陀螺信号一阶差分matlab,卡尔曼滤波在陀螺漂移时间序列模型中的应用

0引言随着MEMS(micro-electro-mechanicalsystem,微电子机械系统)技术的发展,MEMS陀螺已经步入了全面发展的阶段,基于MEMS惯性器件构建低成本的微型惯性导航系统也成为目前惯性技术领域的一个研究热点。MEMS陀螺误差分为确定误差和随机误差两部分。其中确定误差可以通过测试和标定的方法进行补偿,而随机误差因为具有随机性,只能用统计模型来描述。近年来,使用时间序列分析法来建立随机误差模型,是提高微惯性导航系统精度的一种有效方法。文献[1]利用时间序列分析法对随机漂移建立ARMA模型,但并未给出检验。文献[2]采用时间序列分析法建立随机误差模型,然后基于该模型设计了卡尔曼滤波器,但文中在建立模型时,没有根据实测的数据进行分析而是从实践经验中选择模型。基于以上的不足,文中同样采用时间序列分析法来建模并利用Matlab时间序列工具箱对模型参数进行估计并检验,最后设计了卡尔曼滤波器对其进行误差补偿。1时间序列分析与建模1.1数据的采集、预处理与检验采集信号以得到观测数据,对该数据进行预处理并检验,以得到平稳、正态、零均值的时间序列,这是时间序列建模的基础。1)数据采集。MEMS陀螺输出的实际数据是连续的,而建模要求是离散的,故要以一定的采样频率对其进行采集,得到离散序列yk,k=1,2,…,350001。MEMS陀螺X轴的原始漂移信号见图1。2)数据预处理。建模前,首先保证数据为零均值、平稳、正态。陀螺原始数据中的常值分量可以通过求均值来提取,但有时信号中还可能存在一定的趋势图1MEMS陀螺X轴的原始漂移信号项,可以对其作一阶或几阶差分处理。提取均值并作一阶差分得到xk,k=1,2,…,350000,xk=yk+1-yk。3)数据检验。对其上述处理过的数据进行检验,以确定是否符合建模要求。通过统计检验的方法[3]对处理后的数据进行检验,是平稳、正态、零均值,符合建模要求。1.2模型的建立与参数的估计1.2.1模型的建立自回归滑动平均模型(ARMA(p,q))的一般形式[3]:xk-1xk-1-…-pxk-p=ak-1ak-1-…-qak-q(1)其中:xk为随机时间序列;p、q为自回归阶数和滑动平均阶数;i(i=1,2,…,p)、j(j=1,2,…,q)为自回归系数和滑动平均系数;ak为均值为零方差为2a的白噪声。式(1)中,如果q=0,则ARMA(p,q)退化为p阶自回归模型,记为AR(p);如果p=0,则ARMA(p,q)退化为q阶滑动平均模型,记为MA(q)。模型的确定目前采用的主要方法有:相关特性(自相关函数和偏相关函数表现出不同的”截尾”和”拖尾”特性[4])、数理统计、信息准则等。在此采用相关特性和信息准则来确定MEMS陀螺的随机漂移模型。由图2知:偏相关函数具有明显的拖尾现象。因此,模型可选MA模型或ARMA模型。图2自相关函数与偏相关函数1.2.2模型参数的估计将ARMA(p,q)模型写成矩阵的形式:Y=X+A(2)Y=xkxk+1xn,X=xk-1xk-2…xk-pxkxk-1…xk-p+1xn-1xn-2…xn-p,=12p,A=akak-1…ak-qak+1ak…ak-q+1anan-1…an-q,=1-1-q,文中采用Yule-walker法[3]估计式(2)中的和,得到估计值^和^。1.3模型检验陀螺随机漂移模型的阶次一般不会超过3阶。在此采用armax函数[5]来估计参数并求出AIC和FPE值,从MA和ARMA模型中选择AIC和FPE值最小的模型。所有模型及计算得到相应的准则值如表1所示。表1序列模