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。

基于高阶补偿模型的新圆锥算法

分析表明传统圆锥算法的误差由常值漂移误差和截断误差组成。通常截断误差大于漂移误差,是误差的主项应优先补偿。而传统圆锥算法一般通过增加单次更新周期内的子样数来提高算法精度,但子样数的增加只能减少漂移误差,对截断误差并没有改善作用。从Bortz的旋转矢量微分方程出发,在不增加采样数的前提下,通过高阶误差补偿模型,对圆锥运动产生的截断误差进行了有效的补偿,提高了算法精度。从理论上比较了该算法和传统3子样圆锥算法、4子样圆锥算法的误差,证明算法精度一般优于传统3子样圆锥算法和4子样圆锥算法。通过仿真证明了上述结论的正确性。虽然新算法增加了一定的计算量,但随着导航计算机性能的不断提高,实测的结果表明仍能满足实时性的要求。