专利名称：基于前向线性预测的自适应小波神经网络去噪建模方法
技术领域：
本发明属于惯性技术领域中的信号处理，涉及一种光纤陀螺零漂信号处理方法， 特别涉及一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法-FLP-WNN算法，适用于各种光纤陀螺仪。
背景技术：
光纤陀螺(FOG)自1976年提出原理方案以来得到了极大的发展。光纤陀螺是以 Sagnac效应为基础发展起来的一种新型的全固态的陀螺仪，是一种无机械转动部件的惯性测量元件，但是因为其输出信号往往受到噪声的影响而造成漂移，影响陀螺的输出特性。因此，如何去除噪声，对漂移进行补偿，以提高信号的零漂性能，这是光纤陀螺信号处理方向中的一个很重要的课题。衡量光纤陀螺性能的一项重要指标是零偏稳定性，也成为零位漂移即零漂，它通常定义为一定平均时间(如IOs)下陀螺输出角速率的标准偏差(1 σ )。通常情况下，零漂由光纤陀螺静态输出中的漂移和噪声共同决定。其中噪声呈现为一种短期的随机变化，而漂移通常是指输出中的低频波动或趋势性变化。在光纤陀螺中，噪声和漂移是两个不同的概念，它们产生的机理和特性不同，对系统性能的影响也是不同的。在不考虑漂移因素的情况下，光纤陀螺输出的噪声特性含有一个称为“随机游走”的统计过程，其中每一个输出数据都由一个统计学上独立的时间构成，彼此是不相关的。随着测量时间的增加，这一随机游走支配的变量将会发生一个向真实测量值逐渐收敛的情况，这个平均值称为光纤陀螺的零偏。因此理论上，如果光纤陀螺信号中仅有白噪声，那么光纤陀螺的长期零偏稳定性必将随着平均时间和测试时间的增加而变�。淞闫狄步デ骱愣ㄎ慊蛭怀Ｖ怠Ｊ率瞪嫌捎诨肪橙哦凸庀送勇莶杏唷胺腔ヒ仔浴币鹌疲构庀送勇莸某て诹闫榷ㄐ韵薅ㄔ谀骋涣考痘蚰骋环段冢僭黾悠骄奔湟膊换岣纳屏闫榷ㄐ浴Ｕ庵钟捎诨肪橙哦凸庀送勇荨胺腔ヒ仔浴币鸬娜哦从沉送勇菔涑鲂藕诺某な奔浔浠莆捌啤�。因此对光纤陀螺信号进行处理，就必须消除噪声以及漂移，以提高光纤陀螺的精度。传统的消除光纤陀螺零漂的方法多为分步进行，即首先消除陀螺信号的噪声，然后再利用漂移模型进行补偿。在去噪方法中，主要有小波分析、FLP算法、LMS算法以及各种低通滤波器等；在漂移建模方法中，主要有神经网络建模、ARMA模型、卡尔曼滤波建模等方法。其中，小波变换、FLP算法以及神经网络建模均获得了良好的效果。但是由于处理方法的分步进行，使得信号处理速度较慢，去噪效果有限，建模精度也不够高。本发明将小波变换、FLP算法及神经网络建模融合在一起，得到了一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法，得到了良好的信号去噪效果，建立了高精度的漂移模型，有效的消除了零漂对光纤陀螺信号的影响。
发明内容
本发明的技术解决问题克服现有技术的不足，一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法-FLP-WNN算法，该方法将小波变换、FLP算法与神经网络算法的优点结合在一起，能有效的去除光纤陀螺信号中噪声，提高建模精度，且易于程序实现。本发明的技术解决方案一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法-FLP-WNN算法，主要包括以下四个步骤(1)利用小波变换对光纤陀螺零漂信号进行多尺度分解以db4小波作为小波基对光纤陀螺零漂信号进行多尺度分解，分解层数为n，得到各层的分解系数，包括近似系数和细节系数。(2)对分解得到的逼近系数和细节系数进行单支重构对分解后得到的逼近系数和细节系数进行单支重构，从而得到重构后的近似信号 an与细节信号di (i = 1，2，Λ，η)。重构小波基选为db4小波。(3)对重构后的逼近信号和细节信号逐层分别进行FLP去噪在步骤( 得到的单支重构的逼近信号与细节信号的基础上，利用FLP算法对近似信号与细节信号进行去噪处理，得到去噪后的信号a' (η)与d' ^ ζΙ^,Λ,η)。其中， FLP算法的阶数设为30，其步长选择遵循下面公式利=^[l-exp(-^；)] ,Ej = E[ en(n) | ]。 其中μ ^为不同频段下的步长，j = 1,2, Λ，6, 为第j频段内FLP绝对误差的均值。(4)对网络进行训练，以得到光纤陀螺零漂信号的模型以步骤(3)中得到的逐层去噪后的信号a' (η)与d' = 1,2, Λ , η)作为神经网络的输入样本，以下一时刻的光纤陀螺信号作为输出样本，对网络进行训练，训练完毕即得到光纤陀螺零漂信号的模型。其中输出样本为经基于前向线性预测(FLP)的自适应小波变换去噪后的当前时刻的陀螺信号本发明的原理是静止时，光纤陀螺的输出信号是一个随机函数，考虑到其平均值的长期漂移，它由白噪声和一个缓慢变化的函数组成，统称为零漂。在光纤陀螺的实际应用中，零漂是影响光纤陀螺精度的一个重要因素，因此必须对光纤陀螺的输出信号进行处理， 以消除零漂的影响。传统的光纤陀螺零漂处理方法多为分别针对噪声及漂移进行。首先针对光纤陀螺信号中的噪声，可利用小波变换、FLP算法、LMS算法及其他低通滤波器进行去噪处理；针对消除噪声后得到的漂移信号，一般采用建立数学模型的方法对实现对漂移信号的补偿，神经网络算法、ARMA模型及卡尔曼滤波算法等均得到了好、良好的应用。本发明把对噪声和漂移的处理融为一体，提出了一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法，首先利用小波变换对光纤陀螺信号进行多尺度分解， 并对分解后的各层系数进行单层重构，得到逼近信号Bn与细节信号dji = 1，2，Λ，η)。传统的小波变换去噪方法为利用阈值去噪对单层重构后的信号进行处理，在本发明中，为了提高去噪精度，将FLP算法引入进来代替阈值去噪，以对各层单层重构后的信号进行处理。 由于小波变换多尺度分解后能够有效的降低各频段内的自相关函数特征的分散度，因此将有效的提高FLP算法的去噪精度并提高去噪收敛速度，从而得到优于小波变化及FLP算法的去噪结果。由于当前时刻的陀螺漂移信号受前一时刻漂移信号的影响较大，因此传统的建模方法通常利用前一时刻的信号作为自变量进行前向一步预测，但由于自变量维度有限，往往难以得到高精度的模型。本发明利用神经网络对光纤陀螺漂移信号进行建模，并将其与小波变换、FLP算法融合在一起，以FLP算法处理过的当前时刻的各层逼近信号与细节信号作为神经网络的输入，以下一时刻的光纤陀螺信号作为输出对网络进行训练，提高了输入信号的维度，因此有效的提高了建模精度。本发明与现有技术相比的优点在于(1)小波变换能够实现信号的多尺度分解，从而得到了不同频段下的信号，有效的降低了各频段内的自相关函数特征的分散度，从而提高了 FLP算法的去噪精度和去噪过程的收敛速度。(2)由于FLP算法自身的优点，使得整个算法具有实时性、时间延迟小、初始过程短等特点。(3)通过小波系数单层重构，并分别对各层系数处理后进行建模，使得模型更加准确并且易于编程实现。(4)将去噪与建模相结合，有效的简化了光纤陀螺漂移信号的处理过程，提高了信号处理速度。
图1为FLP-WNN算法原理框图；图2为小波多尺度分解框图。
具体实施例方式本发明FLP-WNN的算法原理框图如图1所示，主要包括以下四个步骤(1)利用小波变换对光纤陀螺信号进行多尺度分解图2所示为小波变换对光纤陀螺信号进行多尺度分解的框图，其中S为原始信号， 分解层数为4，得到分解后的逼近信号A4与细节信号Di (i = 1，2，3，4)。其中，分解小波基选为db4小波。(2)对分解得到的逼近系数和细节系数进行单支重构对分解得到的逼近系数和细节系数进行单支重构，得到重构后的近似信号&与细节信号Cli (i = 1,2,3,4).其中，重构小波基选为db4小波。(3)对重构后的逼近信号和细节信号逐层分别进行FLP去噪FLP(前向线性预测)算法的实质是利用过去N个数据预测将来的采样值。其主要思路是把先前时刻输出的陀螺信号乘以相应的权重来预测当前时刻的陀螺信号。其最佳权重的获得需要一个迭代过程，在这个过程中，首先需要设定权重初始值为零，然后计算当前陀螺信号与预测值之间的差值，根据最小均方值理论最小化这个差值，并利用这个差值不断调整更新权重并最终获得一个稳定收敛的权重值。通过下式可以利用先前时刻的陀螺输出求得当前时刻陀螺信号 χ (η)的估计值
权利要求
1.一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于包括如下步骤(1)利用小波变换对光纤陀螺零漂信号进行多尺度分解利用小波变换对静态下的光纤陀螺零漂信号进行多尺度分解，分解层数为n，得到分解后各层的小波系数，包括近似系数与细节系数；(2)对分解得到的逼近系数和细节系数进行单支重构对分解得到的逼近系数和细节系数进行单支重构，得到重构后的近似信号％与细节信号屯(士 = 1，2，Λ，η)；(3)对重构后的逼近信号和细节信号逐层分别进行FLP去噪对步骤O)中进行单支重构后得到的逼近信号％与细节信号dji = 1,2, Λ,η)分别利用FLP算法进行去噪，得到去噪后的信号a(n)与d' , (i = 1,2, Λ , η)；(4)对网络进行训练，以得到光纤陀螺零漂信号的模型以步骤⑶中得到的逐层去噪后的信号a(n)与d' i(i = 1,2, Λ , η)作为神经网络的输入样本，以下一时刻的光纤陀螺信号作为输出样本，对网络进行训练，训练完毕即得到光纤陀螺零漂信号的模型。
2.根据根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(1)中利用小波变换对信号进行多尺度分解，其小波基选为 db4小波。
3.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤O)中对近似信号和细节信号进行单支重构，其小波基选为db4 小波。
4.根据权利要求1所述的一种基于前向线性预测(FLP)的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(3)中利用FLP算法进行去噪处理，其去噪过程是在信号的重构层进行的，即首先对小波多尺度分解后得到的逼近系数和细节系数进行单支重构，然后对单支重构后的信号进行FLP去噪处理。
5.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(3)中对多尺度分解得到的逼近信号与细节信号逐层分别进行 FLP去噪，其FLP滤波器预测阶数选为30。
6.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤(3)中对多尺度分解得到的逼近信号与细节信号逐层分别进行FLP去噪，其FLP滤波器中的步长选择遵循下面公式巧=々[l-eXp(-M,)]，Ej = E[|en(n) I]；其中μ』为不同频段下的步长，j = 1,2, Λ，n，&为第j频段内FLP绝对误差的均值。
7.根据权利要求1所述的一种基于前向线性预测的自适应小波神经网络去噪建模方法，其特征在于，所述步骤⑷中神经网络模型的输入节点为n+1个，输入样本为步骤⑶ 中的a(n)与d' Ji = 1，2，Λ，η)，输出节点为1个，输出样本为基于前向线性预测的自适应小波变换去噪后的当前时刻的光纤陀螺信号。
全文摘要
本发明涉及一种基于前向线性预测的自适应小波神经网络去噪建模方法，包括以下步骤(1)利用小波变换对当前时刻的光纤陀螺零漂信号进行多尺度分解；(2)对分解后的近似信号和细节信号进行单支重构，得到重构后的近似信号与细节信号；(3)对步骤(2)中的近似信号与细节信号逐层分别利用FLP方法进行去噪；(4)以步骤(3)中得到的逐层去噪后的信号与作为神经网络的输入，以下一时刻的光纤陀螺信号作为输出，对网络进行训练，训练完毕即完成了对光纤陀螺零漂信号的去噪及建模。本发明方法融去噪与建模为一体，有效的提高了光纤陀螺零漂信号的建模及补偿精度，且易于实现。
文档编号G01C19/72GK102289715SQ20111015302
公开日2011年12月21日 申请日期2011年6月8日 优先权日2011年6月8日
发明者申冲, 陈熙源 申请人:东南大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
