基于经验模分解的陀螺信号去噪.docx

基于经验模分解的陀螺信号去噪
摘要
随着科技的不断发展，陀螺在导航、惯性导航、飞行器等方面都有广泛的应用，但是陀螺信号中存在着很多噪声，这会影响到相关应用的精度和稳定性。因此，对陀螺信号进行去噪处理具有非常重要的意义。本文提出了一种基于经验模分解的陀螺信号去噪方法，通过对陀螺信号进行分解和滤波，去除高频噪声，实现了较好的去噪效果。
关键词：经验模分解；陀螺信号；去噪
Abstract
Withthecontinuousdevelopmentoftechnology,gyroscopehasbeenwidelyusedinnavigation,inertialnavigation,aircraftandotherfields.However,therearemanynoisesingyroscopesignal,whichwillaffecttheaccuracyandstabilityofrelatedapplications.Therefore,itisofgreatsignificancetodenoisegyroscopesignal.Thispaperproposesadenoisingmethodofgyroscopesignalbasedonempiricalmodedecomposition.Bydecomposingandfilteringgyroscopesignal,thehigh-frequencynoiseisremoved,andgooddenoisingeffectisachieved.
Keywords:empiricalmodedecomposition;gyroscopesignal;denoise
1.引言
陀螺是一种用来测量角速度和角位移的仪器，其应用范围十分广泛。它在导航、惯性导航、飞行器等领域中都有重要的作用。但是，陀螺信号中存在着很多噪声，这些噪声会影响到相关应用的精度和稳定性，因此，去除陀螺信号中的噪声具有非常重要的意义。
目前，常用的去噪方法包括小波变换、最小二乘滤波、Kalman滤波等。这些方法虽然能够有效地去除噪声，但是它们都需要对信号进行预处理，而且通常只能对特定类型的信号进行去噪。因此，需要一种能够适用于各种类型的陀螺信号的去噪方法。
本文提出了一种基于经验模分解（EMD）的陀螺信号去噪方法。该方法对陀螺信号进行分解，并对每个分量进行滤波，通过去除高频噪声来实现去噪。
2.经验模分解
经验模分解是一种数据分解方法，它可以将非线性和非平稳信号分解为若干个本征模态函数（EMD）。每个EMD都是不同频率的振动，通过对这些振动进行组合可以得到原始信号。EMD分解的过程如下：
（1）将原始信号分解为较小的时间尺度，通常采用局部极大值与局部极小值（spline）的方法。分解之后得到的是一些极值点。
（2）对于每个极值点，通过将极值点之间的数据拟合成一个包络线，这个包络线可以视为作为一个EMD的一部分。将原始信号减去包络线，即可得到一个IMF（intrinsicmodefunction），它代表了一个本征模态函数，其振幅和频率随着时间的变化而变化。重复这个过程直到IMF的数量满足要求。
（3）最后，将所有的IMF组合起来，再加上剩余的项（即原始信号与最后一个IMF的差值），即可得到原始信号。
EMD的优点在于它不需要预设任何信号模型和基函数，同时也不修改信号的任何属性，因此可以广泛适用于各种类型的信号。
3.基于EMD的陀螺信号去噪方法
本文所提出的陀螺信号去噪方法基于EMD，其流程如下：
（1）使用EMD对原始信号进行分解。通常，使用四到六个IMF可以得到比较好的结果。
（2）针对每个IMF，计算其带宽分布，通过计算其带宽分布图和能量密度图建立一个滤波窗口。
（3）对于一些噪声强度很强的IMF，需要进一步进行降噪。对这些IMF进行小波变换，挑选噪声强度最大的几个频带，通过滤波将其去除。
（4）最后，将所有的IMF加回到一起，即可得到去噪后的信号。
其中，第二步中的带宽分布计算方法如下所示：
（1）计算每个IMF的Hilbert变换。
（2）计算Hilbert变换的幅度谱。
（3）将幅度谱按频率分为20个频段，计算每个频段的平均值。
（4）将平均幅度谱除以其总能量，即得到带宽分布。
具体滤波方法可以根据实验需要进行调整，通常采用小波阈值滤波或降噪幅值分割方法。
4.实验结果与分析
本文对一个采集自手机上的陀螺信号进行了去噪实验。原始信号如图1所示：
图1原始信号
通过对该信号进行EMD分解，得到了如图2所示的结果：
图2EMD分解结果
可以看出，该信号经过EMD分解后，得到了六个IMF