CN112710470B - 一种基于机动识别的自适应小波阈值mems陀螺仪降噪方法 - Google Patents

Abstract

本发明公开了一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法，包括如下步骤：S1、根据动态贝叶斯网络方法，建立机动动作识别模型，确定飞行器当前正在执行的机动动作；S2、根据误差分析方法，建立机动过载分析模型，确定MEMS陀螺仪所需的机动过载数据；S3、建立各机动动作下过载‑阈值自适应模型，确定飞行器在不同机动动作和不同过载下的自适应小波降噪曲线；本发明以机动识别为特征，以自适应小波阈值方法为信号处理方法，实现对MEMS陀螺仪的降噪处理，经验证应用该方法显著提高了陀螺仪的降噪效果。

Description

一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法

技术领域

本发明公开涉及小波阈值MEMS陀螺仪降噪技术领域，尤其涉及一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法。

背景技术

微机电系统(Micro Electromechanical System，MEMS)的快速发展，出现了基于MEMS技术的微机械惯性器件，惯性器件的微小型化为惯性导航系统的集成化和微小型化奠定了基础。微机电系统陀螺仪凭借体积小、重量轻、功耗低、成本低、响应速度快等优点，在个人定位和无人机导航领域得到了广泛的应用。惯性测量技术是实现无人机惯性导航的核心。

目前，国内外有很多专家学者对小波变换降噪方法进行了研究。欧美近年来提出数种降噪方法，最典型的降噪手段为模糊小波技术降噪方法，是通过对模糊小波分解后的调节系数进行阈值调整，以获得对信号去噪较优的处理方法；另外一种为模平方小波阈值降噪方法，通过综合软、硬阈值函数优点，重新构建阈值函数，对小波系数进行优化处理到达降噪效果；还有一种降噪方法是基于递归最小二乘法多重小波分解重构的强追踪自反馈模型，建立新的软阈值函数，减少了信号的噪声影响。国内在相关领域起步较晚，但目前进展快速，有很多成果出现。如国内学者提出一种将稀疏分解与提升小波变换相结合的方法，通过小波提升正变换计算带噪信号的非稀疏的小波系数，利用稀疏分解理论恢复小波系数的稀疏性，再通过小波提升反变换重构信号，达到降噪的目的；在考虑到尺度变换到对于小波降噪的影响，又提出引入尺度调节参数的方法对阈值做出调整。相比于固定阈值，随着实际情况自适应性改变阈值的方法，在去噪过程中较有效。

小波阈值MEMS陀螺仪降噪领域已经取得了一定的进展，但在实际检测到的MEMS陀螺角速度信号中夹杂着各种干扰信号。这些干扰信号不仅会影响系统的分辨率和稳定性，更会严重影响对信号的进一步处理。小波变换自提出以来，在许多工程技术领域均得到了较好的应用，证明在对信号进行分析前应做好预处理并尽可能的消除噪声是非常重要的。因此，有必要发明一种契合上述特征的自适应小波阈值MEMS陀螺仪降噪方法，提高陀螺仪的降噪效果。

发明内容

鉴于此，本发明针对实际检测到的MEMS陀螺角速度信号中仍夹杂着各种干扰信号的问题，提出了一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法，以机动识别为特征，以自适应小波阈值方法为信号，实现对MEMS陀螺仪的降噪处理。

本发明提供的技术方案，具体为，一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法，包括如下步骤：

S1、根据误差分析方法，建立确定性误差模型，确定MEMS陀螺仪所需的机动过载数据；

为了更好地降低MEMS陀螺仪输出信号的噪声，本发明选择对输出信号进行误差分析，具体包括如下步骤：

首先，以对航向姿态测量系统与运动相关的误差为对象，建立确定性误差模型；

具体地，将传感器本身的过载测量值、测量噪声、姿态解算方法误差及圆锥误差作为影响无人机航姿系统输出结果的主要因素；

需要说明的是：用于稳定平台导航系统的敏感器件在选定的坐标系中固定，且不承受运载体的动态旋转运动，而本发明中应用于飞行器姿态测量的MEMS陀螺仪等敏感器件要受飞行器在其飞行过程中姿态、角速度和过载变化等因素的影响；本发明不考虑对于MEMS姿态测量误差的传播与各误差源所占的比重，而考虑如何减少误差。

其次，将MEMS陀螺仪内部振动元件的加速度、温度变化作为建立机动过载分析模型的考虑因素，最终得到MEMS陀螺仪的确定性误差模型：

式中，ΔT为真实温度相对于基准温度的温度改变量，C_T0表示加速度计零位的温度系数，C_T1表示加速度计主标定因数的温漂系数，B_fx、B_fy、B_fz为飞行器各轴向零点漂移，a为飞行器各轴向加速度值；

结合下式：

其中，V为速度，g为重力加速度，n_x为无人机的切向过载，n_n为无人机的法向过载，γ为航迹倾角，μ为滚转角，过载是指作用在飞机上的气动力和发动机推力的合力与飞机重量之比，由该式可知过载与三轴加速度的关系；

结合上述两式可知，考虑到飞行器做机动动作时具有的过载对于姿态输出信号的影响，本发明将过载作为测量噪声项来进行考虑是具有合理性的，即通过建立确定性误差模型，得到MEMS陀螺仪所需的机动过载数据是准确的。

S2、根据动态贝叶斯网络DBN方法，建立机动动作识别模型，确定飞行器当前正在执行的机动动作；

在对飞行器的MEMS陀螺仪信号降噪时，本发明选择在降噪时进行机动动作识别，不同的机动动作具有其独特的运动特性，即使在相同的过载下，其对于输出信号的影响也不尽相同，于是，本发明在降噪前先采用贝叶斯网络进行机动动作时别，具体包括如下步骤：

首先，基于飞行仿真平台，输出飞行仿真数据；针对大量的飞行仿真数据进行特征提取，得到飞行仿真特征数据；

其次，根据提取到的特征数据，选择13种基本机动动作作为识别节点的机动动作集合，并将13种基本机动定义为四大类，分别为直线运动类、盘旋类、斤斗类机动和战斗转弯类；

其中直线运动类分为：水平匀速直线飞行，定义为保持高度、速度不变的机动动作；水平加速直线飞行，定义为保持高度、速度增大的机动动作；水平减速直线飞行，定义为保持高度、速度减小的机动动作；

盘旋类分为：左盘旋，定义为水平面内向左等速圆周飞行的机动动作；右盘旋，定义为水平面内向右等速圆周飞行的机动动作；

斤斗类分为：俯冲，定义为迅速降低高度、增大速度的机动动作；跃升，定义为迅速升高高度的机动动作；斤斗，定义为以期望过载拉起后向下俯冲的机动动作；半筋斗翻转，定义为以期望法向过载向上拉起后以最大法向过载俯冲的机动动作；垂直变向斤斗，定义为以最大法向过载拉起后以最大法向过载俯冲的机动动作；半滚倒转，定义为滚转180度后向下俯冲至航向角调转180度的机动动作；

战斗转弯类分为：左上战斗转弯，定义为向左改变飞行方向、高度升高的机动动作；右上战斗转弯，定义为向右改变飞行方向、高度升高的机动动作。

然后，根据选定的13种基本机动动作识别节点组成的机动动作集合来定义机动动作识别网络模型的观测节点及中间节点；

具体为，选取对机动动作识别结果影响最大的五种飞行参数特征：飞行高度、航迹角、高度变化率、航迹角变化率和速度作为构建机动动作识别网络模型的观测节点；

并将第一中间节点分为盘旋类、斤斗类、跃升和直线运动类；第二中间节点分为左盘旋、右盘旋、跃升、俯冲、半滚倒转、筋斗、半筋斗翻转、垂直变向斤斗、左上战斗转弯、右上战斗转弯和直线运动类机动；

最后，根据得到的所述机动动作识别网络模型的观测节点及中间节点建立机动动作识别模型；

综上，本发明综合考虑到执行典型机动的过程中飞行参数的变化情况，最终选取了对机动动作识别结果影响最大的五种飞行参数特征，明确了各个机动动作对应飞行参数的变化情况。

采用上述建立的机动动作识别模型，通过概率推理得到每种机动动作的识别概率，将每种机动动作的识别概率按照大小进行排序，选择概率最大的机动动作作为机动动作识别模型的输出量，从而最终确定了飞行器当前正在执行的机动动作。

S3、建立各机动动作下的过载-阈值自适应模型，确定飞行器在不同机动动作和不同过载下的自适应小波降噪曲线；

具体包括如下步骤：

首先，向由机动动作识别模型及确定性误差模型得到的机动动作及过载特征数据中，添加不同强度的零均值高斯白噪声替代所述机动动作及过载特征数据，并确定自适应阈值；

在不同机动动作及过载下，MEMS陀螺仪的输出信号具有较大差别，故在静态MEMS陀螺仪数据的基础上，为每组都添加不同强度的零均值高斯白噪声来替代飞行器在飞行过程中不同的过载作为噪声项时对输出的影响。

其次，基于小波变换降噪基本原理，对MEMS陀螺仪进行噪声分析；

在建立了机动动作识别模型及确定性误差模型后，由于陀螺仪输出信号噪声较大、陀螺仪内部含有高速振动质量导致陀螺的确定性误差因子变化较大、随机噪声的能量也较大，在选择信号采样频率的同时发现信号噪声很大，故此时本发明需要对信号的噪声进行处理，来保证系统的精度；

具体地，该步骤中先对信号进行若干层小波分解，提取各层高频小波系数，再选取合适的阈值，若小波系数大于该阈值，则认为该系数主要是由噪声引起的，将这部分系数去除；若小波系数小于该阈值，则认为该系数是由信号引起的，进而保留这部分系数。即通过对高频部分的信号进行阈值处理进而滤除高频部分的噪声达到去噪的目的。

最后，根据确定的自适应阈值及噪声分析来建立深层次的小波阈值解析网络。

本发明采用Symlets6小波进行分析处理仿真实验，采用的小波基函数为sym6小波基，阈值函数为软阈值；为提高系统精度，将解析层次设置为多层网络结构。

为了进一步提高降噪效果，本发明采取步骤S4、根据线性插值函数方法及评判指标，建立信噪比最优条件下的过载-阈值插值模型。

针对常规飞行器的过载范围将上述仿真数据，进行线性插值运算总结最优阈值模型，如下式所示：

其中x为求取的过载，在已知过载x₁、x₀中，y为过载为x过载时的最佳阈值大小；

基于飞行器MEMS器件姿态测量的应用需求，采用信噪SNR与均方根误差RSME的评价指标来评判去噪效果；信噪比越大，均方根误差越小，去噪后信号更接近原始信号，去噪效果越好。

其中，信噪比表达式为:

均方根误差的表达式为:

其中f(n)为原始信号，

为小波去噪后的信号，n为信号的长度。

本发明的有益效果在于：

本发明提供的一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法，首先与常规应用于稳定平台导航系统的惯性敏感器件相比，本发明将稳定平台导航系统的敏感器件在选定的坐标系中固定且不承受运载体的动态旋转运动，而应用于飞行器姿态测量的MEMS陀螺仪等敏感器件要受飞行器在其飞行过程中姿态变化、角速度和过载变化等因素的影响；其次，在机动过载分析模型建立时，本发明选择针对航向姿态测量系统与运动相关的误差展开研究；最后，本方法以机动识别为特征，采用Symlets6小波进行分析处理仿真实验，采用sym6小波基函数，将软阈值作为阈值函数，为进一步提高系统精度，将解析层次设置为多层网络结构，以自适应小波阈值方法为信号处理方法，实现对 MEMS陀螺仪的降噪处理，经验证应用该方法显著提高了陀螺仪的降噪效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法的流程图；

图2为本发明实施例提供的DBN机动识别方法示意图；

图3为本发明实施例提供的陀螺仪信号数据示意图；

图4为本发明实施例提供的不同特征对应阈值的选择对于小波降噪效果的影响示意图；

图5为本发明实施例提供的以高斯白噪声作为干扰信号进行的仿真实验示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统的例子。

下面结合具体的实施例对本发明进行进一步的解释说明，但是并不用于限制本发明的保护范围。

本实施例通过Matlab R2018a对基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法进行仿真实验，采用本发明的一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法对MEMS陀螺仪信号进行降噪处理。

一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法，如图1所示，包括以下步骤：

S2、根据误差分析方法，建立机动过载分析模型，确定MEMS陀螺仪所需的机动过载数据；

为了更好地降低MEMS陀螺仪输出信号的噪声，很有必要对输出信号进行误差分析。

首先，确认模型建立技术手段及研究方向；与常规应用于稳定平台导航系统的惯性敏感器件相比，本实施例的不同点在于：稳定平台导航系统的敏感器件在选定的坐标系中固定且不承受运载体的动态旋转运动，而应用于飞行器姿态测量的MEMS陀螺仪等敏感器件要受飞行器在其飞行过程中姿态变化、角速度和过载变化等因素的影响。本发明针对航向姿态测量系统与运动相关的误差展开研究；

本发明对于MEMS姿态测量误差的传播与各误差源所占比重不作考虑，而是重点考虑如何减少误差。本发明认为，传感器本身的过载测量值、测量噪声、姿态解算方法误差及圆锥误差是影响无人机航姿系统输出结果的主要原因；

其次，对于MEMS陀螺仪，由于其内部具有振动元件，所以线加速度对陀螺仪的输出也存在着一定的改变，有时会对模型产生一些影响。同时，本实施例引入温度变化和线加速度对模型的影响，则MEMS陀螺仪的确定性误差模型总结为：

式中，ΔT为真实温度相对于基准温度的温度改变量，C_T0表示加速度计零位的温度系数，C_T1表示加速度计主标定因数的温漂系数，B_fx、B_fy、B_fz为飞行器各轴向零点漂移， a为飞行器各轴向加速度值；

结合下式：

其中，V为速度，g为重力加速度，n_x为无人机的切向过载，n_n为无人机的法向过载，γ为航迹倾角，μ为滚转角，过载是指作用在飞机上的气动力和发动机推力的合力与飞机重量之比，由该式可知过载对三轴加速度的影响；

结合上述两式可知，考虑到飞行器做机动动作时具有的过载对于姿态输出信号的影响，本发明将过载作为测量噪声项来进行考虑是具有合理性的，即通过建立确定性误差模型，得到MEMS陀螺仪所需的机动过载数据是准确的。考虑到飞行器做机动动作时具有的过载对于姿态输出信号的影响，可以将过载作为测量噪声项来进行研究。

S2、根据动态贝叶斯网络方法，建立机动动作识别模型，确定飞行器当前正在执行的机动动作；

对飞行器的MEMS陀螺仪信号降噪时，进行机动动作的识别是很有必要的，不同的机动动作具有其独特的运动特性，即使在相同的过载下，其对于输出信号的影响也不尽相同，本实施例采用贝叶斯网络进行机动动作时别；

首先，基于已有的飞行仿真平台，输出飞行仿真数据，针对大量的飞行仿真数据做特征提取操作，并完成信息推理过程。

其次，在对机动动作识别的过程中，要明确各个机动动作对应飞行参数的变化情况。本实施例选择13种基本机动动作作为识别节点的机动动作集合，将13种基本机动定义为四大类，分别为直线运动类、盘旋类、斤斗类机动和战斗转弯类；

具体地，直线运动类分为：水平匀速直线飞行，定义为保持高度、速度不变的机动动作；水平加速直线飞行，定义为保持高度、速度增大的机动动作；水平减速直线飞行，定义为保持高度、速度减小的机动动作。

盘旋类分为：左盘旋，定义为水平面内向左等速圆周飞行的机动动作；右盘旋，定义为水平面内向右等速圆周飞行的机动动作。

斤斗类分为：俯冲，定义为迅速降低高度、增大速度的机动动作；跃升，定义为迅速升高高度的机动动作；斤斗，定义为以期望过载拉起后向下俯冲的机动动作；半筋斗翻转，定义为以期望法向过载向上拉起后以最大法向过载俯冲的机动动作；垂直变向斤斗，定义为以最大法向过载拉起后以最大法向过载俯冲的机动动作；半滚倒转，定义为滚转180度后向下俯冲至航向角调转180度的机动动作。

战斗转弯类分为：左上战斗转弯，定义为向左改变飞行方向、高度升高的机动动作；右上战斗转弯，定义为向右改变飞行方向、高度升高的机动动作；

然后，定义飞行参数特征及中间节点。

在综合考虑在执行典型机动的过程中飞行参数的变化情况，选取对机动动作识别结果影响最大的五种飞行参数变化特征：飞行高度、航迹角、高度变化率、航迹角变化率和速度作为构建机动动作识别网络模型的观测节点。其中第一中间节点分为盘旋类、斤斗类、跃升和直线运动类，第二中间节点分为左盘旋、右盘旋、跃升、俯冲、半滚倒转、筋斗、半筋斗翻转、垂直变向斤斗、左上战斗转弯、右上战斗转弯和直线运动类机动；

最后，根据以上内容，建立机动动作识别模型，通过概率推理得到，每种机动动作的识别概率。在得到概率后，进行排序，选择概率最大的机动动作作为DBN的输出量，以识别出本步骤需要的13种机动动作，从而最终确定了飞行器当前正在执行的机动动作，基于DBN建立的机动动作识别模型如图2所示。

S3、建立各机动动作下过载-阈值自适应模型，确定飞行器在不同机动动作和不同过载下的自适应小波降噪曲线；

首先，根据S1、S2获得的机动动作及过载特征数据，添加高斯白噪声作为这些特征的替代，并确定自适应阈值。

在不同机动动作及过载下，MEMS陀螺仪的输出信号具有较大差别，故在静态MEMS陀螺仪数据的基础上，为每组都添加不同强度的零均值的高斯白噪声替代飞行器飞行过程中不同的过载作为噪声项对输出的影响。

在不同机动动作及过载下，MEMS陀螺仪的输出信号具有较大差别，故在静态MEMS陀螺仪数据的基础上，为每组都添加不同强度的零均值的高斯白噪声替代飞行器飞行过程中不同的过载作为噪声项对输出的影响。

确定自适应阈值。以盘旋类机动动作为例，通过解析S1的仿真实验数据，得到了该机动动作在1g、3g、5g、7g、9g下不同过载的参数，并解算出阈值的选择对于小波降噪效果的影响，其效果如图3所示；

其次，基于小波变换降噪基本原理，针对MEMS陀螺仪进行噪声分析；

由于陀螺仪输出信号噪声较大，在引入姿态算法之前必须经过信号处理。由于陀螺仪内部含有高速振动质量，陀螺的确定性误差因子变化较大，随机噪声的能量也很大。选择信号采样频率，发现信号噪声很大，也需要对信号的噪声进行处理，保证系统的精度。针对上述问题，本实施例先对信号进行若干层小波分解，提取各层高频小波系数，再选取合适的阈值，若小波系数大于该阈值，则认为该系数主要是由噪声引起的，将这部分系数去除；若小波系数小于该阈值，则认为该系数是由信号引起的，进而保留这部分系数。对高频部分的信号进行阈值处理进而滤除高频部分的噪声达到去噪的目的。其中，陀螺仪输出为电压信号，信号的采样频率为1000HZ。采集16秒钟的陀螺仪数据，其图形如图4所示；

小波阈值去噪分为以下几步：

1)选择合适的小波基函数和分解层数对信号进行多尺度小波分解，同时得出各尺度的小波系数；

2)对各分解尺度下的高频系数选择合适的阈值函数和阈值进行阈值量化处理；

3)根据小波分解的最底层低频系数和各层高频系数进行小波重构得到去噪后的信号。

根据确定的自适应阈值及噪声分析来建立深层次的小波阈值解析网络。

本实施例采用sym6小波基函数来处理仿真实验，阈值函数为软阈值，为提高系统精度，本实施例此处将多层解析层次数设定为3层。

S4、根据线性插值函数方法及评判指标，建立信噪比最优条件下的过载-阈值插值模型；

首先针对常规飞行器的过载范围将上述仿真数据，进行线性插值运算总结最优阈值模型，如下式所示：

其中x为求取的过载，在已知过载x₁、x₀中，y为过载为x过载时的最佳阈值大小。

最后，针对基于飞行器MEMS器件姿态测量的应用需求，提出一种基于机动动作的自适应阈值的小波降噪方法，用于解决输出信号包含大量噪声的信号降噪问题。本文用信噪比(SNR)与均方根误差(RSME)的评价指标来评判去噪效果。信噪比越大，均方根误差越小，去噪后信号更接近原始信号，去噪效果越好。

其中，信噪比表达式为:

均方根误差的表达式为:

其中f(n)为原始信号，

为小波去噪后的信号，n为信号的长度。

通过上述步骤仿真，本实施例已经记录了飞行过程中的机动动作和过载。同样的，利用高斯白噪声作为干扰信号进行仿真实验，实验效果如图5所示，从图5中可以看出应用本实施例提供的方法的降噪效果远远优与传统的小波去噪方法。

本实施例根据以上计算过程，还给出不同阈值方法降噪后的衡量去噪效果有关的信噪比和均方根误差两项指标，如表1所示，从表1可以看出本发明的先进性；

表1不同阈值方法降噪后的SNR和RMSE

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (1)

1.一种基于机动识别的自适应小波阈值MEMS陀螺仪降噪方法，其特征在于，包括如下步骤：

S1、根据误差分析方法，建立机动过载分析模型，确定MEMS陀螺仪所需的机动过载数据；

S1具体包括：

以对航向姿态测量系统与运动相关的误差为对象，建立确定性误差模型；

将MEMS陀螺仪内部振动元件的加速度、温度变化作为建立机动过载分析模型的考虑因素，最终得到MEMS陀螺仪的确定性误差模型：

式中，ΔT为真实温度相对于基准温度的温度改变量，C_T0表示加速度计零位的温度系数，C_T1表示加速度计主标定因数的温漂系数，B_fx、B_fy、B_fz为飞行器各轴向零点漂移，a为飞行器各轴向加速度值；

S2、根据动态贝叶斯网络方法，建立机动动作识别模型，确定飞行器当前正在执行的机动动作；

S2中具体方法为：

首先，基于飞行仿真平台，输出飞行仿真数据；针对大量的飞行仿真数据进行特征提取，得到飞行仿真特征数据；

其次，根据提取到的特征数据，选择13种基本机动动作作为识别节点的机动动作集合，并将13种基本机动定义为四大类，分别为直线运动类、盘旋类、斤斗类机动和战斗转弯类；

然后，根据选定的13种基本机动动作识别节点组成的机动动作集合来定义机动动作识别网络模型的观测节点及中间节点；

最后，根据得到的所述机动动作识别网络模型的观测节点及中间节点建立机动动作识别模型；

S3、建立各机动动作下过载-阈值自适应模型，确定飞行器在不同机动动作和不同过载下的自适应小波降噪曲线，将原始信号输入到自适应小波降噪曲线，通过自适应小波降噪曲线的作用，最后得到降噪后的信号；

S3中建立各机动动作下过载-阈值自适应模型，确定飞行器在不同机动动作和不同过载下的自适应小波降噪曲线的具体方法为：

根据机动动作及过载特征数据，添加高斯白噪声替代机动动作及过载特征数据，并确定自适应阈值：在静态MEMS陀螺仪数据的基础上，为每组均添加不同强度的零均值高斯白噪声替代飞行器飞行过程中的不同过载作为噪声项对输出的影响；

基于小波变换降噪基本原理，对MEMS陀螺仪进行噪声分析：对信号进行若干层小波分解，提取各层高频小波系数，再选取合适的阈值，若小波系数大于该阈值，则认为该系数是由噪声引起的，将这部分系数去除；若小波系数小于该阈值，则认为该系数是由信号引起的，进而保留这部分系数；

根据确定的自适应阈值及噪声分析来建立深层次的小波阈值解析网络；

采用的小波基函数为sym6小波基，阈值函数为软阈值；将所述小波阈值解析网络设置为多层网络结构；

S4、根据线性插值函数方法及评判指标，建立信噪比最优条件下的过载-阈值插值模型；

S4中，根据线性插值函数方法及评判指标，建立信噪比最优条件下的过载-阈值插值模型的具体方法为：

针对飞行器的过载范围将所述仿真数据，进行线性插值运算总结最优阈值模型，如下式所示：

其中x为求取的过载，在已知过载x₁、x₀中，y为过载为x过载时的最佳阈值大小；

基于飞行器MEMS器件姿态测量的应用需求，采用信噪SNR与均方根误差RSME的评价指标来评判去噪效果；信噪比越大，均方根误差越小，去噪后信号更接近原始信号，去噪效果越好；

其中，信噪比表达式为:

均方根误差的表达式为:

其中f(n)为原始信号，

为小波去噪后的信号，n为信号的长度。

Images