CN108050997A - 一种基于容积卡尔曼的光纤陀螺滤波方法 - Google Patents
一种基于容积卡尔曼的光纤陀螺滤波方法 Download PDFInfo
- Publication number
- CN108050997A CN108050997A CN201711192035.XA CN201711192035A CN108050997A CN 108050997 A CN108050997 A CN 108050997A CN 201711192035 A CN201711192035 A CN 201711192035A CN 108050997 A CN108050997 A CN 108050997A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mover
- moment
- msubsup
- 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.)
- Granted
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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0016—Non linear filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H21/0029—Particular filtering methods based on statistics
- H03H21/003—KALMAN filters
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)
- Nonlinear Science (AREA)
- Probability & Statistics with Applications (AREA)
- Gyroscopes (AREA)
Abstract
本发明涉及一种基于容积卡尔曼的光纤陀螺滤波方法。本发明将容积卡尔曼滤波技术应用于光纤陀螺的输出数据处理中，通过采用三阶球面‑相径容积原则，在滤波过程中通过对状态向量进行采样，并赋予相同权值，经过非线性函数的传递后，计算后验均值和协方差，以高阶多项式的方式逼近其状态估计。经滤波后，可有效抑制光纤陀螺中诸如随机误差等不确定噪声。此方法简单易行，并且精度高，在光纤陀螺数据处理方面可有效提升陀螺的精度，提高光纤陀螺在空间环境中的性能。
Description
技术领域
本发明涉及一种基于容积卡尔曼的光纤陀螺滤波方法，通过进行容积滤波，有效抑制了光纤陀螺输出数据中的随机误差等不确定性噪声，提升了光纤陀螺的性能，在干涉式光纤陀螺中有着重要的应用。
背景技术
光纤陀螺的精度制约着导航***的导航精度，其中包括刻度因数、安装误差等确定性误差可通过标校进行补偿。因此，随机误差等不确定噪声成为影响陀螺输出精度的主要因素。目前，对随机噪声抑制方法的研究主要是通过建立相应的模型并结合卡尔曼滤波技术进行估计。常用的滤波方法有：卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、和粒子滤波(PF)等。
其中，卡尔曼滤波(KF)作为一种线性滤波方法，对***模型为线性的***具有良好的滤波效果。然而，现有的大多数***往往具有非线性，在进行滤波方法设计时往往需要将其线性化，如：扩展卡尔曼滤波(EKF)通过对***模型进行泰勒技术展开来逼近***的模、粒子滤波(PF)通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，存在计算量大的，且不适合于非线性较强的工程应用领域。
在光纤陀螺中，陀螺仪器的输出模型实际上为一非线性***，在小角速率下可近似为线性，而当角速率较大时线性模型并不适合。基于非线性模型线性化的滤波方法虽然在一定程度上能够通过滤波提升性能，但当陀螺工作于非线性区域时，滤波性能会大幅降低。
发明内容
本发明解决的技术问题是：克服现有技术的不足之处，提供一种基于容积卡尔曼滤波的光纤陀螺滤波方法；该方法使用三阶球面-相径容积原则，滤波过程中通过对状态向量进行采样，并赋予相同权值，经过非线性函数的传递后，计算后验均值和协方差，以高阶多项式的方式逼近其状态估计，通过仿真计算，提高了陀螺的精度。
本发明提出基于容积卡尔曼滤波(CKF)的方法，该滤波方法作为一种新型的非线性滤波方法，在进行模型搭建时不需要对模型进行处理，这将降低由于线性化带来的性能降低问题。容积卡尔曼滤波的基于三阶球面-相径容积原则，滤波过程中通过对状态向量进行采样，并赋予相同权值，经过非线性函数的传递后，计算后验均值和协方差，以高阶多项式的方式逼近其状态估计。本发明的方法将容积卡尔曼滤波技术应用于光纤陀螺的输出数据处理中，通过采用三阶球面-相径容积原则，在滤波过程中通过对状态向量进行采样，并赋予相同权值，经过非线性函数的传递后，计算后验均值和协方差，以高阶多项式的方式逼近其状态估计。
本发明的技术方案是：
一种基于容积卡尔曼的光纤陀螺滤波方法，该方法的步骤包括：
(1)假设光纤陀螺的输出状态方程：
xk＝Asin(xk-1)+vk-1 (1)
其中，xk为时刻k的光纤陀螺的状态值，A为光纤陀螺的比例因子，xk-1为k-1时刻光纤陀螺的输入角速率，vk-1为k-1时刻光纤陀螺的噪声，vk-1服从于vk-1～N(0,Qk-1)，Qk-1为k-1时刻的方差；
(2)假设在k时刻，xk-1的后验概率密度是已知的，对Pk-1|k-1做矩阵的平方根分解：
其中，Sk-1|k-1和为k-1时刻Pk-1|k-1的平方根分解，T代表转置；
(3)计算k-1时刻的容积点集xj,k-1|k-1为：
其中，为k-1时刻的预测值，j＝1,2...,2n，[1]j表示基本容积点，n为xk的维数；
(4)根据光纤陀螺的输出状态方程计算k时刻的容积点
(5)k时刻的状态值的一步预测值为：
(6)误差协方差一步预测值Pk|k-1为：
(7)建立光纤陀螺输出的量测方程为：
zk＝xk+nk (7)
其中，nk为k时刻的量测噪声，且nk～N(0,Rk)，Rk为k时刻的方差；
(8)对k时刻的步骤(6)得到的误差协方差一步预测值Pk|k-1进行平方根分解为：
Pk|k-1＝Sk|k-1ST k|k-1 (8)
其中，Sk|k-1和为k时刻Pk|k-1的平方根分解，T代表转置；
(9)根据光纤陀螺的输出量测方程计算k时刻的容积点xj,k|k-1为：
j＝1,2...,2n，[1]j表示基本容积点，n为xk的维数；
(10)计算经过光纤陀螺的输出量测方程传递后k时刻的容积点Zj,k|k-1：
Zj,k|k-1＝xj,k|k-1+nk (10)
(11)k时刻的量测值zk的一步预测值
(12)k时刻的估计量测值的协方差矩阵Pzz,k|k-1为：
(13)k时刻的估计交叉协方差矩阵的一步预测值Pxz,k|k-1为：
(14)k时刻的估计卡尔曼增益矩阵Wk为：
(15)k时刻的估计状态值为：
(16)通过步骤(1)-(15)得到了k时刻的估计状态值，采用相同的方法计算不同时刻的估计状态值，得到一组估计状态值，并计算得到的一组估计状态值的方差，得到的方差用于判断光纤陀螺的滤波效果。
本发明与现有技术相比的有益效果是：
在光纤陀螺数据处理中，通常采用滑动求平均的方式，而在***级测试中，通过采用卡尔曼滤波等线性滤波方法结合其他惯导进行组合滤波。其中，滑动求平均的方式简单，滤波效果较差，***级滤波需结合其他方式进行，且往往为线性滤波。而完全线性的***并不存在，本发明提出的一种非线性滤波方法，通过容积滤波的思想应用于光纤陀螺的数据处理中，可有效提升陀螺的精度。本发明提供一种基于容积卡尔曼的光纤陀螺滤波方法，主要是为了解决现有光纤陀螺数据处理过程中由于模型非线性导致的不确定误差较大的问题，提升产品的精度。本发明将容积卡尔曼滤波技术应用于光纤陀螺的输出数据处理中，通过采用三阶球面-相径容积原则，在滤波过程中通过对状态向量进行采样，并赋予相同权值，经过非线性函数的传递后，计算后验均值和协方差，以高阶多项式的方式逼近其状态估计。经滤波后，可有效抑制光纤陀螺中诸如随机误差等不确定噪声。此方法简单易行，并且精度高，在光纤陀螺数据处理方面可有效提升陀螺的精度，提高光纤陀螺在空间环境中的性能。
附图说明
图1是本发明方法的实施示意图。
具体实施方式
如图1所示，一种基于容积卡尔曼的光纤陀螺滤波方法，该方法包括时间更新和量测更新两部分内容，主要包括下列步骤：
步骤1、给定初始条件：根据***实际情况，给出滤波算法迭代的初始条件；
步骤2、时间更新：根据***模型和初始条件，计算预测状态向量和预测协方差，并对容积点进行预测；
步骤3、量测更新：更新状态向量和对应的协方差，以及滤波增益，并对量测值、量测误差协方差和互协方差进行预测；
步骤4、迭代更新：经1～3的迭代更新，得到滤波后的数据。
步骤5、对经过非线性滤波模型后的数据进行相应的处理，可用于光纤陀螺的数据处理。
下面结合附图和实施例对本发明作进一步说明。
实施例
本发明的具体实施方式如下：
一种基于容积卡尔曼的光纤陀螺滤波方法，该方法的步骤包括：
(a)实际测试一组光纤陀螺输出原始数据，定义为data，经计算，data的方差为0.006214，其中data为一列向量；
(b)根据光纤陀螺输出的状态方程确定初始值，分别取n＝1,A＝10,Qk＝Q＝0.0001，Rk＝R＝0.0001；
(c)根据(a)和(b)的初始条件，结合公式(1)～(17)，对本发明中的滤波方法进行了仿真分析，得到滤波后的数据位data_CKF，并对data_CKF计算方差，计算值为0.004751，优于滤波前的0.006214。据此判断，本发明提出的滤波方法能够有效降低陀螺输出的方差，从而实现随机噪声的滤波。
本发明未详细说明部分属本领域技术人员公知常识。
Claims (2)
1.一种基于容积卡尔曼的光纤陀螺滤波方法，其特征在于该方法的步骤包括：
(1)假设光纤陀螺的输出状态方程为：
xk＝Asin(xk-1)+vk-1 (1)
其中，xk为时刻k的光纤陀螺的状态值，A为光纤陀螺的比例因子，xk-1为k-1时刻光纤陀螺的输入角速率，vk-1为k-1时刻光纤陀螺的噪声，vk-1服从于vk-1～N(0,Qk-1)，Qk-1为k-1时刻的方差；
(2)假设在k时刻，xk-1的后验概率密度是已知的，对Pk-1|k-1做矩阵的平方根分解：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>S</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Sk-1|k-1和为k-1时刻Pk-1|k-1的平方根分解，T代表转置；
(3)计算k-1时刻的容积点集xj,k-1|k-1为：
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&xi;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，为k-1时刻的预测值，[1]j表示基本容积点，n为xk的维数；
(4)根据光纤陀螺的输出状态方程计算k时刻的容积点
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mi>A</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
(5)k时刻的状态值的一步预测值为：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
(6)误差协方差一步预测值Pk|k-1为：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>*</mo>
</msubsup>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>*</mo>
<mi>T</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
(7)建立光纤陀螺输出的量测方程为：
zk＝xk+nk (7)
其中，nk为k时刻的量测噪声，且nk～N(0,Rk)，Rk为k时刻的方差；
(8)对k时刻的步骤(6)得到的误差协方差一步预测值Pk|k-1进行平方根分解为：
Pk|k-1＝Sk|k-1ST k|k-1 (8)
其中，Sk|k-1和为k时刻Pk|k-1的平方根分解，T代表转置；
(9)根据光纤陀螺的输出量测方程计算k时刻的容积点xj,k|k-1为：
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&xi;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
[1]j表示基本容积点，n为xk的维数；
(10)计算经过光纤陀螺的输出量测方程传递后k时刻的容积点Zj,k|k-1：
Zj,k|k-1＝xj,k|k-1+nk (10)
(11)k时刻的量测值zk的一步预测值
<mrow>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</munderover>
<msub>
<mi>Z</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
(12)k时刻的估计量测值的协方差矩阵Pzz,k|k-1为：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>z</mi>
<mi>z</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</munderover>
<msub>
<mi>Z</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>Z</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
(13)k时刻的估计交叉协方差矩阵的一步预测值Pxz,k|k-1为：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>x</mi>
<mi>z</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>Z</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
(14)k时刻的估计卡尔曼增益矩阵Wk为：
<mrow>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>x</mi>
<mi>z</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>P</mi>
<mrow>
<mi>z</mi>
<mi>z</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
(15)k时刻的估计状态值为：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的一种基于容积卡尔曼的光纤陀螺滤波方法，其特征在于：通过步骤(1)-(15)得到了k时刻的估计状态值，采用相同的方法计算不同时刻的估计状态值，得到一组估计状态值，并计算得到的一组估计状态值的方差，得到的方差用于判断光纤陀螺的滤波效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711192035.XA CN108050997B (zh) | 2017-11-24 | 2017-11-24 | 一种基于容积卡尔曼的光纤陀螺滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711192035.XA CN108050997B (zh) | 2017-11-24 | 2017-11-24 | 一种基于容积卡尔曼的光纤陀螺滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108050997A true CN108050997A (zh) | 2018-05-18 |
| CN108050997B CN108050997B (zh) | 2021-06-11 |
Family
ID=62120745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711192035.XA Active CN108050997B (zh) | 2017-11-24 | 2017-11-24 | 一种基于容积卡尔曼的光纤陀螺滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108050997B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577478A (zh) * | 2020-11-11 | 2021-03-30 | 北京信息科技大学 | 微机电***陀螺随机噪声的处理方法及处理装置 |
| CN114519373A (zh) * | 2022-02-10 | 2022-05-20 | 中国科学院上海技术物理研究所 | 一种采用红外长波焦平面探测器的干涉信号去噪方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103591965A (zh) * | 2013-09-12 | 2014-02-19 | 哈尔滨工程大学 | 一种舰载旋转式捷联惯导***在线标定的方法 |
-
2017
- 2017-11-24 CN CN201711192035.XA patent/CN108050997B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103591965A (zh) * | 2013-09-12 | 2014-02-19 | 哈尔滨工程大学 | 一种舰载旋转式捷联惯导***在线标定的方法 |
Non-Patent Citations (2)
| Title |
|---|
| IENKARAN ARASARATNAM等: "Cubature Kalman Filters", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
| 孙枫，唐立军: "基于CKF的SINS大失准角初始对准", 《仪器仪表学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577478A (zh) * | 2020-11-11 | 2021-03-30 | 北京信息科技大学 | 微机电***陀螺随机噪声的处理方法及处理装置 |
| CN114519373A (zh) * | 2022-02-10 | 2022-05-20 | 中国科学院上海技术物理研究所 | 一种采用红外长波焦平面探测器的干涉信号去噪方法 |
| CN114519373B (zh) * | 2022-02-10 | 2024-05-10 | 中国科学院上海技术物理研究所 | 一种采用红外长波焦平面探测器的干涉信号去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108050997B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108225337B (zh) | 基于sr-ukf滤波的星敏感器和陀螺组合定姿方法 | |
| Chen | Local observability and its application to multiple measurement estimation | |
| CN102620729B (zh) | 一种机抖激光陀螺惯性测量单元数字滤波器设计方法 | |
| CN105352487A (zh) | 一种姿态测量***的精度校准方法 | |
| CN109283562B (zh) | 一种车联网中车辆三维定位方法及装置 | |
| CN106959471B (zh) | 基于非线性航磁总场梯度补偿模型的航磁补偿方法 | |
| CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
| CN114910661B (zh) | 海面风速的反演方法、装置、介质和计算设备 | |
| CN111896029A (zh) | 一种基于组合算法的mems陀螺随机误差补偿方法 | |
| CN103776449A (zh) | 一种提高鲁棒性的动基座初始对准方法 | |
| CN109931952A (zh) | 未知纬度条件下捷联惯导直接解析式粗对准方法 | |
| CN106705995A (zh) | 一种MEMS陀螺仪g值敏感系数的标定方法 | |
| CN111089576A (zh) | 光纤陀螺实际输出值确定方法、光纤陀螺阀值测试方法 | |
| CN108050997A (zh) | 一种基于容积卡尔曼的光纤陀螺滤波方法 | |
| CN110989341B (zh) | 一种约束辅助粒子滤波方法及目标跟踪方法 | |
| CN103123487B (zh) | 一种航天器姿态确定方法 | |
| US6219616B1 (en) | Method and apparatus for obtaining attitude updates in a strapdown inertial navigation system | |
| Lv et al. | Allan variance method for gyro noise analysis using weighted least square algorithm | |
| CN103793614B (zh) | 一种突变滤波方法 | |
| CN112632454A (zh) | 一种基于自适应卡尔曼滤波算法的mems陀螺滤波方法 | |
| Wu et al. | Improved adaptive iterated extended Kalman filter for GNSS/INS/UWB-integrated fixed-point positioning | |
| CN109581494B (zh) | 叠前偏移方法及装置 | |
| Wang et al. | An adaptive federated filter based on variational Bayes with application to multisource navigation | |
| CN103616027B (zh) | 一种基于改进msd的重力匹配方法 | |
| Yang et al. | A super-high-accuracy attitude measurement method of SINS based on PWQHN algorithm in the high-dynamic maneuver environment |
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 |