基于ARMA模型的光纤陀螺随机噪声滤波方法

对光纤陀螺随机噪声的ARMA建模及卡尔曼滤波方法进行了研究。针对ARMA(Auto-Regressive and Moving Average自回归滑动平均)模型的有色噪声在状态方程中不能通过传统的状态扩充法进行白化的问题,提出了新的噪声白化方法:采用增广最小二乘法估计ARMA模型的参数,同时提取出ARMA模型中的驱动白噪声,从而可以把ARMA模型中的有色噪声项作为控制项放入系统的状态方程,通过Sage-Husa的次优无偏MAP(Maximum A Posteriori,极大后验)噪声统计估值器对系统噪声的统计特性进行估计,实现了系统噪声的白化。在此基础上应用自适应卡尔曼滤波,有效消除了误差,得到状态值的准确估计。实验结果表明,对于随机噪声的自相关和互相关特性均呈现拖尾性质的光纤陀螺,采用新方法比传统基于AR模型的Kalman滤波降噪方法滤除噪声的效果提高了10%以上。

鲁棒Kalman滤波陀螺随机噪声AR快速/实时建模

针对传统陀螺随机噪声的AR建模方法收敛速度慢、所需样本多等问题,提出新的基于鲁棒Kalman滤波的陀螺随机噪声AR建模方法。该方法将AR模型参数作为系统的状态量,采用未知时变的噪声统计估值器估计观测噪声的均值和方差,通过Kalman滤波估计出AR模型参数。实验结果表明:这种AR建模方法具有收敛速度快,时间开销少的优点。当有新的噪声数据到来时,还能使建立的AR模型得到及时更新,提高建模准确度,适用于快速建模或陀螺随机噪声具有强时变性的工程场合。

光纤陀螺随机噪声的建模与滤波

对光纤陀螺随机噪声的自回归建模和辨识方法进行了分析和比较,并对自回归模型下卡尔曼滤波降噪算法进行了改进。针对传统方法系统噪声和量测噪声必有一个为有色噪声的问题,提出了新的有色噪声条件下的卡尔曼滤波处理方法:把有色量测噪声作为状态量扩充到系统的状态方程,同时把AR模型的建模误差考虑进来作为系统新的量测噪声。实验结果表明,提出的滤波方法能够有效的抑制陀螺随机漂移,提高姿态解算精度。