隨著微機電系統(tǒng)MEMS（Micro Electro Mechanical System）技術(shù)的發(fā)展，MEMS陀螺以其尺寸小、重量輕、成本低、功耗小等特點，在低成本慣性導航系統(tǒng)中獲得了越來越廣泛的應用。但受制造工藝及技術(shù)水平的限制，目前,MEMS陀螺精度相對傳統(tǒng)陀螺要低，其誤差成為慣性導航系統(tǒng)誤差的主要原因。MEMS陀螺誤差一般可分為刻度因子、確定性漂移、隨機漂移及隨機噪聲誤差[1]?？潭纫蜃诱`差和確定性漂移補償誤差可通過標定來實現(xiàn)[2]。因此，隨機噪聲和隨機漂移的處理成為MEMS陀螺數(shù)據(jù)處理的重點。
    小波閾值去噪[3]是目前最常用的MEMS陀螺去噪方法，其結(jié)合了時域分析和頻域分析的優(yōu)點，根據(jù)突變信號和噪聲信號經(jīng)過小波分解信號后的不同規(guī)律，可很好地實現(xiàn)信噪分離。但若小波分解層數(shù)選擇不恰當，會造成有用信號被濾除，信號特征被改變的問題。
    陀螺隨機漂移建模目前常用的方法是自回歸AR(Autoregressive)模型，其具有模型簡單、建模靈活的特點[4]。但其屬于線性模型，且要求所需建模的序列必須滿足平穩(wěn)性。而陀螺隨機漂移往往存在非線性和不平穩(wěn)性，采用線性建模會引入一定的誤差，且AR模型所要求的平穩(wěn)性一般很難真正滿足。函數(shù)系數(shù)自回歸FAR(Functional Coefficient Autoregressive)模型[5]是一種基于非參數(shù)、非線性的統(tǒng)計模型，其系數(shù)是依賴變量的函數(shù)。同AR相比，它在一個更大的模型族中尋找合適的模型，因此能有效減少因模型選擇不合適而引入的誤差，提高模型的精確性，且其屬于非線性模型，更適合用來進行陀螺的非線性漂移建模。
    此外，目前很多參考文獻只側(cè)重于對MEMS陀螺進行去噪處理或只對其進行隨機漂移建模，未能全面而有效地對MEMS陀螺輸出進行數(shù)據(jù)處理。
    針對目前MEMS陀螺數(shù)據(jù)處理中存在的問題，本文研究了小波閾值去噪和FAR建模相結(jié)合的MEMS陀螺數(shù)據(jù)處理方法，在小波閾值去噪中采用自適應算法進行小波分解層數(shù)的選取;而利用FAR模型對陀螺隨機漂移進行建模,并將其應用于實際數(shù)據(jù)處理中，驗證了該數(shù)據(jù)處理方法的有效性。
1 陀螺輸出數(shù)據(jù)小波閾值去噪
1.1小波閾值去噪的基本原理
　　小波閾值去噪以小波變換為基礎(chǔ)，結(jié)合了時、頻兩域分析的優(yōu)點,根據(jù)信號與噪聲在各尺度上的小波系數(shù)具有不同特性的特點，按照一定的閾值準則處理小波系數(shù)。小波閾值去噪包括分解過程、作用閾值和信號重建三個步驟[6]。
1.2 小波閾值去噪分解層數(shù)的選取
    小波閾值去噪中的關(guān)鍵問題包括閾值的確定、分解層數(shù)的選取以及小波基函數(shù)的選取，目前的研究主要集中在閾值的合理選取上,但分解層數(shù)在很大程度上也會影響小波去噪的效果。分解層數(shù)過多，運算量增大，同時會丟失有用信號；分解層數(shù)過少則去噪效果不理想。
    傳統(tǒng)分解層數(shù)的選取是根據(jù)信號的頻譜特征來進行的，需首先對信號進行頻譜分析。分解層數(shù)的選擇以去除比運動信號頻率高的部分為依據(jù),這在工程應用中是較為不便。因此,很多學者展開了對分解層數(shù)的自適應選取方法的研究。這里引用參考文獻[7]提出的基于奇異譜分析的分解層數(shù)自適應選取算法，其基本原理是利用了小波去噪最優(yōu)分解層數(shù)與小波系數(shù)序列的奇異譜斜率之間的對應關(guān)系，通過設(shè)定奇異譜斜率的閾值來選取最優(yōu)分解層數(shù)。奇異譜分析法的詳細介紹可見參考文獻[7-8]。
2 陀螺隨機漂移建模
2.1陀螺隨機漂移的AR建模
    AR模型屬于時間序列分析法中的一種線性模型，是利用相鄰時間序列之間的依賴性進行分析和建模的。建模前必須對時間序列進行統(tǒng)計處理，保證時間序列滿足平穩(wěn)、正態(tài)、零均值的條件。
    自回歸AR(p)模型的方程[4,8-10]為：


    模型識別后，需確定AR模型的階數(shù)。此處采用BIC準則來確定最佳階數(shù)。AR(p)模型的BIC準則函數(shù)為：

    根據(jù)上述方法可獲得系數(shù)函數(shù)在所有區(qū)間段上的局部線性近似。
    參數(shù)p、d、b、N的選取通過平均均方預測誤差APE來確定。APE的計算方法為：對長度為n的序列，給定正整數(shù)L和m，要求n>mL，并按圖1所示劃分序列進行建模和預測，分別計算每段的均方預測誤差，再對m個均方預測誤差求均值即為平均均方預測誤差(APE)[7]。定階的具體實現(xiàn)過程為：依次使N=1，…,Nmax;p=1,…,pmax;d=1,…,p;b=b0,…,1,分別計算相應的APE，令APE最小的N、p、d、b作為模型的最佳參數(shù)。

3 實驗結(jié)果與分析
    采用上述的數(shù)據(jù)處理方法對ADIS16355中陀螺輸出進行數(shù)據(jù)處理。以X軸陀螺為例，采集陀螺輸出數(shù)據(jù)，采樣間隔為0.02 s，采樣時間為20 min，數(shù)據(jù)總數(shù)為60 000。其中前3 200個數(shù)據(jù)為靜態(tài)數(shù)據(jù)，后56 800個數(shù)據(jù)為動態(tài)數(shù)據(jù)，如圖2所示。從圖2可看出，陀螺輸出中含有大量噪聲，主要包括高頻成分和低頻成分。其中，低頻成分表現(xiàn)為相關(guān)噪聲，即隨機漂移，可通過建模為一定的隨機過程加以補償。高頻成分表現(xiàn)為白噪聲特性,需通過一定的去噪方法加以濾除，以提高陀螺輸出的準確性。

    首先對其進行小波閾值去噪,在MATLAB環(huán)境下，選取db5小波，采用基于無偏似然估計的閾值準則(rigsure)和軟閾值法，并采用基于奇異譜分析的自適應算法進行最優(yōu)分解層數(shù)的確定，選取的分解層數(shù)為8層。小波閾值去噪后的MEMS陀螺輸出信號如圖3所示，與圖2比較可知，小波去噪后，信號中的噪聲得到了很大程度的抑制，信噪比大大提高，為隨機漂移的建模奠定了基礎(chǔ)。

    然后采用陀螺輸出的前3 200個靜態(tài)數(shù)據(jù)進行隨機漂移建模,小波去噪后減去靜態(tài)數(shù)據(jù)的均值，認為殘差即為陀螺的隨機漂移，如圖4所示。
    分別建立陀螺隨機漂移的AR模型及FAR模型。采用BIC準則及最小二乘參數(shù)估計法,得到的模型為AR(5)：

    根據(jù)平均均方預測誤差(APE)最終確定的陀螺隨機漂移的FAR模型的參數(shù)為：p=6,d=3,b=0.10,N=5。圖5為所估計的FAR的系數(shù)函數(shù)曲線，橫軸為依賴變量u,縱軸為FAR系數(shù)函數(shù)值。

    針對上述兩種陀螺隨機漂移建模方法，分別從擬合精度及預測精度兩方面進行比較。擬合精度用均方根誤差來衡量，結(jié)果如表1所示。

    由表1可知：FAR(6,3)擬合誤差與AR(5)擬合誤差位于同一個數(shù)量級，但FAR(6,3)的擬合精度要略高于AR(5)。
    為直觀判斷兩種模型的預測效果，預測精度用均方根相對誤差來衡量，其定義為：
  
    兩種模型預測均方根相對誤差隨預測步數(shù)增加的變化情況如表2所示。

    由表2可知，隨著預測步數(shù)的增加，兩種模型的預測誤差均逐漸增大。當預測步數(shù)小于125時，F(xiàn)AR(6,3)模型的預測均方根相對誤差比AR(5)模型平均減小50 %以上；當預測步數(shù)大于150時，F(xiàn)AR(6,3)模型的預測均方根相對誤差比AR(5)模型平均減小15%左右。
    通過以上兩方面的比較可得：FAR(6,3)模型的擬合精度略高于AR(5),而其預測精度要遠遠高于AR(5)模型的預測精度，因此，陀螺隨機漂移采用FAR(6,3)進行建模更為合適。
    本文針對MEMS陀螺輸出中存在大量隨機噪聲和隨機漂移的問題，研究了采用小波閾值去噪濾除隨機噪聲并利用FAR模型進行隨機漂移建模的MEMS陀螺數(shù)據(jù)處理方法。實驗結(jié)果表明，該數(shù)據(jù)處理方法可有效去除陀螺輸出噪聲，且FAR模型的引入可有效解決MEMS陀螺隨機漂移的非線性問題，比AR模型能更精確地反映及預測隨機漂移，為隨機漂移的實時補償?shù)於ɑA(chǔ)。因此，在組合導航系統(tǒng)中,可采用本文的數(shù)據(jù)處理方法對MEMS陀螺輸出進行處理，提高信噪比，實現(xiàn)陀螺隨機漂移補償，從而提高導航系統(tǒng)的定位精度。
參考文獻
[1] PARK M. Error analysis and stochastic modeling of  MEMS-based inertial sensors for land vehicle navigation  applications[D].Canada: CALARY,2004:31-83.
[2] MOHAMMED E D, PAGIATAKI S. Calibration and stochastic modelling of inertial navigation sensor errors[J]. Journal of Global Po-sitioning Systems, 2008,7(2):170-182.
[3] 宋麗君,秦永元,楊鵬翔.小波閾值去噪法在MEMS陀螺儀信號降噪中的應用[J]. 測試技術(shù)學報, 2009，23(1):33-36.
[4] NASSAR S. Improving the inertial navigation system (INS) error model for INS and INS-DGPS applications[D].CALGARY,2003:32-82.
[5] 呂永樂. 機載設(shè)備工作性能預測建模方法及其應用[D].北京：北京航空航天大學,2009:60-63.
[6] 高志，余海嘯. Matlab小波分析與應用[M]. 北京:國防工業(yè)出版社,2007:104-114.
[7] CAI Tie, WU Xing. Wavelet-based denoising of speech using adaptive decomposition[C]. Industrial Technology,2008 IEEE International Conference on 21-24 April  2008:1-5.
[8] 蔡鐵，朱杰. 小波閾值降噪算法中最優(yōu)分解層數(shù)的自適應選擇[J]. 控制與決策,2006，21(2):217-220.
[9] 吳懷宇.時間序列分析與綜合[M].武漢：武漢大學出版社，2004:76-94.
[10] NOURELDIN A, EBERTS M D.Perrformance enhancement of MEMS Based INS-GPS integration for low cost navigation Applications[J].IEEE Transactions on Vehicular Technology, V-L.2009,58(3).
[11] 武志輝，惠軍.函數(shù)系數(shù)自回歸模型推廣形式的Back-Fitting估計[J].合肥工業(yè)大學學報，2008，31(6)：985-991.
[12] 惠軍，武志輝，繆柏其.改進的函數(shù)系數(shù)自回歸建模方法對上海股市實證分析[J]. 運籌與管理，2007，16(4)：107-110.