車載微機械陀螺儀異常測量數據的識別與修正方法
2023-10-17 15:45:59 2
專利名稱：車載微機械陀螺儀異常測量數據的識別與修正方法
技術領域：
本發明涉及一種車載微機械陀螺儀異常測量數據的識別與修正方法，其目的在於識別車載微機械陀螺儀的異常測量數據並對其進行修正，以防對後續的多傳感融合與汽車試驗造成不良影響，屬於汽車導航與汽車測試領域。
背景技術：
隨著城市的快速發展和交通道路的日益複雜，城市高樓區、林蔭道以及涵洞等日益增多，為了應對GPS或GL0NASS衛星導航系統在這些環境下常常會失效的情況，近年來車輛組合導航獲得了飛速的發展。同時，隨著交通及汽車工業的快速發展，全世界高速公路裡程數及汽車保有量在迅速增加，道路交通事故逐步成為當今社會的一個突出問題，對汽車的性能進行及時檢測和評價成為保證道路交通安全的必要手段。在車輛組合導航和汽車測試領域中，陀螺儀都是一個基本器件。目前民用方面常用的陀螺儀主要有兩種類型微機械陀螺儀(即MEMS陀螺儀)和光纖陀螺儀。雖然光纖陀螺儀具有結構緊湊，靈敏度高，工作可靠等優點，但是其價格昂貴(數萬元甚至幾十萬元人民幣)，這極大的限制了它在低成本車輛組合導航和汽車測試領域中的應用。近年來，MEMS陀螺儀作為慣性領域一個十分重要的分支，由於其具有成本低、尺寸小、重量輕、可靠性高等優點，獲得了長足的發展，廣泛應用於汽車、生物醫學、環境監控等領域。MEMS是英文Micro Electro Mechanical systems的縮寫，S卩微電子機械系統，微電子機械系統技術是建立在微米/納米技術基礎上的21世紀前沿技術。由於MEMS技術本身屬於一門新興的前沿交叉學科，其中許多技術尚有待進一步地解決和發展，如製造工藝和精度水平等，致使目前所能加工和生產出的MEMS陀螺儀，其精度尚處於中低水平，輸出數據具有白噪聲、常值漂移等隨機誤差。並且在汽車道路試驗過程中，MEMS陀螺儀還容易受震動、溫度等外界條件影響，其測量數據還不可避免的包含異常數據。異常數據是指明顯的偏離了統計規律預期值的數據，如果我們把這些數據和正常數據放在一起進行處理，就會影響實驗結果的正確性，如果把這些數據簡單地剔除，又會忽略了重要的有效信息。因此，判斷和修正異常數據是至關重要的。在使用MEMS陀螺儀進行多傳感融合與汽車試驗時，為了消除MEMS陀螺儀異常測量數據帶來的不良影響，首先就要識別出異常數據並對其進行修正。目前識別MEMS陀螺儀異常測量數據常用方法有以下幾種算術平均法，中值法，3倍標準差準則法，以及這些方法的綜合與改進。算術平均法和中值法的特點是簡單易行、形象、直觀，可以快捷的識別出單個孤立的異常數據，但是對於連續幾個的異常數據這種方法就顯得無能為力了。對於3倍標準差準則法，則首先需要計算出原始數據的數學期望和標準差，但是這時計算出來的數學期望和標準差已受到了異常數據的影響，這就導致這種方法經常會出現誤判甚至失效。這些方法的綜合與改進，也同樣存在著上述的問題。並且這些方法都是純粹的從數據處理的角度出發，沒有考慮MEMS陀螺儀的系統特性與誤差特性。通過上述分析，可以看出現有的幾種識別MEMS陀螺儀異常測量數據的方法都存
3在著這樣或那樣的不足。同時，有關MEMS陀螺儀異常測量數據修正的研究，目前還相對較少，可供參考的研究資料和學術論文也很少。為克服現有識別方法的不足並能對異常測量數據進行修正，本發明將提供一種低成本、高效率並且能夠識別和修正MEMS陀螺儀多個連續異常測量數據的方法。
發明內容
本發明提出了一種低成本、高效率的車載微機械陀螺儀異常測量數據的識別與修正方法，適用於汽車導航與汽車測試領域中對MEMS陀螺儀異常測量數據的識別與修正。技術方案本發明為實現上述目的，採用如下的技術方案本發明提出了一種車載微機械陀螺儀異常測量數據的識別與修正方法，適用於汽車導航與汽車測試領域中對MEMS陀螺儀異常測量數據的識別與修正，其特徵在於包含如下步驟步驟1)在得到微機械陀螺儀的原始測量數據data(i)後，i = 1,2,.. .，n，i表示採樣序數，η為數據的長度且為正整數，從data(i)中選取400個連續平滑數據的data(1) 作為樣本，1 = j，j+1，j+2，... , j+399，j為整數且1彡j彡n-399，接著對data(l)做一次差分，即 x(t) = data(t+1)-data(t)，其中 x(t)即為差分後的結果，t = j, j+1, j+2,...,
1 ；'+398
j+398;然後對x(t)進行零均值化，則_其中〒 = 『ΣΧ⑴，t = j，j+1，
y{t) = ) — χ jt=j
j+2, · · ·，j+398，其中y(t)為零均值化後的數據，此時得到的y(t)即為零均值的平穩時間序列，t = j，j+1，j+2，···，j+398，步驟2)作出y(t)的自相關係數圖和偏相關係數圖，根據自相關係數和偏相關係數的分布特徵並結合池信息(Akaike Information Criterion, AIC)準則確定y(t)的自回歸移動平均模型為ARMA (1，1)，所述的ARMA (1，1)模型為少㈨=^y(A-I)+ s㈨-如(H)， 約為自回歸參數，Q1為移動平均參數。接著用最小二乘估計法對ARMA(1，1)的參數進行估計，得到模型參數為湖=-0.2248，θι = -0. 4497。計算出y(t)的方差？急⑴的模型為:y(k) = -0. 2248y(k-l)+ ε (k) +0. 4497 ε (k_l)，其中 k = j+1, j+2, · · ·，j+398, ε (k) 與ε (k-1)都是均值為0，方差為Q2的白噪聲序列，步驟3)將y(t)的模型進行轉變並推廣到微機械陀螺儀的原始測量數據data (i)， i = 1，2，···，n，轉變後的data(i)的模型為Ciataikl +1) = ^niSldataikl) + 0.22ΛΜα α(^ — 1) +1.22483c + S(Ic1) + 0.4497e(矣-1)其中Ii1 = 2，3，· · ·，n-1，步驟4)令ζ⑴=data(i)，i = 1，2，...，n，則轉變後的data(i)的模型變形為Zik1 +1) = 0.7752z(^) + 0.2248z(^ — 1) +1.22483c + + 0.4497￡(^ -1)，其中Ic1 = 2，3，. . .，η-1， (/)表示z(i)的預測值，接著使用變形後的模型來識別和修正微機械陀螺儀異常測量數據的方法為步驟4. 1 首先令 m= 3，f(l) = z(l)，1(2) = z(2)，建立一個新的序列 f(i), i = 1， 2，...，11，其中€(1) = z(l),f(2) =z(2),f(i)的其餘元素取值都為零，步驟4. 2從原始數據中取出ζ (m)，ζ (m_l)和ζ (m_2)，由ζ (m_l)和ζ (m_2)得至Ij z(m) = 0.7752z(m-1) + 0.2248z(m-2) +1.2248J + -1) + 0.4497e(m-2)；如果 |對《0-六《<^51^/8，則轉到步驟4.3，否貝1]，將2(111)賦值給f(m)，即f(m) = z(m)，再轉到步
驟 4. 4，步驟4.3此時的z(m)是識別出的異常數據，接著對異常數據ζ (m)進行修正，修正後z(m)為l),f(m)}，median表示取中位數，同時，以修正後ζ (m)替換修正前 ζ (m)，並且將修正後的 ζ (m)賦值給 f (m)，即/(m) = median{z(m - 2), z(m -1), z(m)}，步驟4. 4令m = m+1，如果m = n，則轉到步驟4. 5，否則轉到步驟4. 2，步驟4. 5結束，此時得到的更新後的f(i)，i = 1，2，...，n，就是修正後的陀螺儀測量數據。有益效果1.本發明提出了一種車載微機械陀螺儀異常測量數據的識別與修正方法，適用於汽車導航與汽車測試領域中對MEMS陀螺儀異常測量數據的識別與修正。2.本發明提供的方法不僅可以有效的識別出MEMS陀螺儀的異常測量數據，還可以對異常測量數據進行合理的修正。3.本發明提出的方法不僅可以識別和修正MEMS陀螺儀單個孤立的異常測量數據，並且對於連續的多個(如10個)異常測量數據也同樣有效，說明本發明具有較高的實際應用價值。4.本發明提出的MEMS陀螺儀異常測量數據的識別與修正方法成本低、效率高、使用簡便。
圖1是本發明識別與修正微機械陀螺儀異常測量數據的流程圖；圖2是本發明中識別和修正微機械陀螺儀異常測量數據的具體方法的流程圖；圖3是x(t)的自相關係數圖；圖4是y(t)的自相關係數圖和偏相關係數圖；圖5是殘差的自相關係數圖；圖6是微機械陀螺儀輸出的橫擺角速度與修正過異常測量數據的橫擺角速度對比圖；圖7是圖6的局部放大圖；圖8是圖6的局部放大圖；圖9是圖6的局部放大圖。
具體實施例方式實施實例1GPS或GL0NASS衛星導航系統能迅速、準確、全天候地提供定位導航信息，但在城市高樓區、林蔭道、涵洞及深山峽谷內，GPS或GL0NASS的上述功能常常會失效。為了應對這種情況，近年來車輛組合導航技術獲得了飛速的發展。航跡推算(DR)是車輛組合導航中一種不可缺少的車輛定位技術，而陀螺儀測得的數據是其主要信息源之一。同時，MEMS陀螺儀廣泛應用在需要測量三維角速度和加速度數據的工程領域，因此是汽車測試領域中關
5鍵傳感器之一。由上述分析可以看出，在車輛組合導航和汽車測試領域中，陀螺儀都是一個基本器件。近年來，MEMS陀螺儀作為慣性領域一個十分重要的分支，由於其具有成本低、尺寸小、重量輕、可靠性高等優點，獲得了長足的發展，廣泛應用於汽車、生物醫學、環境監控等領域。由於MEMS技術本身屬於一門新興的前沿交叉學科，其中許多技術尚有待進一步地解決和發展，如製造工藝和精度水平等，致使目前所能加工和生產出的MEMS陀螺儀，其精度尚處於中低水平，輸出數據具有白噪聲、常值漂移等隨機誤差。並且在汽車道路試驗過程中，MEMS陀螺儀還容易受震動、溫度等外界條件影響，其輸出數據還不可避免的包含異常數據。如果我們把這些異常數據和正常數據放在一起進行處理，就會影響實驗結果的正確性， 如果把這些數據簡單地剔除，又會忽略了重要的有效信息。因此，判斷和修正異常數據是至關重要的。本發明將提供一種低成本、高效率並且能夠識別和修正MEMS陀螺儀多個連續異常測量數據的方法。具體思路如下對於單軸MEMS陀螺儀輸出的數據，可以看成是一組獨立的時間序列(對於三軸正交MEMS陀螺儀輸出的數據，可以看成是三組獨立的時間序列)。根據實際系統的慣性特性，可以依據每一組時間序列現在和以前觀測值，建立適當的模型來預測其將來的值或者發展趨勢。對時間序列建立模型，最常用的方法是根據博克思_詹金斯法，建立整合自回歸 雲力(Autoregressive Integrated Moving Average, ARIMA)牛莫M，■禾爾 ARIMA 牛莫Μ。 這種方法需要對時間序列進行差分來消除使序列不平穩的成分，而使其變成平穩的時間序列，並估計ARMA模型，估計之後再轉變該模型，使之適應於差分之前的序列模型，得到的模型就是ARIMA模型。這種模型以時間序列的自相關分析為基礎，在預測過程中既考慮了慣性系統在時間序列上的依存性，又考慮了隨機波動的幹擾性，對於短期趨勢的預測準確率較高，得到了廣泛的應用。在得到MEMS陀螺儀原始測量數據後，按照時間序列建模的要求，先要對數據進行統計檢驗和預處理，以得到零均值的平穩時間序列，這是建模工作的基礎。在汽車道路試驗過程中，車道經常會是圓形或者環形，並且會人為的使汽車加速或者減速，同時受外部環境和內部因素的幹擾，這樣導致陀螺儀輸出的原始數據就是非平穩的(含有趨勢項)。這一點也可以通過陀螺儀輸出原始數據的自相關函數的變化特點來確定。設陀螺儀輸出的數據為data(i) (i = 1,2,...,η,i表示採樣序數，η為數據的長度)，因為在汽車道路試驗時，每次試驗陀螺儀輸出的數據個數太多，從data (i)中選取400 個連續平滑數據的data(l) (1 = j，j+1，j+2，... , j+399，j為整數且1彡j彡n-399)作為樣本，對其進行建模。這裡平滑數據的定義為對於一組數據，如果其中任意兩個相鄰元素之差的絕對值小於5rad/S，則就認為這組數據是平滑數據。根據博克思詹金斯法，在建模之前首先要對樣本數據作一次差分，即χ(t) = data(t+1)-data(t)，其中x(t)即為差分後的結果，t = j, j+1, j+2, ...，j+398。此時可以通過分析自相關係數圖來判斷x(t)的平穩性，設A表示s步滯後的自相關係數，自相關係數圖判定時間序列平穩性的準則是若時間序列的自相關係數A在s > 3時都落入置信區間，且逐漸趨於零，則該時間序列具有平穩性。經過試驗可以得到，作一次差分處理後，就可以滿足平穩性要求x(t)。得到平穩數據x(t)後，需要對其進行零均值化。記y(t)為零均值化後的數據，則1 ；+398
刈=刑-無其中茫=^ Sx(0,t = j'j+1，j+2，…，j+398。由時間序列的理論可知，對於零均值的平穩序列y(t)，一定可以對它擬合一個如下式的隨機差分方程
y{k) = (f\y{k _ 1) + q>2y(k-2) + ··· + tppy、k-ρ) + s{k) - exs{k _ 1) _ 02s(k-2)-·· -O^ik - q)上式稱為ρ階自回歸q階移動平均模型，記為ARMA (p，q)。其中ρ和q為正整數， k = max (ρ, q)+l,max (ρ, q) +2,.. ·，j+398, max (ρ, q)表示取 ρ 禾口 q 的最大值，仍，朽，...，％為自回歸參數，θ2，...，θ q為移動平均參數，序列ε (k)，ε (k_l)，...，ε (k_q)稱為殘差序列。設y(t)的方差為σ2，當這一模型正確的揭示了 y(t)的結構與規律時，則ε (k) 應該為白噪聲，且ε (k)，ε (k_l)，...，ε (k_q)是均值為0，方差為σ 2的白噪聲序列。一般在建立ARAM(p，q)模型時，模型的初步識別規則是若平穩序列的偏相關係數是P步截尾的，而自相關係數是逐步衰減不截尾的，則序列適合AR(p)模型；若平穩序列的自相關係數是q步截尾的，而偏相關係數是逐步衰減而不截尾的，則序列適合MA(q) 模型；若平穩序列的偏相關係數是P步截尾的，自相關係數是q步截尾的，則序列適合 ARMA (p，q)模型。上述方法可以方便的確定ARAM(p，q)(包括AR(p)和MA(q))模型的階數，但是這是一種很粗糙的定階方法，通常對一個序列可以確定多個模型，會有過擬合的危險，因此只適合於對ARAM(p，q)模型的初步識別。為了解決這個問題，日本學者Akaike提出了最小池信息準則(Akaike Information Criteri0n，AIC)。這個準則從提取出觀測數據序列中的最大信息量出發，適用於ARMA(p，q)(包括AR(p)和MA(q))模型。如果當ρ = pQ，q = qQ時， AIC函數取到最小值時，則表明合適的擬合模型為ARMA (P(l，qci)(見《時間序列分析與綜合》， 吳懷宇編著，武漢大學出版社，2004:91 92)。實際上當AIC函數取到最小值時，此時模型預測值與原始數據之差的方差也最小，所以也常常根據這個性質來檢驗所擬合模型是否合適。根據上述的模型識別規則，先利用MATLAB的autocorr函數和parcorr函數分別作出y(t)的自相關係數圖和偏相關係數圖來初步確定其的模型。由於ARMA模型相當於一個線性系統，對於最小實現的線性系統，傳遞函數一般是有理分式，也就是說，對於實際系統，隨機ARMA模型的自回歸階數大於或等於移動平均階數。同時考慮到實際情況，MEMS陀螺儀陀螺漂移模型的階次都比較低，一般不超過2階至3階，所以實際應用中，陀螺儀誤差模型通常在AR(I)、AR(2)、AR(3)、ARMA(1，1)和ARMA(2，1)中進行選擇。經過多次試驗驗證，本發明中選擇ARMA(1，1)模型；=+對y(t)進行建模。對y(t)的模型初步識別好之後，下一步就要進行參數的估計。對ARMA模型的參數進行估計時，常用的方法有Yule-Walker估計法，最大似然估計法和最小二乘估計法。雖然Yule-Walker估計法的算法簡單方便，但是其誤差較大，只能作為計算其他的更有效估計的非線性優化方法的初值。對於最大似然估計法和最小二乘估計法，當樣本的容量很大時，這兩種方法估計的參數很接近，但是最大似然估計法的計算量較大，故本發明中採用最小二乘估計法來對參數進行估計。經過多次試驗，使用MATLAB中的函數armax對y(t)的模型參數進行最小二乘估計，可得ARMA(1，1)模型；#)=例+ 秘(H)參數為釣=-0.2248，θ i = -0. 4497，則得到 y(t)的模型為y(k) = -0. 2248y(k-l)+ ε (k) +0. 4497 ε (k_l)(1)其中k = j+1，j+2，... , j+398，ε (k)與 ε (k_l)都是均值為 0，方差為 ο 2 的白噪聲序列，ο2為y(t)的方差。為了檢驗模型是否充分的描述了數據，需對模型的殘差序列進行檢驗，以檢驗其是否為白噪聲序列。用式(1)的模型預測時，要變形為如下形式y(k) = -0.2248-1) + s(k) + 0AA91s(k -1)(2)其中夕㈨是y(k)的預測值。此時定義殘差r(t)為r(j) = y(j), r(k) = y(k)~y(k),k = j+1, j+2, · · ·，j+398。若殘差序列是白噪聲序列，可認為模型合理， 適用於預測；否則，意味著殘差序列還存在有用的信息沒有提取，需進一步改進模型。通常側重於殘差序列的隨機性，即滯後步數s > 1時，殘差序列的樣本自相關係數應近似為零 (見劉亮，唐海萍，張麗軍.基於ARMA模型的財政教育投資時間序列分析[J]，北京師範大學學報(自然科學版)，2010，46(2) 194-196) 0經檢驗，使用上述模型來進行預測，在滯後步數s > 1時，殘差的自相關係數都在置信區間內，近似為零。證明本發明中對y(t)建立 ARMA(Ll)模型 y(k) = -0. 2248y(k-l)+ ε (k) +0. 4497 ε (k_l)是合理的。為了實現能對陀螺儀輸出的原始數據data(i)預測，就要對y(t)的模型進行轉換，以使其滿足data (i)。具體實現過程如下由 x(t) = data (t+1)-data (t)與少0)=義0) —I，可得y{t) = data(t +1) - data(t)-χ(3)同理遞推一步可得=(4)將⑶式和⑷式代入(1)式，可得
data(t + 1) = 0.1152data(t) + 0.224Sdata(t-1) + 1.2248J+e(0 + 0.4497e(/ -1)
(5)上述式(5)即為適合數據data(t) (t = j，j+1, j+2,... , j+399)的模型。將此模型推廣到 data (i) (i = 1，2，...，n)得
data(kx +1) = Ο. 52 α α(^) + 0.2248t/ato(^ -1) +1.22483c + e(^) + 0.4497e(^ -1)
(6)其中Ic1 = 2，3，· · ·，n-1，式(6)模型即為 data ⑴(i = 1,2, ... , η)的模型。為了識別和修正MEMS陀螺儀異常測量數據，就要使用式(6)的模型來預測data(i)的取值， 然後將data(i)的預測值與MEMS陀螺儀的輸出值進行比較，進而識別出異常測量數據並進行修正。在使用上述模型來預測時，設用ζ (i)來表示data(i)(i = l，2，...，n)，式(6)要改寫成如下形式z(K +1) = 0.7752ζ(^) + 0.2248ζ(^ — 1) +1.2248J + + 0.4497e(^ — 1) (7)其中Ic1 = 2，3，. . .，η_1， ㈨表示z(k)的預測值。接著使用變形後的模型式(7) 來識別和修正微機械陀螺儀異常測量數據的方法為步驟4. 1 首先令 m= 3，5(1) = Z(I)，5(2) = ζ⑵，建立一個新的序列 f(i), i = 1， 2，...，11，其中€(1) = z(l),f(2) =z(2),f(i)的其餘元素取值都為零，步驟4. 2 從原始數據中取出 ζ (m)，ζ (m_l)禾口 ζ (m_2)，由 ζ (m_l)禾口 ζ (m_2) 得至Ij z(m) = 0.1152z(m -1) + 0.2248z(m - 2) +1.2248J + -1) + 0.4497e(m - 2)；如果
8
權利要求
1. 一種車載微機械陀螺儀異常測量數據的識別與修正方法，其特徵在於，包含如下步驟步驟1)在得到微機械陀螺儀的原始測量數據data(i)後，i = 1,2,.. .，n，i表示採樣序數，η為數據的長度且為正整數，從data(i)中選取400個連續平滑數據的data(1)作為樣本，1 = j，j+l，j+2，···，j+399，j為整數且1彡j彡n-399，接著對data(l)做一次差分， 即 x(t) = data (t+1)-data (t)，其中 x(t)即為差分後的結果，t = j，j+1，j+2，· · ·，j+398 ；1 ；'+398然後對χ (t)進行零均值化，則_其中Ι = 『ΣΧ⑴，t = j，j+l，j+2，...，y{t) = ) — χ jt=jj+398，其中y(t)為零均值化後的數據，此時得到的y(t)即為零均值的平穩時間序列，t = j，j+1, j+2，...，j+398,步驟2)作出y(t)的自相關係數圖和偏相關係數圖，根據自相關係數和偏相關係數的分布特徵並結合池信息準則(Akaike Information Criterion, AIC)確定y(t)的自回歸移動平均模型為ARMA (1，1)，所述的ARMA (1，1)模型為少㈨=^y(A-I)+ s㈨-如(A-I)，約為自回歸參數，9工為移動平均參數，接著用最小二乘估計法對ARMA(1，1)的參數進行估計，得到模型參數為湖=-0.2248，91 = -0.4497，計算出7(0的方差？急⑴的模型為:y(k) =-0. 2248y(k-l)+ ε (k)+0.4497 ε (k_l)，其中 k = j+1，j+2，...，j+398，ε (k)及 ε (k_l) 是均值為0，方差為σ2的白噪聲序列，步驟3)將y(t)的模型進行轉變並推廣到微機械陀螺儀的原始測量數據data (i)，i = 1,2,..., n，轉變後的data⑴的模型為data(kx +1) = Ο. 52 α α(^) + 0.2248t/ato(^ -1) +1.22483c + e(^) + 0.4497e(^ -1)其中 Ii1 = 2,3, . . .，n-1,步驟4)令ζ (i) = data(i)，i = 1，2，...，n，則轉變後的data(i)的模型變形為 z(kx +1) = 0.7752z(^) + 0.2248z(^ -1) +1.22483c + + 0.4497￡(^ -1)，其中Ic1 = 2，3，. . .，n-1，表示ζ (i)的預測值，接著使用變形後的模型來識別和修正微機械陀螺儀異常測量數據的方法為步驟4. 1首先令m = 3, f(l) = z(l) i(2) = z(2)，建立一個新的序列f⑴，i = 1，2，…， n，其中f(l) =z(l),f(2) =z⑵，f(i)的其餘元素取值都為零，步驟4. 2從原始數據中取出ζ (m)，ζ (m-Ι)和ζ (m-2)，由ζ (m-1)和ζ (m-2)得至Ij z(m) = 0.1152z(m -1) + 0.2248z(m - 2) +1.2248J + -1) + 0.4497e(m - 2)；如果|對《0-六《<^51^/8，則轉到步驟4.3，否貝1]，將2(111)賦值給f(m)，即f(m) = z(m)，再轉到步驟 4. 4，步驟4.3此時的z(m)是識別出的異常數據，接著對異常數據z(rn)進行修正，修正後 z(m)為l),f(m)}，median表示取中位數，同時，以修正後ζ (m)替換修正前 ζ (m)，並且將修正後的 ζ (m)賦值給 f (m)，即/(m) = median{z(m - 2), z(m -1), z(m)}， 步驟4. 4令m = m+1，如果m = n，則轉到步驟4. 5，否則轉到步驟4. 2， 步驟4. 5結束，此時得到的更新後的f (i) ,i = l,2,..., n，就是修正後的陀螺儀測量數據。
全文摘要
本發明公開了一種車載微機械陀螺儀異常測量數據的識別與修正方法，該方法首先從陀螺儀的原始測量數據中選取400個連續平滑的數據作為樣本，並對樣本做一次差分然後再進行零均值化得到零均值的平穩樣本；接著作出零均值的平穩樣本的自相關係數圖和偏相關係數圖，根據其自相關係數和偏相關係數的分布特徵並結合池信息準則確定其自回歸移動平均模型，再用最小二乘估計法對模型參數進行估計；然後，將零均值的平穩樣本的模型進行轉變並推廣到原始測量數據；最後，將轉變後的模型再進行變形，使用變形後的模型來識別和修正微機械陀螺儀異常測量數據。
文檔編號G01C19/00GK102519443SQ20111038189
公開日2012年6月27日 申請日期2011年11月26日 優先權日2011年11月26日
發明者李旭, 陳偉 申請人:東南大學