CN114460327A - 提高mems传感器抗干扰能力的阵列式控制方法及系统 - Google Patents
提高mems传感器抗干扰能力的阵列式控制方法及系统 Download PDFInfo
- Publication number
- CN114460327A CN114460327A CN202210219968.8A CN202210219968A CN114460327A CN 114460327 A CN114460327 A CN 114460327A CN 202210219968 A CN202210219968 A CN 202210219968A CN 114460327 A CN114460327 A CN 114460327A
- Authority
- CN
- China
- Prior art keywords
- fusion
- mems
- measurement
- mems sensor
- measurement information
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/42—Devices characterised by the use of electric or magnetic means
- G01P3/44—Devices characterised by the use of electric or magnetic means for measuring angular speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
- G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Gyroscopes (AREA)
Abstract
本发明涉及提高MEMS传感器抗干扰能力的阵列式控制方法及系统,涉及微机电系统领域,方法包括:获取MEMS阵列式传感器中的多个MEMS传感器量测信息;根据多个MEMS传感器量测信息构建多个MEMS传感器量测模型;对多个MEMS传感器量测模型进行线性拟合,得到伪量测模型;利用融合系数对伪量测模型进行加权融合,得到融合量测方程;利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值;利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和当前时刻预测值确定真实角速率。本发明通过对MEMS阵列式传感器未知干扰进行抑制,从而提高MEMS传感器抗干扰的能力。
Description
技术领域
本发明涉及微机电系统领域,特别是涉及提高MEMS传感器抗干扰能力的阵列式控制方法及系统。
背景技术
MEMS传感器因其重量轻、体积小、可批量化制造、成本低等诸多优点在工业机器人、无人驾驶和智能制造等领域具有广泛的应用前景。例如,MEMS陀螺因体积小、成本低的优点而广泛应用于手机、平板电脑、无人汽车与机器人的姿态角度测量。然而,MEMS传感器的低精度是制约其应用范围的主要因素。
传感器阵列技术是一种提高MEMS传感器精度的有效方法。检索发现,第一个现有技术构建MEMS陀螺阵列,建立MEMS陀螺阵列的状态模型,设计卡尔曼滤波器,采用卡尔曼滤波器对多陀螺进行数据融合,其输出精度相比单陀螺有所提高;第二个现有技术对第一个现有技术所提方法做出改进,在卡尔曼滤波的基础上新增加最小二乘法对数据进行加权融合,这种组合方法进一步提升陀螺阵列的输出精度。第三个现有技术设计一种基于ARMA模型的卡尔曼滤波算法,在第一个现有技术中所用陀螺阵列模型及卡尔曼滤波器的基础上,使用ARMA模型对一阶输出进行拟合,并对随机误差模型进行改进,设计相应模型的滤波器,减小输出标准差。
上述方法能够有效降低MEMS传感器噪声,提升输出精度。然而,进一步分析可知,上述方法在建模过程中未考虑环境因素,当温度变化、振动冲击等环境因素作用上述阵列式传感器时,传感器所受干扰的概率密度模型难以构建,上述文中所用的Allan方差分析方法及相应滤波算法将失效,导致传感器精度将不可避免地降低,很难满足复杂环境下的工程应用要求。因此,需要解决MEMS阵列式传感器存在的环境干扰下精度恶化问题。
发明内容
本发明的目的是提供提高MEMS传感器抗干扰能力的阵列式控制方法及系统,通过对MEMS阵列式传感器未知干扰进行抑制,从而提高MEMS传感器抗干扰的能力。
为实现上述目的,本发明提供了如下方案:
提高MEMS传感器抗干扰能力的阵列式控制方法,包括:
获取MEMS阵列式传感器中的多个MEMS传感器量测信息;
根据多个所述MEMS传感器量测信息构建多个MEMS传感器量测模型;所述MEMS传感器量测模型为带有干扰的MEMS传感器量测模型;
对多个所述MEMS传感器量测模型进行线性组合,得到伪量测模型;
利用融合系数对所述伪量测模型进行加权融合,得到融合量测方程;所述融合系数是利用拉格朗日函数对约束条件进行最优化求解确定的;
利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值;所述前向时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的;
利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率;所述当前时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的。
可选地,所述融合系数的确定过程包括:
获取所述伪量测模型在所述约束条件下的最优化方程;
根据所述最优化方程构建拉格朗日函数;
对所述拉格朗日函数求偏导,确定极值点;
根据所述极值点确定融合系数。
可选地,所述利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值,具体包括:
利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到第一预测函数;
对所述第一预测函数进行高斯假设,得到第二预测函数;
对所述第二预测函数的期望和方差进行求解,确定当前时刻预测值。
可选地,所述利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率,具体包括:
利用当前时刻量的MEMS传感器量测信息对所述当前时刻预测值进行更新并对更新后的当前时刻预测值进行高斯假设,得到状态估计方程;
利用贝叶斯滤波根据所述状态估计方程的期望值确定真实角速率。
一种MEMS阵列式传感器干扰抑制系统,包括:
获取模块,用于获取MEMS阵列式传感器中的多个MEMS传感器量测信息;
构建模块,用于根据多个所述MEMS传感器量测信息构建多个MEMS传感器量测模型;所述MEMS传感器量测模型为带有干扰的MEMS传感器量测模型;
线性组合模块,用于对多个所述MEMS传感器量测模型进行线性组合,得到伪量测模型;
加权融合模块,用于利用融合系数对所述伪量测模型进行加权融合,得到融合量测方程;所述融合系数是利用拉格朗日函数对约束条件进行最优化求解确定的;
预测模块,用于利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值;所述前向时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的;
真实角速率确定模块,用于利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率;所述当前时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的。
可选地,所述融合系数的确定过程包括:
获取所述伪量测模型在所述约束条件下的最优化方程;
根据所述最优化方程构建拉格朗日函数;
对所述拉格朗日函数求偏导,确定极值点;
根据所述极值点确定融合系数。
可选地,所述预测模块,具体包括:
预测单元,用于利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到第一预测函数;
高斯假设单元,用于对所述第一预测函数进行高斯假设,得到第二预测函数;
求解单元,用于对所述第二预测函数的期望和方差进行求解,确定当前时刻预测值。
可选地,所述真实角速率确定模块,具体包括:
更新单元,用于利用当前时刻量的MEMS传感器量测信息对所述当前时刻预测值进行更新并对更新后的当前时刻预测值进行高斯假设,得到状态估计方程;
真实角速率确定单元,用于利用贝叶斯滤波根据所述状态估计方程的期望值确定真实角速率。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明根据多个MEMS传感器量测信息构建多个MEMS传感器量测模型;MEMS传感器量测模型为带有干扰的MEMS传感器量测模型;对多个MEMS传感器量测模型进行线性组合,得到伪量测模型;利用融合系数对伪量测模型进行加权融合,得到融合量测方程;融合系数是利用拉格朗日函数对约束条件进行最优化求解确定的;利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值;利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和当前时刻预测值确定真实角速率。通过多个MEMS传感器量测模型进行线性拟合从而满足扰动消除解析条件,得到与扰动无关的伪量测模型;利用融合系数对伪量测模型进行加权融合,得到融合量测方程,减小伪量测模型中由线性组合引起的误差;最后利用贝叶斯滤波对噪声进行滤波,实现对扰动的消除,提高MEMS传感器抗干扰的能力。
附图说明
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的MEMS阵列式传感器干扰抑制方法流程图;
图2为本发明提供的MEMS阵列式传感器干扰抑制系统示意图;
图3为仿真测试结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供提高MEMS传感器抗干扰能力的阵列式控制方法及系统,通过对MEMS阵列式传感器未知干扰进行抑制,从而提高MEMS传感器抗干扰的能力。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的提高MEMS传感器抗干扰能力的阵列式控制方法,包括:
步骤101:获取MEMS阵列式传感器中的多个MEMS传感器量测信息。
步骤102:根据多个所述MEMS传感器量测信息构建多个MEMS传感器量测模型。所述MEMS传感器量测模型为带有干扰的MEMS传感器量测模型。
步骤103:对多个所述MEMS传感器量测模型进行线性组合,得到伪量测模型。
步骤104:利用融合系数对所述伪量测模型进行加权融合,得到融合量测方程;所述融合系数是利用拉格朗日函数对约束条件进行最优化求解确定的。
步骤105:利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值。所述前向时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的。步骤105,具体包括:
利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到第一预测函数。
对所述第一预测函数进行高斯假设,得到第二预测函数。
对所述第二预测函数的期望和方差进行求解,确定当前时刻预测值。
步骤106:利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率。所述当前时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的。步骤106,具体包括:
利用当前时刻量的MEMS传感器量测信息对所述当前时刻预测值进行更新并对更新后的当前时刻预测值进行高斯假设,得到状态估计方程。
利用贝叶斯滤波根据所述状态估计方程的期望值确定真实角速率。
作为一种可选地实施方式,所述融合系数的确定过程包括:
获取所述伪量测模型在所述约束条件下的最优化方程;根据所述最优化方程构建拉格朗日函数;对所述拉格朗日函数求偏导,确定极值点;根据所述极值点确定融合系数。
如图2所示,本发明提供的一种MEMS阵列式传感器干扰抑制系统,包括:
获取模块201,用于获取MEMS阵列式传感器中的多个MEMS传感器量测信息。
构建模块202,用于根据多个所述MEMS传感器量测信息构建多个MEMS传感器量测模型;所述MEMS传感器量测模型为带有干扰的MEMS传感器量测模型。
线性组合模块203,用于对多个所述MEMS传感器量测模型进行线性组合,得到伪量测模型。
加权融合模块204,用于利用融合系数对所述伪量测模型进行加权融合,得到融合量测方程;所述融合系数是利用拉格朗日函数对约束条件进行最优化求解确定的。
预测模块205,用于利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值。所述前向时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的;所述预测模块205,具体包括:
预测单元,用于利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到第一预测函数;高斯假设单元,用于对所述第一预测函数进行高斯假设,得到第二预测函数;求解单元,用于对所述第二预测函数的期望和方差进行求解,确定当前时刻预测值。
真实角速率确定模块206,用于利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率。所述当前时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的。所述真实角速率确定模块206,具体包括:
更新单元,用于利用当前时刻量的MEMS传感器量测信息对所述当前时刻预测值进行更新并对更新后的当前时刻预测值进行高斯假设,得到状态估计方程;真实角速率确定单元,用于利用贝叶斯滤波根据所述状态估计方程的期望值确定真实角速率。
作为一种可选地实施方式,所述融合系数的确定过程包括:获取所述伪量测模型在所述约束条件下的最优化方程。根据所述最优化方程构建拉格朗日函数。对所述拉格朗日函数求偏导,确定极值点。根据所述极值点确定融合系数。
为满足MEMS传感器在复杂环境下的高精度应用,对MEMS陀螺阵列进行环境扰动抑制,本发明首先对传感器阵列中各传感器节点的量测数据进行线性组合,使其满足扰动消除解析条件,得到与扰动无关的伪量测模型;其次根据上述伪量测数据的方差,利用最小方差对上述伪量测数据进行融合,减小伪量测模型中由线性组合引起的误差;最后设计基于贝叶斯法则的滤波器,通过对噪声进行滤波,实现对扰动的消除,提高MEMS传感器抗干扰的能力。
本发明提供的MEMS阵列式传感器干扰抑制方法在实际应用中具体的步骤如下:
步骤一:用离散时间系统状态方程描述MEMS传感器信号,构建描述目标真实运动情况的状态模型和带有未知扰动的MEMS传感器量测模型,从而准确描述在外界干扰下MEMS传感器的量测信息。
对MEMS陀螺仪的量测建立未知扰动输入的连续时间状态空间模型:
xk=Akxk-1+wk (1)
Yk=Hxk+Vk+Guk (2)
其中Ak=I1×1,Yk=[y1,k,…,yn,k]T,H=[h1,…,hn]T,Vk=[v1,k,…,vn,k]T,G=[g1,…,gn]T。其中xk表示陀螺第k个采样点的真实角速率,yi,k表示i(i=1,2,…,N)个陀螺的量测。wk和v1,k分别代表过程噪声和量测噪声,其均为零均值高斯白噪声,其方差满足和其中Q=5,R=[12.67,19.32,14.94,13.79]T。H,A,G表示状态转移矩阵,其皆为已知矩阵。Ak为状态转移矩阵,k为陀螺第k个采样点,Yk为N个陀螺量测的矩阵,uk为陀螺所受扰动,hn为第i个陀螺的刻度因子,gn为第n个陀螺的扰动因子,Qk为状态噪声方差,δkl为kronecker函数,为量测噪声方差,Vk为量测噪声的矩阵。
步骤二:选取符合条件的线性组合系数对多个MEMS传感器信号进行线性组合,当组合系数C与扰动比例因子G满足解耦条件时,可得到与未知扰动无关的伪量测模型。
对各陀螺量测信息进行线性组合
CYk=CHxk+CVk+CGuk (3)
其中,C为组合系数,上述方程可被写为
rank(CG)=rank(G) (5)
步骤三:基于最小方差对步骤二中的多个传感器的伪量测模型进行加权融合,利用拉格朗日方程对约束条件下的极值进行求解,从而得到使融合方差最小的加权系数,减小由线性组合引起的误差。基于最小方差进行融合减小由线性组合导致的误差。该方法通过设计约束条件下的最优化方法,使伪量测模型噪声的方差最小,同时保持组合后刻度因子不变,利用拉格朗日函数对融合系数进行求解。
约束条件下的最优化方程(7)
其中,L(l1,…,ln)为拉格朗日函数,f(l1,…,ln)为融合量测噪声方差的函数,λ为拉格朗日乘子。为约束函数,为两变量的协方差,第i个陀螺的伪量测噪声。第j个陀螺的伪量测噪声。li为第i个陀螺的融合系数。lj为第j个陀螺的融合系数。i、j表示第i、j个陀螺。通过对拉格朗日函数求偏导并令其偏导数等于0可求得可能的极值点
其中方程(9)的解为方程(10)
加权融合系数计算
则可得到融合量测方程(12)
步骤四:使用一种基于贝叶斯法则的滤波器,利用前向时刻的融合量测对当前时刻的状态进行预测,通过预测状态的方差计算滤波器增益,最后利用当前时刻的融合量测对上一步的预测状态进行更新,滤除融合量测中的噪声,完成对未知扰动的消除。通过预测-更新循环进行,实现噪声的滤波。通过多信号最小方差差分融合,利用多传感器阵列,对各传感器量测进行线性组合,从而消除扰动,利用加权融合方法与贝叶斯滤波对残余误差与噪声进行滤除,抑制扰动对MEMS传感器阵列的影响,提高MEMS传感器抗干扰的能力。
首先利用前向时刻的融合量测对当前时刻的状态进行预测,其中,状态陀螺即传感器的真实信号:
其中,为已知1~k-1时刻融合量测时k时刻状态值的概率分布,为已知k时刻状态值和1~k-1时刻融合量测时k时刻状态值的概率分布,为已知1~k-1时刻融合量测时k-1时刻状态值的概率分布,通过高斯假设,可对式(13)进行如下计算,
其中,为已知时传感器k时刻状态的概率分布,为xk已知时传感器1~k时刻的融合量测的概率分布,P(xk)为状态的概率分布,为传感器量测的概率分布,为xk已知时传感器k时刻的融合量测的概率分布,为1~k-1时刻的融合量测已知时k时刻的融合量测概率分布,通过高斯假设可对(19)进行如下计算
对其期望,方差与增益进行计算,同时令真实角速率估计值等于方程(22)的期望值
为了评价本发明提供的方法及系统,将所提算法与卡尔曼滤波算法进行测试比较,结果显示所提算法可显著抑制MEMS传感器的扰动,而卡尔曼滤波算法的抑制效果有限。由结果可表明该方法可通过对MEMS传感器未知扰动的抑制进而提高MEMS传感器在复杂环境下的抗干扰能力。如图3所示,本发明提供的方法产生的曲线平缓,无较大波动,说明对陀螺扰动抑制效果较好。
由上述可知,利用各传感器节点的量测数据,通过选择线性组合系数对上述量测进行线性组合,在满足扰动解耦条件时,实现对未知扰动的消除;随后利用拉格朗日方程对约束条件下的极值进行求解,计算加权融合系数,使伪量测加权融合信号方差最小;最后使用一种基于贝叶斯法则的滤波器,通过前向时刻量测预测与当前时刻量测更新的循环过程,对量测中的噪声进行滤波,实现完成对扰动的抑制,提高传感器抗干扰的能力。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.提高MEMS传感器抗干扰能力的阵列式控制方法,其特征在于,包括:
获取MEMS阵列式传感器中的多个MEMS传感器量测信息;
根据多个所述MEMS传感器量测信息构建多个MEMS传感器量测模型;所述MEMS传感器量测模型为带有干扰的MEMS传感器量测模型;
对多个所述MEMS传感器量测模型进行线性组合,得到伪量测模型;
利用融合系数对所述伪量测模型进行加权融合,得到融合量测方程;所述融合系数是利用拉格朗日函数对约束条件进行最优化求解确定的;
利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值;所述前向时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的;
利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率;所述当前时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的。
2.根据权利要求1所述的MEMS阵列式传感器干扰抑制方法,其特征在于,所述融合系数的确定过程包括:
获取所述伪量测模型在所述约束条件下的最优化方程;
根据所述最优化方程构建拉格朗日函数;
对所述拉格朗日函数求偏导,确定极值点;
根据所述极值点确定融合系数。
3.根据权利要求1所述的MEMS阵列式传感器干扰抑制方法,其特征在于,所述利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值,具体包括:
利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到第一预测函数;
对所述第一预测函数进行高斯假设,得到第二预测函数;
对所述第二预测函数的期望和方差进行求解,确定当前时刻预测值。
4.根据权利要求1所述的MEMS阵列式传感器干扰抑制方法,其特征在于,所述利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率,具体包括:
利用当前时刻量的MEMS传感器量测信息对所述当前时刻预测值进行更新并对更新后的当前时刻预测值进行高斯假设,得到状态估计方程;
利用贝叶斯滤波根据所述状态估计方程的期望值确定真实角速率。
5.一种MEMS阵列式传感器干扰抑制系统,其特征在于,包括:
获取模块,用于获取MEMS阵列式传感器中的多个MEMS传感器量测信息;
构建模块,用于根据多个所述MEMS传感器量测信息构建多个MEMS传感器量测模型;所述MEMS传感器量测模型为带有干扰的MEMS传感器量测模型;
线性组合模块,用于对多个所述MEMS传感器量测模型进行线性组合,得到伪量测模型;
加权融合模块,用于利用融合系数对所述伪量测模型进行加权融合,得到融合量测方程;所述融合系数是利用拉格朗日函数对约束条件进行最优化求解确定的;
预测模块,用于利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到当前时刻预测值;所述前向时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的;
真实角速率确定模块,用于利用贝叶斯滤波根据当前时刻的MEMS传感器融合量测信息和所述当前时刻预测值确定真实角速率;所述当前时刻的MEMS传感器融合量测信息是根据所述融合量测方程确定的。
6.根据权利要求5所述的MEMS阵列式传感器干扰抑制系统,其特征在于,所述融合系数的确定过程包括:
获取所述伪量测模型在所述约束条件下的最优化方程;
根据所述最优化方程构建拉格朗日函数;
对所述拉格朗日函数求偏导,确定极值点;
根据所述极值点确定融合系数。
7.根据权利要求5所述的MEMS阵列式传感器干扰抑制系统,其特征在于,所述预测模块,具体包括:
预测单元,用于利用前向时刻的MEMS传感器融合量测信息对当前时刻状态进行预测,得到第一预测函数;
高斯假设单元,用于对所述第一预测函数进行高斯假设,得到第二预测函数;
求解单元,用于对所述第二预测函数的期望和方差进行求解,确定当前时刻预测值。
8.根据权利要求5所述的MEMS阵列式传感器干扰抑制系统,其特征在于,所述真实角速率确定模块,具体包括:
更新单元,用于利用当前时刻量的MEMS传感器量测信息对所述当前时刻预测值进行更新并对更新后的当前时刻预测值进行高斯假设,得到状态估计方程;
真实角速率确定单元,用于利用贝叶斯滤波根据所述状态估计方程的期望值确定真实角速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219968.8A CN114460327A (zh) | 2022-03-08 | 2022-03-08 | 提高mems传感器抗干扰能力的阵列式控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219968.8A CN114460327A (zh) | 2022-03-08 | 2022-03-08 | 提高mems传感器抗干扰能力的阵列式控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114460327A true CN114460327A (zh) | 2022-05-10 |
Family
ID=81417459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210219968.8A Pending CN114460327A (zh) | 2022-03-08 | 2022-03-08 | 提高mems传感器抗干扰能力的阵列式控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114460327A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117490675A (zh) * | 2024-01-03 | 2024-02-02 | 西北工业大学 | 一种阵列式mems陀螺高精度抗干扰控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160123728A1 (en) * | 2014-11-04 | 2016-05-05 | Ha Yoon Song | Method for classifying human mobility state using particle filter |
CN105866459A (zh) * | 2016-03-25 | 2016-08-17 | 中国人民解放军国防科学技术大学 | 无陀螺惯性测量系统约束角速度估计方法 |
CN106153039A (zh) * | 2015-04-13 | 2016-11-23 | 张谦 | 一种捷联式姿态航向参考系统 |
CN107994885A (zh) * | 2017-11-21 | 2018-05-04 | 郑州鼎创智能科技有限公司 | 一种同时估计未知输入和状态的分布式融合滤波方法 |
CN112067844A (zh) * | 2020-05-17 | 2020-12-11 | 西北工业大学 | Mems传感器阵列式高精度输出控制方法 |
-
2022
- 2022-03-08 CN CN202210219968.8A patent/CN114460327A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160123728A1 (en) * | 2014-11-04 | 2016-05-05 | Ha Yoon Song | Method for classifying human mobility state using particle filter |
CN106153039A (zh) * | 2015-04-13 | 2016-11-23 | 张谦 | 一种捷联式姿态航向参考系统 |
CN105866459A (zh) * | 2016-03-25 | 2016-08-17 | 中国人民解放军国防科学技术大学 | 无陀螺惯性测量系统约束角速度估计方法 |
CN107994885A (zh) * | 2017-11-21 | 2018-05-04 | 郑州鼎创智能科技有限公司 | 一种同时估计未知输入和状态的分布式融合滤波方法 |
CN112067844A (zh) * | 2020-05-17 | 2020-12-11 | 西北工业大学 | Mems传感器阵列式高精度输出控制方法 |
Non-Patent Citations (1)
Title |
---|
杨小冈: "《精确制导技术与应用》", 31 May 2020, 西安:西北工业大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117490675A (zh) * | 2024-01-03 | 2024-02-02 | 西北工业大学 | 一种阵列式mems陀螺高精度抗干扰控制方法 |
CN117490675B (zh) * | 2024-01-03 | 2024-03-15 | 西北工业大学 | 一种阵列式mems陀螺高精度抗干扰控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7180443B1 (en) | Reduced state estimator for systems with physically bounded parameters | |
Liu et al. | Moving horizon estimation for networked systems with quantized measurements and packet dropouts | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
CN114460327A (zh) | 提高mems传感器抗干扰能力的阵列式控制方法及系统 | |
KR101390776B1 (ko) | 퍼지 확장 칼만 필터를 이용한 위치인식 장치, 방법 및 이동로봇 | |
CN109857127B (zh) | 训练神经网络模型以及飞行器姿态解算的方法、装置 | |
CN112067844B (zh) | Mems传感器阵列式高精度输出控制方法 | |
CN117131747B (zh) | 一种基于采样点卡尔曼滤波的状态估计方法及装置 | |
CN112034713B (zh) | 非理想网络环境下移动目标的最优状态估计方法及系统 | |
CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
CN117191057A (zh) | 基于时空配准和多模矢量分配融合的导航平台构建方法 | |
Li et al. | A new adaptive unscented Kalman filter based on covariance matching technique | |
Fu et al. | Multi-sensor integrated navigation system for ships based on adaptive Kalman filter | |
CN109655057B (zh) | 一种六推无人机加速器测量值的滤波优化方法及其系统 | |
CN110912535A (zh) | 一种新型无先导卡尔曼滤波方法 | |
Liu et al. | Sensor fault diagnosis of GPS/INS tightly coupled navigation system based on state chi-square test and improved simplified fuzzy ARTMAP neural network | |
CN107966697B (zh) | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 | |
CN114741659B (zh) | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 | |
CN108332739B (zh) | 确定星敏感器在轨姿态测量精度主成分因素响应边界的方法 | |
Song et al. | Distributed fusion receding horizon filtering for uncertain linear stochastic systems with time-delay sensors | |
CN114001759A (zh) | 一种阵列式mems传感器控制方法及系统 | |
CN115902978A (zh) | 一种gnss/slam组合导航系统位姿初始化方法 | |
CN114705223A (zh) | 多移动智能体在目标跟踪中的惯导误差补偿方法及系统 | |
CN112596383A (zh) | 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 |
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 |