本发明涉及惯性传感器信号去噪方法，具体是一种基于参数可调非线性跟踪微分器的信号去噪方法。本发明解决了现有惯性传感器信号去噪方法去噪性能较差的问题。一种基于参数可调非线性跟踪微分器的信号去噪方法，该方法是采用如下步骤实现的：步骤1：将真实的惯性传感器信号X(t)分解到不同频域内；步骤2：计算出x1(t)、x2(t)、…、xn(t)的熵值；步骤3：利用非线性跟踪微分器对xn(t)进行多次跟踪，通过观察跟踪曲线得到δ值的最大值N；步骤4：根据熵值E1、E2、…、En的比例关系确定不同熵值所对应的δ值；步骤5：分别对x1(t)、x2(t)、…、xn(t)进行去噪；步骤6：对y1(t)、y2(t)、…、yn(t)进行信号重构。本发明适用于惯性导航系统。
1.一种基于参数可调非线性跟踪微分器的信号去噪方法，其特征在于：该方法是采用如下步骤实现的：步骤1：利用信号频域分解方法，将真实的惯性传感器信号X(t)分解到不同频域内，分别记为x1(t)、x2(t)、...、xn(t)；
步骤2：计算出x1(t)、x2(t)、...、xn(t)的熵值，分别记为E1、E2、...、En；
步骤3：调节非线性跟踪微分器的δ值，利用非线性跟踪微分器对xn(t)进行多次跟踪，通过观察跟踪曲线得到δ值的最大值N；
步骤4：以N为δ值的基准值，根据熵值E1、E2、...、En的比例关系确定不同熵值所对应的δ值，分别记为δ1、δ2、...、δn；
确定不同熵值所对应的δ值的具体步骤如下：首先直接对δn进行赋值，δn=N；然后确定熵值En所对应的δ值为δn，即N；随后求取熵值E1、E2、...、En的倒数得到1/E1、1/E2、...、1/En，则E（i i=1,2,...,n-1）所对应的δ（i i=1,2,...,n-1）值可利用公式 求得；
步骤5：基于δ1、δ2、...、δn构建n个不同的非线性跟踪微分器，分别对x1(t)、x2(t)、...、xn(t)进行去噪，得到y1(t)、y2(t)、...、yn(t)；
步骤6：对y1(t)、y2(t)、...、yn(t)进行信号重构，得到去噪后的惯性传感器信号Y(t)。
2.根据权利要求1所述的一种基于参数可调非线性跟踪微分器的信号去噪方法，其特征在于：所述步骤1中，信号频域分解方法采用小波多尺度分解方法或者经验模态分解方法或者局部均值分解方法。
3.根据权利要求1所述的一种基于参数可调非线性跟踪微分器的信号去噪方法，其特征在于：所述步骤2中，采用样本熵方法来计算出x1(t)、x2(t)、...、xn(t)的熵值。
4.根据权利要求1所述的一种基于参数可调非线性跟踪微分器的信号去噪方法，其特征在于：所述步骤3中，得到δ值的最大值N的具体步骤如下：对跟踪曲线与xn(t)求差值，当差值的均值小于10-5时，选取此时的δn值作为δ值的最大值N。
一种基于参数可调非线性跟踪微分器的信号去噪方法
技术领域
[0001] 本发明涉及惯性传感器信号去噪方法，具体是一种基于参数可调非线性跟踪微分器的信号去噪方法。
背景技术
[0002] 惯性导航系统是一种依靠惯性传感器解算载体导航信息的完全自主的导航系统，该系统无需任何外界信息，也不会向外辐射能量，因此被广泛应用于航天、航空、航海等领域。惯性传感器是惯性导航系统的关键部件，惯性传感器的测量精度直接决定着整个惯性导航系统的性能，所以如何提高惯性传感器的测量精度一直是惯性导航领域的研究重点。由于惯性传感器易受温度、振动、电磁干扰等外界因素的影响，导致惯性传感器信号中存在大量噪声，这些噪声会对导航信息的解算带来误差，降低惯性导航系统的性能，因此有必要对惯性传感器信号进行去噪。
[0003] 当前对惯性传感器信号进行去噪主要采用两种方法：（1）建立惯性传感器噪声模型，使用Kalman滤波等方法进行最优估计补偿；（2）直接对惯性传感器信号进行去噪，常用的方法包括低通滤波器、自适应滤波器、小波去噪等。由于准确地建立惯性传感器噪声模型难以实现，因此直接对惯性传感器信号进行去噪是目前主流的惯性传感器信号去噪方法。
[0004] 然而实践表明，低通滤波器、自适应滤波器、小波去噪等对高频噪声较为敏感，因此其去噪性能较差。基于此，有必要发明一种全新的惯性传感器信号去噪方法，以解决现有惯性传感器信号去噪方法去噪性能较差的问题。
发明内容
[0005] 本发明为了解决现有惯性传感器信号去噪方法去噪性能较差的问题，提供了一种基于参数可调非线性跟踪微分器的信号去噪方法。
[0006] 本发明是采用如下技术方案实现的：
[0007] 一种基于参数可调非线性跟踪微分器的信号去噪方法，该方法是采用如下步骤实现的：
[0008] 步骤1：利用信号频域分解方法，将真实的惯性传感器信号X(t)分解到不同频域内，分别记为x1(t)、x2(t)、...、xn(t)；
[0009] 步骤2：计算出x1(t)、x2(t)、...、xn(t)的熵值，分别记为E1、E2、...、En；
[0010] 步骤3：调节非线性跟踪微分器的δ值，利用非线性跟踪微分器对xn(t)进行多次跟踪，通过观察跟踪曲线得到δ值的最大值N；
[0011] 步骤4：以N为δ值的基准值，根据熵值E1、E2、...、En的比例关系确定不同熵值所对应的δ值，分别记为δ1、δ2、...、δn；
[0012] 步骤5：基于δ1、δ2、...、δn构建n个不同的非线性跟踪微分器，分别对x1(t)、x2(t)、...、xn(t)进行去噪，得到y1(t)、y2(t)、...、yn(t)；
[0013] 步骤6：对y1(t)、y2(t)、...、yn(t)进行信号重构，得到去噪后的惯性传感器信号Y(t)。
[0014] 与现有惯性传感器信号去噪方法相比，本发明所述的一种基于参数可调非线性跟踪微分器的信号去噪方法具有如下优点：一、本发明将非线性跟踪微分器引入到惯性传感器信号去噪中，由于非线性跟踪微分器对任何高频噪声都不敏感，因此其去噪性能更好。二、本发明将频域分解引入到非线性跟踪微分器中，利用非线性跟踪微分器对频域分解得到的不同频域内的信号进行去噪，并且不同频域内的信号所使用的非线性跟踪微分器的参数δ值可调节，提高了参数δ值选取的准确性。三、本发明通过计算频域分解得到的不同频域内的信号的熵值，通过计算不同熵值的比例来调节不同频域内的信号所使用的非线性跟踪微分器的参数δ值，提高了参数δ值选取的自适应能力。
[0015] 本发明有效解决了现有惯性传感器信号去噪方法去噪性能较差的问题，适用于惯性导航系统。
附图说明
[0016] 图1是本发明的流程示意图。
[0017] 图2是本发明的步骤1中真实的惯性传感器信号X(t)的示意图。
[0018] 图3是本发明的步骤1中x1(t)、x2(t)、...、xn(t)的示意图（n=9）。
[0019] 图4是本发明的步骤5中y1(t)、y2(t)、...、yn(t)的示意图（n=9）。
[0020] 图5是本发明的步骤6中去噪后的惯性传感器信号Y(t)的示意图（n=9）。
具体实施方式
[0021] 一种基于参数可调非线性跟踪微分器的信号去噪方法，该方法是采用如下步骤实现的：
[0022] 步骤1：利用信号频域分解方法，将真实的惯性传感器信号X(t)分解到不同频域内，分别记为x1(t)、x2(t)、...、xn(t)；
[0023] 步骤2：计算出x1(t)、x2(t)、...、xn(t)的熵值，分别记为E1、E2、...、En；
[0024] 步骤3：调节非线性跟踪微分器的δ值，利用非线性跟踪微分器对xn(t)进行多次跟踪，通过观察跟踪曲线得到δ值的最大值N；
[0025] 步骤4：以N为δ值的基准值，根据熵值E1、E2、...、En的比例关系确定不同熵值所对应的δ值，分别记为δ1、δ2、...、δn；
[0026] 步骤5：基于δ1、δ2、...、δn构建n个不同的非线性跟踪微分器，分别对x1(t)、x2(t)、...、xn(t)进行去噪，得到y1(t)、y2(t)、...、yn(t)；
[0027] 步骤6：对y1(t)、y2(t)、...、yn(t)进行信号重构，得到去噪后的惯性传感器信号Y(t)。
[0028] 所述步骤1中，信号频域分解方法采用小波多尺度分解方法或者经验模态分解方法或者局部均值分解方法。
[0029] 所述步骤2中，采用样本熵方法来计算出x1(t)、x2(t)、...、xn(t)的熵值。
[0030] 所述步骤3中，得到δ值的最大值N的具体步骤如下：对跟踪曲线与xn(t)求差值，当差值的均值小于10-5时，选取此时的δn值作为δ值的最大值N。
[0031] 所述步骤4中，确定不同熵值所对应的δ值的具体步骤如下：首先直接对δn进行赋值，δn=N；然后确定熵值En所对应的δ值为δn，即N；随后求取熵值E1、E2、...、En的倒数得到1/E1、1/E2、...、1/En，则Ei（i=1,2,...,n-1）所对应的δ（i i=1,2,...,n-1）值可利用公式求得。
