CN106595628B - 数字光纤陀螺信号的野值实时剔除方法 - Google Patents
数字光纤陀螺信号的野值实时剔除方法 Download PDFInfo
- Publication number
- CN106595628B CN106595628B CN201611028553.3A CN201611028553A CN106595628B CN 106595628 B CN106595628 B CN 106595628B CN 201611028553 A CN201611028553 A CN 201611028553A CN 106595628 B CN106595628 B CN 106595628B
- Authority
- CN
- China
- Prior art keywords
- data
- rate
- module
- outlier
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
- G01C19/58—Turn-sensitive devices without moving masses
- G01C19/64—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams
- G01C19/72—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams with counter-rotating light beams in a passive ring, e.g. fibre laser gyrometers
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Gyroscopes (AREA)
Abstract
本发明属于数字光纤陀螺技术领域,具体涉及一种数字光纤陀螺信号的野值实时剔除方法。本发明针对陀螺输出信息的波动性,利用数据变化率给定一个合理的数据变化范围,在此基础上判定数据的合理性,对于合理的数据保留其原来的数值,偏差较小的数据在原来的基础上进行微量的修改,偏差较大的数据直接利用最小二乘多项式进行外推。其特点在于计算简单,适用性强,并且能够保留有效信息。
Description
技术领域
本发明属于数字光纤陀螺技术领域,具体涉及一种数字光纤陀螺信号的野值实时剔除方法。
背景技术
实际飞行试验中,陀螺的输出数据往往带有误差较大的异常值,并且陀螺输出的信息存在微小振荡。由于***在高频部分的不确定性,可能导致传感器探测的数据中包含某些误差较大的数据,常常会有一个或多个跳点,这些跳点和其他点差值很大,称为***的“野值”。工程采样数据的野值点主要分为离群点、孤立型野值和野值斑点。野值的存在降低了观测数据的可用性,影响数据处理的结果,给控制***带来严重的影响。
国内已经开展了大量的野值剔除方法研究。其中采用含有广义参数的径向基函数神经网络方法可以通过对象参数的自适应调整达到实时剔除野值的要求,但缺点是只针对孤立型野值点进行剔除;差分法和多项式外推法对于孤立型野值剔除效果明显,但判定野值的门限不易确定,需要人为的调试,才能保证原测量数据的准确性和真实性;M型估计法对于野值点的准确开始点和结束点的求解不完善;利用正交模型参数变化判别法对连续型野值进行剔除,方法计算量大,不满足实时性要求;利用残差和误差相关矩阵构造二次型以实时剔除雷达测量数据中野值的方法,该方法是在实时滤波的基础上对弹道数据进行实时处理,处理效果和滤波***的选择有关;利用多传感器目标跟踪中状态估计的分布式融合方式实现实时剔除野值,但缺点是Kalman滤波出现滤波发散现象,影响实时处理效果。在陀螺姿态信息的数据处理工作中,以上方法有的由于计算量较大,处理效果发散等问题不适合实时处理,有的只能针对特殊的野值点类型,不满足数据处理的通用性条件。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何克服现有技术的不足之处,提供一种简单快速自动改变门限值的野值剔除方法,要求该方法不需要滤波,在波动性较强的数据中,能够有效剔除孤立野值和连续型野值,并且几乎不改变原来有用数据。
(二)技术方案
为解决上述技术问题,本发明提供一种数字光纤陀螺信号的野值实时剔除方法,该方法由野值实时剔除***来实施,该***包括:初始化模块、门限模块、判断模块、第一修正与替代模块、第二修正与替代模块、第三修正与替代模块、更新与保存模块;
所述方法包括如下步骤:
步骤1:由初始化模块执行初始化;
根据公式(1)计算样本在当前时刻k的数据变化率:
Rate(k)=|(Data(k)-Data(k-1))|/T (1)
其中,T为***采样时间,k为当前时刻;
再将求得的变化率Rate(k)进行大小排序,去掉最大、最小两个端点值,并求出剩下变化率数据的平均值,作为平均变化率的初值:
其中,yn为样本数据数量;
此时完成了剔除方法的初始化阶段;
步骤2:由门限模块确定剔值门限的大小;
首先根据公式(1)计算当前时刻k的数据变化率;再利用公式(3)计算出当前时刻k的平均数据变化率:
门限范围会根据数据变化实时更新,自适应地改变门限的上界和下界;门限下界、上界定义如式(4)、式(5)所示:
FU(k)=b×FD(k) (5)
其中,a、b为门限放大参数;
公式(4)中FD(k)为数据变化率的下限,其物理意义是取前4个时刻的平均变化率中的最大值作为当前数据变化率的最大范围,如果***的随机性很强,同时存在振荡现象,就需要调节a的大小,来适当放大门限范围的下界,才能保证算法的实用性;同样,门限范围上界的权值b也是需要根据具体的***具体设定;
步骤3:由判断模块比较当前时刻k的数据变化率和门限上下界的关系;
根据公式(1)计算当前时刻k的数据变化率,比较当前时刻k的数据变化率和门限上下界的关系,以确定采用修正和替代方法;
如果当前采样数据Data(k)的变化率的绝对值大于等于门限上界FU(k),利用第一修正与替代模块剔除野值,如公式(6)所示:
Data(k)≥FU(k) (6)
如果当前采样数据Data(k)的变化率的绝对值大于等于门限下界并且小于FD(k),利用第二修正与替代模块剔除野值,如公式(7)所示:
FU(k)>Data(k)≥FD(k) (7)
如果当前采样数据Data(k)的变化率的绝对值小于门限下界FD(k),利用第三修正与替代模块剔除野值,如公式(8)所示:
Data(k)<FD(k) (8)
步骤4:由第一修正与替代模块、第二修正与替代模块、第三修正与替代模块剔除野值;
步骤401:第一修正与替代模块采用最近数据平均值和变化趋势叠加的形式进行估计,形式如公式(9)所示:
Data(k)=2×aveData(k-1)-aveData(k-2) (9)
这里数据平均值采用最近5个数据点进行平均,化简完如公式(10)所示:
步骤402:第二修正与替代模块采用七点二阶算法替代野值,七点二阶算法如公式(11)所示:
步骤403:第三修正与替代模块认为数据为正常值,保存原数据;
步骤5:由更新与保存模块更新数据变化率和平均变化率;
在剔除野值点后,由更新与保存模块更新数据变化率Rate和平均变化率aveRate,进而通过aveRate更新门限的上下界FU(k)和FD(k),以保证后面数据野值判断的可靠性。
(三)有益效果
本发明针对陀螺输出信息的波动性,利用数据变化率给定一个合理的数据变化范围,在此基础上判定数据的合理性,对于合理的数据保留其原来的数值,偏差较小的数据在原来的基础上进行微量的修改,偏差较大的数据直接利用最小二乘多项式进行外推。其特点在于计算简单,适用性强,并且能够保留有效信息。
与现有技术相比较,本发明具备如下有益效果:
(1)算法能够适用于连续型野值和孤立型野值。
(2)算法不需要对原始数据有先验知识,也不需要对原始数据进行大量的统计分析来确定门限的大小,它可以自适应实时地根据数据的变化率来改变门限范围,判别原始采样数据中是否出现了野值,并进行剔除。
(3)算法不会改变原始有用信号,保留了信号的真实性。
(4)算法通过28335型号DSP实验验证,DSP主频为150MHz,计算周期为6.67ns。经过硬件电路监测,算法的运行时间为4.386μs。主程序的中断时间为1ms,本文算法占整个计算周期的0.44%,满足实时性要求。
附图说明
图1是自适应实时剔除野值算法流程图。
图2是自适应实时剔除野值算法模块流程图。
图3是陀螺原输出数据与本文剔值算法处理后数据对比图。
图4是本发明对孤立型野值点剔除效果图。
图5是本发明对连续型野值点剔除效果图。
图6是本发明对一般偏离点剔除效果图。
图7是本发明在波动较大时的作用效果图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
为解决上述技术问题,本发明提供一种数字光纤陀螺信号的野值实时剔除方法,该方法由野值实时剔除***来实施,该***包括:初始化模块、门限模块、判断模块、第一修正与替代模块、第二修正与替代模块、第三修正与替代模块、更新与保存模块;
所述方法包括如下步骤:
步骤1:由初始化模块执行初始化;
根据公式(1)计算样本在当前时刻k的数据变化率:
Rate(k)=|(Data(k)-Data(k-1))|/T (1)
其中,T为***采样时间,k为当前时刻;
再将求得的变化率Rate(k)进行大小排序,去掉最大、最小两个端点值,并求出剩下变化率数据的平均值,作为平均变化率的初值:
其中,yn为样本数据数量;一般yn=10;
此时完成了剔除方法的初始化阶段;
步骤2:由门限模块确定剔值门限的大小;
首先根据公式(1)计算当前时刻k的数据变化率;再利用公式(3)计算出当前时刻k的平均数据变化率:
门限范围会根据数据变化实时更新,自适应地改变门限的上界和下界;门限下界、上界定义如式(4)、式(5)所示:
FU(k)=b×FD(k) (5)
其中,a、b为门限放大参数;
公式(4)中FD(k)为数据变化率的下限,其物理意义是取前4个时刻的平均变化率中的最大值作为当前数据变化率的最大范围,但是由于具体***不一样,如果***的随机性很强,同时存在类似锯齿波一样的振荡现象,就需要调节a的大小,来适当放大门限范围的下界,才能保证算法的实用性;同样,门限范围上界的权值b也是需要根据具体的***具体设定;
步骤3:由判断模块比较当前时刻k的数据变化率和门限上下界的关系;
根据公式(1)计算当前时刻k的数据变化率,比较当前时刻k的数据变化率和门限上下界的关系,以确定采用修正和替代方法;
如果当前采样数据Data(k)的变化率的绝对值大于等于门限上界FU(k),利用第一修正与替代模块剔除野值,如公式(6)所示:
Data(k)≥FU(k) (6)
如果当前采样数据Data(k)的变化率的绝对值大于等于门限下界并且小于FD(k),利用第二修正与替代模块剔除野值,如公式(7)所示:
FU(k)>Data(k)≥FD(k) (7)
如果当前采样数据Data(k)的变化率的绝对值小于门限下界FD(k),利用第三修正与替代模块剔除野值,如公式(8)所示:
Data(k)<FD(k) (8)
步骤4:由第一修正与替代模块、第二修正与替代模块、第三修正与替代模块剔除野值;
步骤401:第一修正与替代模块采用最近数据平均值和变化趋势叠加的形式进行估计,形式如公式(9)所示:
Data(k)=2×aveData(k-1)-aveData(k-2) (9)
这里数据平均值采用最近5个数据点进行平均,化简完如公式(10)所示:
步骤402:第二修正与替代模块采用七点二阶算法替代野值,七点二阶算法如公式(11)所示:
步骤403:第三修正与替代模块认为数据为正常值,保存原数据;
步骤5:由更新与保存模块更新数据变化率和平均变化率;
在剔除野值点后,由更新与保存模块更新数据变化率Rate和平均变化率aveRate,进而通过aveRate更新门限的上下界FU(k)和FD(k),以保证后面数据野值判断的可靠性。
下面结合具体实施例来详细描述本发明。
实施例
本实施例以数字光纤陀螺采集的某型光电平台俯仰数据为例,采样时间间隔为T=0.001s。初始样本取yn=10。根据公式(1)计算当前k时刻数据的变化率。再将求得的变化率Rate进行大小排序,去掉最大、最小两个端点值,并求出剩下变化率的平均值,作为平均变化率的初值。
计算当前采样时刻陀螺数据,并计算其变换率。取前4个时刻的平均变化率平均值的2倍作为野值门限的下界,将下界的2倍作为野值门限的上界。如果变化率大于上界,判定当前采样点为严重偏离野值点,采用公式(10)计算估计值,取代当前值。如果变化率大于下界而小于上界,认为采样点为一般野值点,采用公式(11)计算估计值,取代当前值。如果变化率小于下界,则认为当前点为真值。
根据处理后的数据,重新计算数据变化率和平均变化率,以供下一时刻使用。当算法判断已经连续出现4个野值,如果第5个测量数据仍被判断为野值时,不能再用估计值代替,只能用当前时刻的测量值,以防止过多的采用估计值,会导致偏离原信息的真实轨迹,进而产生“失控”现象。针对这种情况,其数据变化率Rate和平均变化率aveRate的更新也要做相应调整,由于前4个点都是估计值,所以样本应该扩大,变成10个以上,以保证算法不会“失控”。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (1)
1.一种数字光纤陀螺信号的野值实时剔除方法,其特征在于,该方法由野值实时剔除***来实施,该***包括:初始化模块、门限模块、判断模块、第一修正与替代模块、第二修正与替代模块、第三修正与替代模块、更新与保存模块;
所述方法包括如下步骤:
步骤1:由初始化模块执行初始化;
根据公式(1)计算样本在当前时刻k的数据变化率:
Rate(k)=|(Data(k)-Data(k-1))|/T (1)
其中,T为***采样时间,k为当前时刻;
再将求得的变化率Rate(k)进行大小排序,去掉最大、最小两个端点值,并求出剩下变化率数据的平均值,作为平均变化率的初值:
其中,yn为样本数据数量;
此时完成了剔除方法的初始化阶段;
步骤2:由门限模块确定剔值门限的大小;
首先根据公式(1)计算当前时刻k的数据变化率;再利用公式(3)计算出当前时刻k的平均数据变化率:
门限范围会根据数据变化实时更新,自适应地改变门限的上界和下界;门限下界、上界定义如式(4)、式(5)所示:
FU(k)=b×FD(k) (5)
其中,a、b为门限放大参数;
公式(4)中FD(k)为数据变化率的下限,其物理意义是取前4个时刻的平均变化率中的最大值作为当前数据变化率的最大范围,如果***的随机性很强,同时存在振荡现象,就需要调节a的大小,来适当放大门限范围的下界,才能保证算法的实用性;同样,门限范围上界的权值b也是需要根据具体的***具体设定;
步骤3:由判断模块比较当前时刻k的数据变化率和门限上下界的关系;
根据公式(1)计算当前时刻k的数据变化率,比较当前时刻k的数据变化率和门限上下界的关系,以确定采用修正和替代方法;
如果当前采样数据Data(k)的变化率的绝对值大于等于门限上界FU(k),利用第一修正与替代模块剔除野值,如公式(6)所示:
Data(k)≥FU(k) (6)
如果当前采样数据Data(k)的变化率的绝对值大于等于门限下界并且小于FD(k),利用第二修正与替代模块剔除野值,如公式(7)所示:
FU(k)>Data(k)≥FD(k) (7)
如果当前采样数据Data(k)的变化率的绝对值小于门限下界FD(k),利用第三修正与替代模块剔除野值,如公式(8)所示:
Data(k)<FD(k) (8)
步骤4:由第一修正与替代模块、第二修正与替代模块、第三修正与替代模块剔除野值;
步骤401:第一修正与替代模块采用最近数据平均值和变化趋势叠加的形式进行估计,形式如公式(9)所示:
Data(k)=2×aveData(k-1)-aveData(k-2) (9)
这里数据平均值采用最近5个数据点进行平均,化简完如公式(10)所示:
步骤402:第二修正与替代模块采用七点二阶算法替代野值,七点二阶算法如公式(11)所示:
步骤403:第三修正与替代模块认为数据为正常值,保存原数据;
步骤5:由更新与保存模块更新数据变化率和平均变化率;
在剔除野值点后,由更新与保存模块更新数据变化率Rate和平均数据变化率AveRate,进而通过AveRate更新门限的上下界FU(k)和FD(k),以保证后面数据野值判断的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028553.3A CN106595628B (zh) | 2016-11-18 | 2016-11-18 | 数字光纤陀螺信号的野值实时剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028553.3A CN106595628B (zh) | 2016-11-18 | 2016-11-18 | 数字光纤陀螺信号的野值实时剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106595628A CN106595628A (zh) | 2017-04-26 |
CN106595628B true CN106595628B (zh) | 2019-04-19 |
Family
ID=58591532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611028553.3A Active CN106595628B (zh) | 2016-11-18 | 2016-11-18 | 数字光纤陀螺信号的野值实时剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106595628B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563002B (zh) * | 2022-03-21 | 2024-04-09 | 北京全信科工科技发展有限公司 | 一种适应车载扰动环境下寻北的挠性陀螺信号处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701820A (zh) * | 2009-11-02 | 2010-05-05 | 北京航空航天大学 | 基于小波方差的光纤陀螺随机误差特性提取方法 |
CN101839922A (zh) * | 2010-05-28 | 2010-09-22 | 哈尔滨工程大学 | 一种信号在线野值剔除的方法 |
CN101871780A (zh) * | 2010-05-28 | 2010-10-27 | 哈尔滨工程大学 | 微惯性器件信号的虚拟野值降噪方法 |
CN103674062A (zh) * | 2013-12-05 | 2014-03-26 | 广东电网公司电力科学研究院 | 基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 |
CN103983997A (zh) * | 2014-05-09 | 2014-08-13 | 北京航空航天大学 | 一种抗gps失效的车载组合导航方法 |
CN104075713A (zh) * | 2014-05-09 | 2014-10-01 | 北京航空航天大学 | 一种惯性/天文组合导航方法 |
CN104536462A (zh) * | 2015-01-09 | 2015-04-22 | 西安应用光学研究所 | 基于光纤陀螺积分手段的位置控制方法 |
-
2016
- 2016-11-18 CN CN201611028553.3A patent/CN106595628B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701820A (zh) * | 2009-11-02 | 2010-05-05 | 北京航空航天大学 | 基于小波方差的光纤陀螺随机误差特性提取方法 |
CN101839922A (zh) * | 2010-05-28 | 2010-09-22 | 哈尔滨工程大学 | 一种信号在线野值剔除的方法 |
CN101871780A (zh) * | 2010-05-28 | 2010-10-27 | 哈尔滨工程大学 | 微惯性器件信号的虚拟野值降噪方法 |
CN103674062A (zh) * | 2013-12-05 | 2014-03-26 | 广东电网公司电力科学研究院 | 基于Allan方差与ARMA模型分析提高陀螺仪测量精度的方法 |
CN103983997A (zh) * | 2014-05-09 | 2014-08-13 | 北京航空航天大学 | 一种抗gps失效的车载组合导航方法 |
CN104075713A (zh) * | 2014-05-09 | 2014-10-01 | 北京航空航天大学 | 一种惯性/天文组合导航方法 |
CN104536462A (zh) * | 2015-01-09 | 2015-04-22 | 西安应用光学研究所 | 基于光纤陀螺积分手段的位置控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106595628A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105651242B (zh) | 一种基于互补卡尔曼滤波算法计算融合姿态角度的方法 | |
CN110210087A (zh) | 一种基于粒子群算法的光束抖动模型参数实时辨识方法 | |
CN104283737B (zh) | 数据流的处理方法和装置 | |
CN107994885B (zh) | 一种同时估计未知输入和状态的分布式融合滤波方法 | |
CN109450405B (zh) | 一种应用于ad采集中的复合式软件滤波方法及*** | |
CN105844102A (zh) | 一种自适应无参空间离群点检测算法 | |
CN106595628B (zh) | 数字光纤陀螺信号的野值实时剔除方法 | |
US10049511B2 (en) | Method and device for detecting oscillatory failures in an automatic position control chain of an aircraft control surface | |
CN111006691A (zh) | 传感器校漂方法、装置、可读存储介质、电子设备及无人机 | |
CN108108335B (zh) | 一种野值剔除方法及装置 | |
WO2023005789A1 (zh) | 一种温度处理方法及装置 | |
CN107273659B (zh) | 一种基于ransac算法改进的用于空间碎片光电跟踪的轨迹预测方法 | |
CN109239702A (zh) | 一种基于目标状态集的机场低空飞鸟数量统计方法 | |
CN107422311B (zh) | 一种基于α-β滤波的抗距离拖引方法 | |
Fu et al. | Maneuvering target tracking with improved unbiased FIR filter | |
Annabattula et al. | Underwater passive target tracking in constrained environment | |
CN108680162A (zh) | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 | |
CN113064134B (zh) | 基于改进模糊神经网络滤波的激光雷达回波处理方法 | |
RU2461019C1 (ru) | Способ координатно-связного опознавания с применением статистической оценки разности пространственных координат | |
Chibani et al. | Multi-Objective H-/H∞ Fault Detection Filter Design For TS Fuzzy Systems With Finite Frequency Specifications | |
Guleva | The combination of topology and nodes’ states dynamics as an early-warning signal of critical transition in a banking network model | |
Sigalov et al. | State estimation in hybrid systems with a bounded number of mode transitions | |
Khan et al. | A Sub-optimal Kalman Filtering for Discrete-time LTI Systems with Loss of Data. | |
Chen et al. | Single-step-lag OOSM algorithm based on unscented transformation | |
Tao et al. | Research of meanshift tracking algorithm based on feature matching estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |