基于小波和长短时记忆的IMU去噪方法

发布时间：2022-02-15 02:47

　　针对MEMS IMU误差累积问题,在对误差分析建模的基础上,利用其高低频和时序特性,研究了一种小波变换和长短时记忆神经网络相结合的去噪方法。首先通过Allan方差分析IMU输出误差特性,构造误差模型,其次借助小波变换将IMU误差分解为高低频成分,分别利用小波阈值去噪和长短时记忆网络建模来降低噪声,最后以小波重构方法得到去噪后的IMU测量值。将此方法应用于6D激光标靶和IMU组合测量系统的姿态解算,经过比对实验,能够有效分离随机误差频率特性,进一步消除高频噪声,优化姿态误差,提升组合系统动态性能。 

【文章来源】：传感技术学报. 2020,33(05)北大核心CSCD

【文章页数】：5 页

【部分图文】：

六自由度组合测量系统整体结构

LSTM层学习时间序列中的时间步长和序列数据之间的长期相关性[17]。该层的状态包括隐藏状态h(也称为输出状态)和单元状态c,在时间步t处的隐藏状态h包含用于该时间步的LSTM输出。单元状态c包含从先前的时间步获知的信息。图2为LSTM结构单元。在每个时间步中,LSTM层将信息添加到单元状态或从单元状态移除信息,并使用“门”控制这些更新。单元状态c和隐藏状态h由以下组件控制,如表1所示。

结合IMU误差的高低频及时序特性,将IMU降噪问题转化成对IMU误差离散小波分解的子序列进行分析,因为频率子序列的时序关系和规律性比原序列更强[18]。考虑到小波降噪可以有效消除高频白噪声,时序建模可以预测时序相关的低频噪声,因此,本文提出了WT-LSTM组合模型用于IMU降噪。激光靶与IMU组合测量系统采用的IMU随机误差主要为随机游走误差和零偏不稳定性。随机游走误差表现为高频白噪声,对误差的高频部分进行小波阈值去噪;而零偏不稳定性表现为与时间相关的低频误差,通过LSTM时序建模来消除。如图3所示,进行多层小波分解,综合考虑降噪能力和计算量问题,高斯白噪声主要集中于小波分解的高频层,同时,过多的LSTM网络训练会提高计算量,限制去噪方法的实时应用,因此,对第一层高频细节系数进行阈值去噪,对最后一层低频逼近系数进行LSTM网络训练,通过预测结果降噪。最后将高低频输出连接起来,得到降噪后的IMU值。3 实验

【参考文献】：
期刊论文
[1]改进的小波阈值函数在冲击加速度信号处理中的应用[J]. 张颖,李广武,杨建宏,郭小帆.  传感技术学报. 2019(03)
[2]基于序列相关和小波变换的加速度计信号降噪[J]. 董雅雯,王建林,魏青轩,邱科鹏,赵利强.  传感技术学报. 2019(02)
[3]基于小波分析的MEMS加速度计去噪优化算法[J]. 李世银,张楠,武中文,王洪梅.  传感技术学报. 2018(05)
[4]基于激光标靶和捷联惯导系统组合位姿测量方法[J]. 郭庆尧,林嘉睿,任永杰,高扬.  激光与光电子学进展. 2018(01)
[5]小波阈值去噪法在MEMS陀螺仪信号降噪中的应用[J]. 宋丽君,秦永元,杨鹏翔.  测试技术学报. 2009(01)



本文编号：3625758