HHT方法下多MEMS陀螺信号去噪融合策略

本文主要探讨了一种基于经验模态分解（Empirical Mode Decomposition, EMD）和希尔伯特-黄变换（Hilbert-Huang Transform, HHT）的多微机械陀螺（Micro-Electro-Mechanical Systems, MEMS）信号融合算法。MEMS陀螺在导航、惯性测量等领域具有广泛应用，但其信号往往受到噪声的影响，降低测量精度。HHT作为一种时频分析工具，能够有效地提取信号的瞬时频率和能量特性，这对于噪声分析和去除至关重要。 首先，作者利用EMD将多通道的MEMS陀螺信号分解为一系列独立的本征模态函数（Intrinsic Mode Functions, IMF）和残差函数。这些本征模态函数代表了信号的不同频率成分，而残差则包含趋势和其他难以分解的部分。通过计算每个IMF与原始信号之间的非线性相关系数，可以识别并滤除噪声成分，因为噪声通常具有较低的非线性相关性。 接着，文章引入非线性相关信息熵作为优化指标，这是一种衡量信号复杂性和信息量的方法。作者通过选择不同IMF的组合，并赋予它们相应的权重进行加权融合，目的是最大化提取信号的有用信息，同时抑制噪声影响。这种优化策略有助于提高信号的测量精度，使融合后的信号更加纯净，有利于后续的数据处理和分析。 最后，通过仿真实验验证了提出的融合算法的有效性。实验结果显示，该算法在处理多MEMS陀螺信号时，不仅能够有效滤除噪声，而且提高了信号融合后的精度，从而提升整个系统的性能。这种方法对于实际应用中的多传感器集成系统，如自动驾驶、无人机导航等，具有显著的实际意义。 本文的核心贡献在于提出了一种结合EMD、HHT以及非线性相关性和信息熵的融合策略，为多MEMS陀螺信号处理提供了一种新颖且有效的噪声抑制和精度提升方法。这项研究对提高微电子机械系统在动态环境下高精度测量能力具有重要价值。