经验模态分解提升光纤陀螺随机序列平稳性:AR模型建模前提

需积分: 9 0 下载量 36 浏览量 更新于2024-08-11 收藏 319KB PDF 举报
本文档主要探讨了在利用经验模态分解(Empirical Mode Decomposition, EMD)对光纤陀螺(FOG, Fiber Optic Gyroscope)的随机序列进行建模之前的重要预处理步骤。光纤陀螺是一种广泛应用在导航和测量领域的高精度传感器,其输出信号可能存在非平稳性和随机性问题,这对后续的时间序列分析和模型建立(如自回归模型,Auto Regression, AR)造成挑战。在传统的AR模型建模前,需要确保数据序列是平稳的,即其均值、方差和协方差在时间上是恒定的。 文章首先强调了对FOG输出序列进行平稳化处理的必要性,因为AR模型的假设前提是输入序列必须是平稳的。为了实现平稳化,作者采用了经验模态分解方法。经验模态分解是一种数据自适应分解技术,它将非平稳信号分解成一系列固有模态函数(IMF),每个IMF代表信号中的一个基本成分,其中趋势项可能包含在某个IMF中。 接着,作者运用逆序法来检查EMD处理的效果,这种方法通过对处理前后序列进行比较,评估是否成功消除了趋势项并使序列趋于平稳。同时,为了进一步验证处理的正态性,作者引入了偏态系数(skewness)和峰态系数(kurtosis)进行统计检验。这些系数分别衡量序列的对称性和尖峰程度,正常分布的序列通常具有零偏态和单位峰态。 通过实验对比,研究发现经验模态分解法不仅能够有效地消除非平稳随机序列的趋势项,还显著提高了序列的正态性,这对于后续的AR模型建立至关重要。因此,经过EMD处理后的随机序列可以满足AR模型的平稳性要求,使得模型拟合更加准确可靠。 这篇论文提供了一种有效的信号预处理策略,为基于经验模态分解的光纤陀螺随机序列平稳化提供了实用方法,这对于提高光纤陀螺在实际应用中的数据处理和模型构建质量具有重要意义。这项研究有助于提升光纤陀螺的精度和稳定性,推动其在导航、测量和其他领域中的应用。