CN108801251A - 一种惯性传感器混叠干扰信号分离方法 - Google Patents

一种惯性传感器混叠干扰信号分离方法 Download PDF

Info

Publication number
CN108801251A
CN108801251A CN201810599185.0A CN201810599185A CN108801251A CN 108801251 A CN108801251 A CN 108801251A CN 201810599185 A CN201810599185 A CN 201810599185A CN 108801251 A CN108801251 A CN 108801251A
Authority
CN
China
Prior art keywords
signal
imfs
aliasing
wavelet
inertial sensor
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
Application number
CN201810599185.0A
Other languages
English (en)
Other versions
CN108801251B (zh
Inventor
胡亭亭
包启亮
夏运霞
唐茂雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Optics and Electronics of CAS
Original Assignee
Institute of Optics and Electronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Optics and Electronics of CAS filed Critical Institute of Optics and Electronics of CAS
Priority to CN201810599185.0A priority Critical patent/CN108801251B/zh
Publication of CN108801251A publication Critical patent/CN108801251A/zh
Application granted granted Critical
Publication of CN108801251B publication Critical patent/CN108801251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Gyroscopes (AREA)

Abstract

本发明公开了一种惯性传感器混叠干扰信号分离方法，步骤如下：(1)对惯性传感器输出混叠信号进行特征分析，确定不同干扰源信号频率特征；(2)根据低频段信号特征，选择阈值函数、小波基和分解层数对混叠信号中的低频段信号进行小波滤波；(3)针对小波滤波后的高频混叠干扰信号，通过经验模态分解(EEMD)自适应的分解得到N个内在经验模态函数(IMFs)；(4)IMFs的信息量为η，计算得到η＞＝90％时需要的IMFs分量个数p；(5)使用PCA算法将N维的IMFs降为p维；(6)以p维的IMFs为观测信号，选用合适的盲源分离算法分离出高频混叠干扰信号中的不同频率段干扰源信号。本发明大大减小了信号分离过程中过多的人为经验选择，自适应性较强。

Description

一种惯性传感器混叠干扰信号分离方法
技术领域
本发明属于数字信号处理领域，具体的涉及一种惯性传感器混叠信号分离方法，用于实现运动平台光电跟踪系统中惯性传感器输出混叠干扰信号分离。
背景技术
运动载体上的ATP系统，其视轴会因为载体的运动和外界对载体的干扰而造成抖动，使系统偏离跟踪目标，导致跟踪性能下降。因此，系统通常采用惯性稳定平台来隔离系统对载体的干扰，保证系统视轴稳定。为了提高惯性稳定平台对扰动的抑制能力，需要对系统受到的各类扰动进行单独控制，运动载体光电稳定控制的一个难点是对惯性传感器输出混叠干扰信号中的各类扰动进行分离。
如何实现运动载体光电系统中惯性传感器混叠干扰信号分离，目前尚未有成熟的方法。处理惯性传感器输出信号的常用方法是对信号进行滤波处理，如：IIR滤波、小波滤波、卡尔曼滤波，但上述方法解决的问题主要是对惯性传感器输出信号中的目标运动信号进行滤波，滤除混叠信号中的全部干扰信号，没有对混叠干扰信号进行分析和处理。多次采用上述方法可以实现惯性传感器混叠干扰信号分离，但过程中会出现过多的凭借信号先验知识和人为经验判断。多次IIR滤波方法需要根据混叠干扰信号中不同频率段信号设计多个不同通带的滤波器，通带宽度设计的不合理对滤波结果影响很大。多次小波滤波方法需要针对信号中不同频率段信号多次进行不同阈值函数、小波基函数和分解层数选择。多次卡尔曼滤波则需要多次建立干扰信号精确的数学模型，而惯性传感器的干扰较为复杂，很难得到每一个干扰源的精确模型，模型估计不准确将会导致卡尔曼滤波不准。这些方法均在一定程度上能分离惯性传感器输出混叠信号，但因人为参数设置太多或必须过度的人为判断等原因不利于工程实现。
发明内容
本发明要解决的技术问题是：克服现有技术不足，在不过多依赖信号先验知识和人的经验判断的情况下，提供一种能够实现运动平台光电系统惯性传感器输出混叠干扰信号分离方法。
本发明解决上述技术问题采用的技术方案为：一种惯性传感器混叠干扰信号分离方法，其具体步骤如下：
第一步，对惯性传感器输出混叠信号进行特征分析，确定不同干扰源信号频率特征；
第二步，根据低频段信号特征，选择阈值函数、小波基和分解层数对混叠信号X(t)中的低频段信号进行小波滤波，小波变换的表达式为：
其中ψ*(t)为小波基函数的共轭，b为小波基函数平移因子，分解层数j∈Z，选取合适的小波基函数和分解层数完成小波分解，小波分解后对每一层的小波系数选择合适的阈值函数进行阈值处理，即可完成信号的小波滤波；
第三步，针对小波滤波后的高频混叠干扰信号，通过经验模态分解EEMD自适应的分解得到N个信号分量IMFs；
第四步，设分量组IMFs为Y,则IMFs的信息量η表达为其中分母为IMFs自相关函数RY＝E(YYT)的所有特征值和，分子为1到p特征值的和，计算得到当η＞＝90％时需要的IMFs分量个数p，如果p为1，跳转执行第二步，如果p不为1，执行第五步；
第五步，使用PCA算法将N维的IMFs降为p维；
第六步，以p维的IMFs为观测信号，选用合适的盲源分离算法，即可分离出高频混叠干扰信号中的不同频率段干扰源信号。
所述第一步中的信号特征分析采取的是信号频谱分析。
所述第二步中的小波基函数可以选择有正交性的Haar小波、Symlets小波和Daubechies小波，分解层数j可以为3层～7层，阈值函数可以选择硬阈值函数或软阈值函数。
所述第三步中采用EEMD自适应的分解信号得到N个信号分量IMFs的目的是将单通道的混叠高频信号分解为多通道，使信号满足第六步中盲源分离条件，过程中EMD分解重复次数可以为50～100次。
所述第四步中计算η＞＝90％时需要的IMFs分量个数p；而如果p不为1，则说明降维后可以得到进行盲源分离的多个观测信号，执行第五步；如果p为1，则说明降维后达不到盲源分离的多观测信号条件，无法实现信号分离，需要对信号进行重新分解，即跳回执行第二步。
所述第五步使用PCA算法将N维的IMFs降为p维的目的是减小特征个数，保留原有各种特征主要信息，由盲源分离算法的性质可以看出，降维后信号运算速度会更快。
所述第六步中采用的盲源分离算法可以为Jade算法、Informax算法和不动点ICA算法。
本发明所具有的益处是：
1、本发明通过小波滤波获取混叠信号的低频率段干扰源信号，采用单通道盲源分离方法获取高频信号中的不同频率段干扰源信号，从而实现了惯性传感器输出混叠干扰信号分离。
2、相对于多次滤波方式，本发明提出的惯性传感器输出混叠干扰信号分离方式，只通过一次人为设定阈值和小波基，即可以分离混叠信号中不同频率段的扰动源信号，大大减小了对信号先验知识的依赖性以及人的经验判断引起的误差，提高了信号分离的自适应性。
3、本发明算法简单，对惯性传感器安装条件要求低，便于工程应用。
附图说明
图1为本发明的惯性传感器输出混叠干扰信号和信号频谱图，其中图1(a)为惯性传感器输出混叠干扰信号，图1(b)为惯性传感器混叠干扰信号的频谱图；
图2为本发明的混叠干扰信号小波滤波后的低频段信号和对应频谱图；
图3为本发明的高频混叠干扰信号EEMD分解图(s1～s12为分解得到的12个信号分量IMFs)；
图4为本发明的IMFs中主元所占比重图(date1为IMFs中主元分量从大到小排列柱状图，由y轴左侧坐标标注，date2为主元分量累积曲线，由y轴右侧坐标标注)；
图5为本发明方法得到的惯性传感器输出混叠干扰信号分离结果图，其中图5(a)为本发明方法分离信号得到的4个不同频率段干扰源信号，图5(b)为图5(a)中信号对应频谱图。
图6为本发明一种惯性传感器混叠干扰信号分离方法流程图。
具体实施方式
以下结合附图，说明本发明的实施例。但以下的实施例仅限于解释本发明。
下面以船载条件下光电跟踪系统中惯性传感器输出混叠干扰信号为例进行说明。本发明的具体实施步骤如下：
第一步，对惯性传感器输出混叠信号进行频谱分析如图1所示，从图中可以看出，在船载背景下光纤陀螺输出混叠扰动信号主要由四个明显的频率段信号组成，分别是0.1Hz左右的低频段信号和10Hz左右、16Hz左右、30Hz以上的高频段信号。
第二步，根据低频段信号特征分析，选择软阈值函数、Daubechies小波基和5层分解层数对混叠信号中的低频段信号进行小波滤波，小波变换的表达式为其中ψ*(t)为小波基函数的共轭，b为小波基函数平移因子，分解层数j∈Z，小波分解后对每一层的小波系数进行阈值处理，即可完成信号的小波滤波。混叠干扰信号小波滤波后的低频段信号和对应频谱如图2所示，由图2可以看出，混合信号经过小波滤波后，信号中只有频率为0.1Hz左右的低频段的信号不含有其它频率段信号，说明小波滤波提取出的低频信号是准确的。
第三步，针对小波滤波后的高频混叠干扰信号，通过经验模态分解EEMD自适应的分解将单通道的混叠高频信号分解为多通道，使信号满足第六步中盲源分离条件，得到的信号分量如图3所示，s1～s12为分解得到的12个信号分量IMFs，过程中EMD分解重复次数为100次。
第四步，设分量组IMFs为Y,则IMFs的信息量η表达为其中分母为IMFs自相关函数RY＝E(YYT)的所有特征值和，分子为1到p特征值的和，IMFs中主元所占比重如图4所示，从图中累积曲线date2可以看出当η＞＝90％时需要的IMFs分量个数p为3，执行第5步。
第五步，使用PCA算法将12维的IMFs降为3维；
第六步，以3维的IMFs为观测信号，选用FastICA算法，即可分离出高频混叠干扰信号中的不同频率段干扰源信号。最终得到的惯性传感器输出混叠干扰信号分离结果如图5所示，从图中可以看出，0.1Hz左右、10HZ左右、16Hz左右和30Hz以上频段的干扰源信号频谱相互不混叠。即本发明方法实现了对运动平台光电系统惯性传感器输出混叠干扰信号的不同频率扰动源信号分离。

Claims (5)

1.一种惯性传感器混叠干扰信号分离方法，其特征在于，步骤如下：
第一步，对惯性传感器输出混叠信号的特征进行分析，确定不同干扰源信号频率特征；
第二步，根据低频段信号特征，选择阈值函数、小波基和分解层数对混叠信号X(t)中的低频段信号进行小波滤波，小波变换的表达式为：
其中ψ*(t)为小波基函数的共轭，b为小波基函数平移因子，分解层数j∈Z，选取合适的小波基函数和分解层数完成小波分解，小波分解后对每一层的小波系数选择合适的阈值函数进行阈值处理，即可完成信号的小波滤波；
第三步，针对小波滤波后的高频混叠干扰信号，通过经验模态分解EEMD自适应的分解得到N个信号分量IMFs；
第四步，设分量组IMFs为Y,则IMFs的信息量η表达为其中分母为IMFs自相关函数RY＝E(YYT)的所有特征值和，分子为1到p特征值的和，计算得到当η＞＝90％时需要的IMFs分量个数p，如果p为1，跳转执行第二步，如果p不为1，执行第五步；
第五步，使用PCA算法将N维的IMFs降为p维；
第六步，以p维的IMFs为观测信号，选用合适的盲源分离算法，即可分离出高频混叠干扰信号中的不同频率段干扰源信号。
2.根据权利要求1所述的一种惯性传感器混叠干扰信号分离方法，其特征在于：所述第一步中的信号特征分析采取的是信号频谱分析。
3.根据权利要求1所述的一种惯性传感器混叠干扰信号分离方法，其特征在于：所述第二步中的小波基函数可以选择有正交性的Haar小波、Daubechies小波和Symlets小波，分解层数j大于3层，阈值函数可以选择硬阈值函数或软阈值函数。
4.根据权利要求1所述的一种惯性传感器混叠干扰信号分离方法，其特征在于：所述第四步中计算η＞＝90％时需要的IMFs分量个数p；而如果p不为1，则说明降维后可以得到进行盲源分离的多个观测信号，执行第五步；如果p为1，则说明降维后达不到盲源分离的多观测信号条件，无法实现信号分离，需要对信号进行重新分解，即跳回执行第二步。
5.根据权利要求1所述的一种惯性传感器混叠干扰信号分离方法，其特征在于：所述第六步中采用的盲源分离算法可以为Jade算法、Informax算法或不动点ICA算法。
CN201810599185.0A 2018-06-12 2018-06-12 一种惯性传感器混叠干扰信号分离方法 Active CN108801251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810599185.0A CN108801251B (zh) 2018-06-12 2018-06-12 一种惯性传感器混叠干扰信号分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810599185.0A CN108801251B (zh) 2018-06-12 2018-06-12 一种惯性传感器混叠干扰信号分离方法

Publications (2)

Publication Number Publication Date
CN108801251A true CN108801251A (zh) 2018-11-13
CN108801251B CN108801251B (zh) 2021-09-21

Family

ID=64085167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810599185.0A Active CN108801251B (zh) 2018-06-12 2018-06-12 一种惯性传感器混叠干扰信号分离方法

Country Status (1)

Country Link
CN (1) CN108801251B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109443393A (zh) * 2018-12-11 2019-03-08 中国人民解放军火箭军工程大学 一种基于盲分离算法的捷联惯导信号提取方法及系统
CN109682678A (zh) * 2018-12-29 2019-04-26 上海工程技术大学 一种纤维断裂声的分析方法
CN109682677A (zh) * 2018-12-29 2019-04-26 上海工程技术大学 一种基于希尔伯特黄变换的纤维断裂声发射分析方法
CN110688981A (zh) * 2019-10-14 2020-01-14 江西理工大学 一种振动信号去噪的模态混叠消除方法
CN112444844A (zh) * 2019-08-30 2021-03-05 中国石油化工股份有限公司 一种降低混叠干扰单炮记录对目的层成像的影响的方法
CN113093540A (zh) * 2021-03-31 2021-07-09 中国科学院光电技术研究所 一种基于小波阈值去噪的滑模扰动观测器设计方法
CN117290708A (zh) * 2023-11-24 2023-12-26 成都理工大学 便于计算暂态冲击量的高低频混叠信号分离方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288285A (zh) * 2011-05-24 2011-12-21 南京航空航天大学 一种单通道振动信号的盲源分离方法
CN104268577A (zh) * 2014-06-27 2015-01-07 大连理工大学 一种基于惯性传感器的人体行为识别方法
CN105893773A (zh) * 2016-04-20 2016-08-24 辽宁工业大学 一种基于eemd、cmf、wpt技术的振动信号频率特征提取方法
CN106371070A (zh) * 2016-08-30 2017-02-01 电子信息系统复杂电磁环境效应国家重点实验室 一种改进的基于小波分析的欠定盲源分离源数估计方法
CN108021871A (zh) * 2017-11-22 2018-05-11 华南理工大学 一种基于主成分分析的特征频率提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288285A (zh) * 2011-05-24 2011-12-21 南京航空航天大学 一种单通道振动信号的盲源分离方法
CN104268577A (zh) * 2014-06-27 2015-01-07 大连理工大学 一种基于惯性传感器的人体行为识别方法
CN105893773A (zh) * 2016-04-20 2016-08-24 辽宁工业大学 一种基于eemd、cmf、wpt技术的振动信号频率特征提取方法
CN106371070A (zh) * 2016-08-30 2017-02-01 电子信息系统复杂电磁环境效应国家重点实验室 一种改进的基于小波分析的欠定盲源分离源数估计方法
CN108021871A (zh) * 2017-11-22 2018-05-11 华南理工大学 一种基于主成分分析的特征频率提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUWEI ZHANG ,ET AL: "Recognition of Broken Wire Rope Based on Remanence using EEMD and Wavelet Methods", 《SENSORS》 *
刘光晓等: "基于盲源分离技术的泄漏音波信号滤波方法分析", 《振动与冲击》 *
蒋行国等: "基于小波分析的惯性传感器信号实时处理方法", 《光电工程》 *
赵 奎 黄高明: "基于二次小波去噪的ＦａｓｔＩＣＡ 盲源分离研究", 《舰 船 电 子 工 程》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109443393A (zh) * 2018-12-11 2019-03-08 中国人民解放军火箭军工程大学 一种基于盲分离算法的捷联惯导信号提取方法及系统
CN109682678A (zh) * 2018-12-29 2019-04-26 上海工程技术大学 一种纤维断裂声的分析方法
CN109682677A (zh) * 2018-12-29 2019-04-26 上海工程技术大学 一种基于希尔伯特黄变换的纤维断裂声发射分析方法
CN112444844A (zh) * 2019-08-30 2021-03-05 中国石油化工股份有限公司 一种降低混叠干扰单炮记录对目的层成像的影响的方法
CN110688981A (zh) * 2019-10-14 2020-01-14 江西理工大学 一种振动信号去噪的模态混叠消除方法
CN110688981B (zh) * 2019-10-14 2023-06-09 江西理工大学 一种振动信号去噪的模态混叠消除方法
CN113093540A (zh) * 2021-03-31 2021-07-09 中国科学院光电技术研究所 一种基于小波阈值去噪的滑模扰动观测器设计方法
CN117290708A (zh) * 2023-11-24 2023-12-26 成都理工大学 便于计算暂态冲击量的高低频混叠信号分离方法
CN117290708B (zh) * 2023-11-24 2024-02-09 成都理工大学 便于计算暂态冲击量的高低频混叠信号分离方法

Also Published As

Publication number Publication date
CN108801251B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN108801251A (zh) 一种惯性传感器混叠干扰信号分离方法
Shanmugam et al. An optimal frequency domain filter for edge detection in digital pictures
Unser et al. B-spline signal processing. I. Theory
CN110263606B (zh) 基于端到端卷积神经网络的头皮脑电特征提取分类方法
CN102200999A (zh) 一种检索相似性形状的方法
US7152085B2 (en) Non-phase shifting bidimensional filter
CN107411739A (zh) 基于双树复小波的脑电信号情绪识别特征提取方法
CN107392142A (zh) 一种真伪人脸识别方法及其装置
CN107359903A (zh) 扩频通信码捕获方法及装置
CN105184766A (zh) 一种频域边界能量模型的水平集图像分割方法
CN106772372A (zh) 一种Ka波段机载SAR系统的实时成像方法和系统
CN105654088B (zh) 基于局部对称关系的烟梗提取方法
CN113935378A (zh) 一种基于对抗性深度全卷积网络的ecg降噪方法
US5673207A (en) Method for processing motion image to determine optical flow and system for same
CN112200832B (zh) 一种运动轨迹数据的去噪方法及装置
Huang et al. A feature fusion method for road line extraction from remote sensing image
CN115085831A (zh) 一种基于混合时频分析的无人机遥控信号识别系统和方法
CN113538509A (zh) 基于自适应相关滤波特征融合学习的视觉跟踪方法及装置
Hajj et al. On multi-scale feature detection using filter banks
CN106056542B (zh) 一种基于频率域滤波的干涉图背景去除方法
CN114564626B (zh) 一种过滤电子侦察专项态势的方法及存储介质
CN109084743A (zh) 一种光电跟踪系统光纤陀螺输出目标信息和扰动信号分离方法
Treboux et al. Improved and generalized vine line detection on aerial images using asymmetrical neural networks and ml subclassifiers
Berthiaume et al. Handwritten digit recognition by Fourier-packet descriptors
EP0316402A1 (en) A fast median filter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant