上述步骤中所述的陀螺仪包括激光陀螺仪、光纤陀螺仪、机械转子陀螺仪和微机电陀螺仪;所述的陀螺仪随机误差包括量化噪声误差、角度随机游走误差和速率随机游走误差。
本发明的原理是:首先采集陀螺仪在静态环境下输出的角速率随机误差数据,并对数据进行野值剔除处理,然后利用Allan方差方法对角速率数据进行分析,从而辨识出陀螺仪随机误差中含有的噪声源,在此基础上,根据各种噪声源对应的时间序列表达式,利用等效ARMA模型重新对角速率数据进行时间序列建模,得到陀螺仪随机误差在时间域下的误差模型。本发明能够有效辨识出各种陀螺仪随机误差中的噪声源,从而有针对性的建立随机误差的时间序列误差模型,提高了模型的精度。
本发明与现有技术相比的优点在于:本方法是建立多种不同类型陀螺仪随机误差模型的通用方法,将Allan方差方法中随机误差源的辨识能力与ARMA模型的时域误差建模能力相结合,从而有效辨识出各种陀螺仪随机误差中的噪声源,进而有针对性的建立随机误差的时间序列误差模型,提高了模型精度。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细说明。
图1为本发明的基于Allan方差与ARMA模型的陀螺仪随机误差建模方法的流程图;
图2a为本发明的第2步中值序列提取示意图一;
图2b为本发明的第2步中值序列提取示意图二;
图3为本发明的第3步典型Allan方差图像;
图4为本发明的第4步ARMA模型参数估计的格林函数法。
具体实施方式
本发明基于Allan方差与ARMA模型分析以提高陀螺仪测量精度的方法,具体实施步骤如下:
1、采集陀螺仪在静态环境下输出的角速率数据:将陀螺仪安装在三轴速率转台上,调整转台使得陀螺仪的测量轴与当地东向重合,保证转台静止,从而保证陀螺仪的角速率输入为零,设定陀螺仪输出数据频率为fsHz,记录10小时陀螺仪输出的原始数据为x(0)(n)(n=1,2,…,N),N为数据总量;
2、剔除原始数据x(0)(n)中的野值:首先采用宽度为5的滑动窗口提取原始数据x(0)(n)的中位数序列x(1)(n),然后再采用宽度为3的滑动窗口提取出序列x(1)(n)中的中位数序列x(2)(n),再由x(2)(n)构造海宁平滑滤波器得到对原始角速率数据的平滑结果x(3)(n),最后分析序列x(0)(n)-x(3)(n),看是否有数据出现|x(0)(n)-x(3)(n)|>ε,ε为设定阈值,ε取值为x(0)(n)标准差的三倍,如果有,则用一内插值代替x(0)(n),得到野值剔除后的陀螺仪角速率数据x(n),具体计算步骤如下:
首先按照式(1)提取出原始数据x(0)(n)的中位数序列x(1)(n),
x(1)(n)=Media[x(0)(n-2),x(0)(n-1),x(0)(n),x(0)(n+1),x(0)(n+2)]n=3,4,…,N-2
(1)
同时设定x(1)(1)=x(1)(2)=x(1)(N-1)=x(1)(N)=0;然后按照式(2)提取出序列x(1)(n)的中位数序列,即原始数据x(0)(n)的二次中位数序列x(2)(n),
x(2)(n)=Media[x(1)(n-1),x(1)(n),x(1)(n+1)]n=4,5,…,N-3(2)
并设定x(2)(1)=x(2)(2)=x(2)(3)=x(2)(N-2)=x(2)(N-1)=x(2)(N)=0;在此基础上,按照式(3)所述海宁平滑滤波器得到对原始数据的平滑估计结果x(3)(n),
同时
x(3)(1)=x(3)(2)=x(3)(3)=x(3)(4)=x(3)(N-3)=x(3)(N-2)=x(3)(N-1)=x(3)(N)=0;此后,按照式(4)计算得到判定阈值ε,
最后,按照式(5)计算得到野值剔除后的陀螺仪角速率数据x(n),
并按照x(n)=x(n+5)n=1,2,…,M重新标注x(n)的序号,其中M=N-10。
3、采用Allan方差方法分析角速率数据x(n)并进一步辨识出数据中含有的误差成分:首先按照分组样本容量值从小到大的顺序依次计算各分组样本容量对应的Allan方差及Allan标准差,其次将Allan标准差及其对应的分组样本容量值绘制在双对数(log-log)曲线坐标系下,再根据绘制曲线的斜率范围辨识出陀螺仪随机误差数据中的各种噪声源,具体计算步骤如下:
首先,按照每组m个数据对角速率数据x(n)进行分组,得到K=Mm组数据,计算每组数据的平均值为:
其中,τ=mfs表示相关时间。然后,按照(6)式和(7)式所示计算角速率数据x(n)对应于相关时间τ的Allan方差和标准差。
按照m=1,2,…,m0的顺序依次计算每一个值对应的Allan标准差的大小,等同于计算每一个相关时间τ对应的Allan标准差的大小,其中m0=int[M/7]。由此,得到对应于每一个τm=m/fs的Allan标准差序列σAllan(τm)。
在此基础上,按照式(8)和式(9)计算τm和σAllan(τm)对应的对数值,
σAllan'(τm)=lg[σAllan(τm)](9)
然后以τm'为横轴,σAllan'(τm)为纵轴,将计算得到的数据绘制在双对数曲线上,观察曲线的斜率,可根据斜率的大小来辨识陀螺仪随机误差数据中的各种噪声源。
Allan标准差对数曲线的斜率与噪声源的对应关系如下:a)斜率-1对应了量化噪声;b)斜率-1/2对应了角度随机游走噪声;c)斜率+1/2对应了速率随机游走噪声。
4、根据辨识出的噪声源及其对应的时间序列表达式,确定陀螺仪随机误差所对应的等效ARMA模型中自回归部分和滑动平均部分的阶数,分别为p和q,从而得到阶数确定而系数待定的陀螺仪随机误差等效时间序列模型ARMA(p,q)。各种噪声源与其时间序列表达式的对应关系如下:
a)量化噪声
xQ(n)=wQ(n)-wQ(n-1)=(1-B)wQ(n)(10)
其中,xQ(n)为量化噪声,wQ(n)为形成量化噪声的白噪声,B表示后向移位算子,量化噪声实际对应了一阶滑动平均过程ARMA(0,1)。
b)角度随机游走
xAW(n)=wAW(n)(11)
其中,xAW(n)表示角度随机游走噪声,wAW(n)为形成角度随机游走的白噪声。
c)速率随机游走
其中,xRW(n)表示速率随机游走噪声,wRW(n)为形成速率随机游走的白噪声,B为后向移位算子,速率随机游走实际对应了一阶自回归过程ARMA(1,0)。
由此,根据ARMA模型等效叠加理论,可根据步骤3中判断的Allan标准差曲线的斜率做出如下判断:
(1)若斜率仅为-1,则陀螺仪原始角速率数据对应了ARMA(0,1)过程;
(2)若斜率仅为-1/2,则陀螺仪原始角速率数据对应了白噪声过程,无需建模,直接计算x(n)方差即可;
(3)若斜率仅为+1/2,则陀螺仪原始角速率数据对应了ARMA(1,0)过程;
(4)若斜率范围包括-1和-1/2,陀螺仪原始角速率数据对应了ARMA(0,2)过程;
(5)若斜率范围包括-1和+1/2,陀螺仪原始角速率数据对应了ARMA(1,1)过程;
(6)若斜率范围包括-1/2和+1/2,陀螺仪原始角速率数据对应了ARMA(1,1)过程;
(7)若斜率范围包括-1,-1/2和+1/2,陀螺仪原始角速率数据对应了ARMA(1,2)过程;
5、采用ARMA模型参数估计的格林函数法计算步骤4得到的ARMA(p,q)模型中的待定系数;参数待估计的ARMA(p,q)模型的具体形式为:
其中x(n)为步骤2得到的陀螺仪角速率随机误差数据,w(n)为白噪声序列,系数 为待估计参数。具体步骤如下:
(1)建立ARMA(p,q)模型对应的长自回归模型AR(P),其中阶数P=(lgM)1+λ,其中0≤λ≤1;AR(P)模型的参数为θ=(θ1,θ2,…,θP)T;基于数据x(n),采用显性最小二乘法,按照(14)式对模型参数进行估计;
其中, YP=[x(P+1),x(P+2),…,x(N)]T;
(2)由AR(P)模型的参数θ=(θ1,θ2,…,θP)T,利用(15)式求出AR(P)模型对应的格林函数;
(3)利用AR(P)模型格林函数与ARMA(p,q)模型系数的关系,求解β;具体分两步求解,首先按照式(16)求出ARMA(p,q)模型中AR部分系数β1=[a1,a2,…,ap]T,
其中, G2=[Gq,Gq+1,…,Gq+p]T;然后再根据计算得到的β1,进一步求出MA部分系数β2=[b1,b2,…,bq]T,此时分为两种情况,①当p≥q时,可按照(17)式进行计算,
β2=[b1,b2,…,bq]T=G3β1'-G4(17)
其中,β1'=[a1,a2,…,aq]T,G4=[G1,G2,…,Gq]T;
②当p<q时,可按照(18)式进行计算,
β2=[b1,b2,…,bq]T=G5β1-G6(18)
其中,G6=[G1,G2,…,Gq]T。至此得到对应了陀螺仪随机误差的时间序列误差模型ARMA(p,q)。
(6)根据步骤(5)获得的陀螺仪随机误差等效时间序列ARMA(p,q)模型,得到陀螺仪输出数据中各种随机误差项随时间变化的规律,从而根据该模型对陀螺的输出数据进行误差补偿,以提高陀螺仪的测量精度,同时能够为提高陀螺仪性能设计及其随机误差的补偿提供依据。
本发明的上述实施例并不是对本发明保护范围的限定,本发明的实施方式不限于此,凡此种种根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,对本发明上述结构做出的其它多种形式的修改、替换或变更,均应落在本发明的保护范围之内。
Claims (3)
1.一种基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法,该方法包括如下步骤:
(1)采集陀螺仪在静态环境下输出的原始角速率随机误差数据:将陀螺仪安装在三轴速率转台上,调整三轴速率转台使得陀螺仪的测量轴与当地东向重合,保持三轴速率转台静止,从而保证陀螺仪的输入角速度为0,记录10小时陀螺仪输出的原始角速率数据为x(0)(n)(n=1,2,…,N),N为数据量;
(2)陀螺仪原始角速率随机误差数据野值剔除:首先采用宽度为5的滑动窗口提取出陀螺仪输出的原始角速率数据x(0)(n)中的中位数序列x(1)(n),然后再采用宽度为3的滑动窗口提取出序列x(1)(n)中的中位数序列x(2)(n),再由获得的序列x(2)(n)构造海宁平滑滤波器,得到对原始角速率数据的平滑估计结果x(3)(n),最后分析序列x(0)(n)-x(3)(n),看是否有数据出现|x(0)(n)-x(3)(n)|>ε,ε取值为x(0)(n)标准差的三倍,如果有,则用一内插值代替x(0)(n),从而得到野值剔除后的陀螺仪角速率数据x(n);
(3)采用Allan方差方法分析陀螺仪角速率数据x(n),辨识出陀螺仪角速率数据x(n)中含有的误差源:首先按照分组样本容量值从小到大的顺序依次计算各分组样本容量对应的Allan方差及Allan标准差,然后将Allan标准差及其对应的分组样本容量值绘制在双对数曲线坐标系下,再根据绘制曲线的斜率范围进一步辨识出陀螺仪随机误差数据中的各种噪声源;
(4)根据辨识出的噪声源及其对应的时间序列表达式,确定陀螺仪随机误差所对应的等效ARMA模型中自回归部分的阶数p和滑动平均部分的阶数q,由此得到阶数确定而系数待定的陀螺仪随机误差等效时间序列ARMA(p,q)模型;
(5)采用ARMA模型参数估计的格林函数法计算步骤(4)获得的陀螺仪随机误差等效时间序列ARMA(p,q)模型中的待定系数:首先建立陀螺仪随机误差等效时间序列ARMA(p,q)模型对应的长自回归AR(p)模型,根据陀螺仪角速率数据x(n)中的随机噪声数据,采用线性最小二乘法估计长自回归AR(p)模型的参数,然后求出长自回归AR(p)模型对应的格林函数,最后再利用长自回归AR(p)模型格林函数与陀螺仪随机误差等效时间序列ARMA(p,q)模型系数的对应关系,计算得到陀螺仪随机误差等效时间序列ARMA(p,q)模型的各项系数,从而获得陀螺仪随机误差等效时间序列ARMA(p,q)模型;
(6)根据步骤(5)获得的陀螺仪随机误差等效时间序列ARMA(p,q)模型,得到陀螺仪输出数据中各种随机误差项随时间变化的规律,从而根据该模型对陀螺的输出数据进行误差补偿,以提高陀螺仪的测量精度,同时能够为提高陀螺仪性能设计及其随机误差的补偿提供依据。
2.根据权利要求1所述的基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法,其特征在于:所述的陀螺仪包括激光陀螺仪、光纤陀螺仪、机械转子陀螺仪和微机电陀螺仪。
3.根据权利要求1所述的基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法,其特征在于:所述陀螺仪的随机误差包括量化噪声误差、角度随机游走误差和速率随机游走误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310653427.7A CN103674062B (zh) | 2013-12-05 | 2013-12-05 | 基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310653427.7A CN103674062B (zh) | 2013-12-05 | 2013-12-05 | 基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103674062A CN103674062A (zh) | 2014-03-26 |
CN103674062B true CN103674062B (zh) | 2016-05-11 |
Family
ID=50312330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310653427.7A Active CN103674062B (zh) | 2013-12-05 | 2013-12-05 | 基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103674062B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375772A (zh) * | 2019-07-29 | 2019-10-25 | 中国航空工业集团公司北京长城计量测试技术研究所 | 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021210A (zh) * | 2014-04-16 | 2015-11-04 | 苏州圣赛诺尔传感器技术有限公司 | Mems陀螺仪随机漂移误差的处理方法 |
CN104048676B (zh) * | 2014-06-26 | 2017-02-15 | 哈尔滨工程大学 | 基于改进粒子滤波的mems陀螺随机误差补偿方法 |
CN106884645A (zh) * | 2015-12-16 | 2017-06-23 | 航天科工惯性技术有限公司 | 陀螺测斜仪的标定方法 |
CN105787265A (zh) * | 2016-02-23 | 2016-07-20 | 东南大学 | 基于综合集成赋权法的原子自旋陀螺随机误差建模方法 |
RU2638782C2 (ru) * | 2016-03-21 | 2017-12-15 | Акционерное общество "Научно-производственное объединение автоматики имени академика Н.А. Семихатова" | Способ определения шумов в измерительной информации чувствительных элементов инерциальных навигационных систем |
CN106595628B (zh) * | 2016-11-18 | 2019-04-19 | 天津津航技术物理研究所 | 数字光纤陀螺信号的野值实时剔除方法 |
CN107608065B (zh) * | 2017-10-18 | 2020-03-20 | 中国科学院光电技术研究所 | 一种运动平台下基于allan方差分析的望远镜自动指向修正方法 |
CN108225374A (zh) * | 2017-12-22 | 2018-06-29 | 中国人民解放军海军工程大学 | 一种融合遗传算法的Allan方差分析法 |
CN108168579B (zh) * | 2017-12-26 | 2020-09-11 | 郑州邦浩电子科技有限公司 | 擦窗机陀螺仪动态校准方法 |
CN108769849A (zh) * | 2018-04-26 | 2018-11-06 | Oppo广东移动通信有限公司 | 可穿戴式设备的控制方法及相关产品 |
CN109059961B (zh) * | 2018-08-15 | 2021-11-05 | 北京航空航天大学 | 一种用于陀螺测量仪器的误差范围分析方法 |
CN110044378A (zh) * | 2019-04-17 | 2019-07-23 | 河海大学 | 一种用于水下深潜器的光纤捷联惯性导航高精度定位系统及方法 |
CN111400907A (zh) * | 2020-03-16 | 2020-07-10 | 中南大学 | 一种光纤陀螺随机误差的统一建模方法 |
CN111397637B (zh) * | 2020-06-01 | 2020-09-04 | 湖南跨线桥航天科技有限公司 | 双轴旋转调制式惯性导航系统的陀螺仪随机游走误差抑制方法 |
CN112683308A (zh) * | 2020-12-16 | 2021-04-20 | 湖南航天机电设备与特种材料研究所 | 高精度速率偏频惯组加速度通道随机噪声估计方法及系统 |
CN112747773B (zh) * | 2020-12-30 | 2022-12-06 | 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 |
CN112629563B (zh) * | 2020-12-31 | 2024-09-13 | 广州导远电子科技有限公司 | 一种基于陀螺仪的误差补偿方法及装置 |
CN114563002B (zh) * | 2022-03-21 | 2024-04-09 | 北京全信科工科技发展有限公司 | 一种适应车载扰动环境下寻北的挠性陀螺信号处理方法 |
CN114705177B (zh) * | 2022-06-07 | 2022-08-30 | 西安晟昕科技发展有限公司 | 一种基于误差分析的光纤陀螺测姿数据处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519443A (zh) * | 2011-11-26 | 2012-06-27 | 东南大学 | 车载微机械陀螺仪异常测量数据的识别与修正方法 |
CN103033198A (zh) * | 2012-12-19 | 2013-04-10 | 南京航空航天大学 | 一种设置光纤陀螺仿真信号中随机误差参数的方法 |
CN103162678A (zh) * | 2013-03-11 | 2013-06-19 | 哈尔滨工业大学 | 批量mems陀螺信息融合方法 |
EP2639554A1 (en) * | 2012-03-15 | 2013-09-18 | BlackBerry Limited | Method and devices for determining gyroscope bias |
-
2013
- 2013-12-05 CN CN201310653427.7A patent/CN103674062B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519443A (zh) * | 2011-11-26 | 2012-06-27 | 东南大学 | 车载微机械陀螺仪异常测量数据的识别与修正方法 |
EP2639554A1 (en) * | 2012-03-15 | 2013-09-18 | BlackBerry Limited | Method and devices for determining gyroscope bias |
CN103033198A (zh) * | 2012-12-19 | 2013-04-10 | 南京航空航天大学 | 一种设置光纤陀螺仿真信号中随机误差参数的方法 |
CN103162678A (zh) * | 2013-03-11 | 2013-06-19 | 哈尔滨工业大学 | 批量mems陀螺信息融合方法 |
Non-Patent Citations (2)
Title |
---|
MEMS陀螺仪随机误差的Allan分析;刘海涛;《遥测遥控》;20071130;第28卷;第158-162页 * |
光纤陀螺随机误差模型分析;王新龙等;《北京航空航天大学学报》;20060731;第32卷(第7期);第769-772页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375772A (zh) * | 2019-07-29 | 2019-10-25 | 中国航空工业集团公司北京长城计量测试技术研究所 | 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103674062A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103674062B (zh) | 基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 | |
JP4994448B2 (ja) | モーダルパラメータの推定方法および装置 | |
CN107729706B (zh) | 一种非线性机械系统的动力学模型构建方法 | |
CN107330149B (zh) | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 | |
CN103324798B (zh) | 基于区间响应面模型的随机模型修正方法 | |
Carden et al. | Challenges in developing confidence intervals on modal parameters estimated for large civil infrastructure with stochastic subspace identification | |
McNeill | A modal identification algorithm combining blind source separation and state space realization | |
CN112487604B (zh) | 海洋重力仪输出数据长时间非线性漂移补偿方法 | |
CN111521398A (zh) | 基于bp神经网络和主元分析法的齿轮箱故障诊断方法及系统 | |
CN105021210A (zh) | Mems陀螺仪随机漂移误差的处理方法 | |
Li et al. | Automatic modal parameter identification of high arch dams: feasibility verification | |
CN110782041A (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN105259398B (zh) | 一种基于总方差的光纤电流互感器随机误差特性分析方法 | |
CN105043390B (zh) | 基于泛克里金法的重力场插值方法 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
CN115935762B (zh) | 一种工程结构模态振型分析方法、装置、设备及介质 | |
CN111561929B (zh) | 一种用于车载mems惯性传感器的时延降噪方法 | |
Hwang et al. | Frequency domain identification of modal characteristics and loads from output‐only measurements | |
CN112747773B (zh) | 基于Allan方差和随机多项式提高陀螺仪精度的方法 | |
CN105066959A (zh) | 路面纵断面的高程信息获取方法 | |
CN113001546B (zh) | 一种提高工业机器人运动速度安全性的方法及系统 | |
CN106153046A (zh) | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 | |
KR102230397B1 (ko) | 변형률 및 가속도값에 기반한 구조물의 변위 추정방법 | |
CN101509774A (zh) | 一种基于光纤陀螺的arma时间序列的寻北方法 | |
US20130191071A1 (en) | System and method for automatic modal parameter extraction in structural dynamics analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CP03 | Change of name, title or address |
Address after: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8 Co-patentee after: Beihang University Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD. Address before: 510080 Dongfeng East Road, Guangdong, Guangzhou, water, Kong Kong, No. 8 Co-patentee before: Beihang University Patentee before: Electrical Power Research Institute of Guangdong Power Grid Corporation |
|
CP03 | Change of name, title or address |