买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学杭州创新研究院;北京航空航天大学申请的专利一种动力学辅助陀螺仪误差分离估计的复合干扰滤波方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120929737B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511454831.0，技术领域涉及：G06F18/15；该发明授权一种动力学辅助陀螺仪误差分离估计的复合干扰滤波方法是由李文硕;沈昕菁;张腾;牛萌;杨懿;郭雷设计研发完成，并于2025-10-13向国家知识产权局提交的专利申请。

本一种动力学辅助陀螺仪误差分离估计的复合干扰滤波方法在说明书摘要公布了：本发明属于导航传感器误差估计领域，具体涉及一种动力学辅助陀螺仪误差分离估计的复合干扰滤波方法。首先离线采集微机电陀螺仪误差数据并进行预处理；利用小波变换分解序列数据，分别建立平稳子序列的自回归滑动平均模型ARMA和非平稳子序列的长短期记忆网络模型LSTM，并将两者结合得到陀螺仪误差的混合模型。然后基于旋翼无人机动力学模型与误差混合模型建立系统方程。利用陀螺仪实时量测值和旋翼无人机的控制量，通过复合干扰滤波方法对陀螺仪误差进行实时估计并更新误差模型，最终补偿陀螺仪量测。本发明在不增加硬件的前提下，实现了运动状态中陀螺仪误差的在线估计，提高导航精度。

本发明授权一种动力学辅助陀螺仪误差分离估计的复合干扰滤波方法在权利要求书中公布了：1.一种动力学辅助陀螺仪误差分离估计的复合干扰滤波方法，其特征在于，包括以下步骤： 第一步、数据采集及预处理：离线采集微机电系统MEMS陀螺仪误差数据，对其进行归一化处理； 第二步、误差序列分解：利用小波变换对MEMS陀螺仪的误差序列进行分解，将序列分为个平稳子序列与1个非平稳子序列，其中为大于等于1的正整数； 第三步、离线混合模型建立：针对每个平稳子序列，建立ARMA时间序列模型；针对非平稳子序列，建立LSTM网络模型；组合得到误差的混合模型：； 第四步、系统方程建立：在旋翼无人机动力学模型基础上，与误差混合模型联立得到状态方程；解析陀螺仪量测量与运动状态、误差间的映射关系，建立量测方程； 第五步、基于复合干扰滤波CDF的误差在线估计方法：在第四步系统方程的基础上，设计CDF实现陀螺仪误差的实时估计与误差模型的实时更新； 所述第五步具体如下： 为实时估计MEMS陀螺仪误差，针对系统方程设计CDF滤波算法；算法由两部分组成：滤波模块和模型更新模块； 1滤波模块 a时间更新阶段 对时刻状态最优估计值的后验概率分布进行采样： ， 式中为第个容积点；和分别表示时刻的后验状态估计和误差协方差矩阵；表示矩阵经过Cholesky分解求得的平方根矩阵的第列； 接下来通过非线性函数对样本点进行变换，计算预测均值和协方差；将个容积点通过非线性传递函数实现状态转移： ， 每个容积点都需要通过相同的非线性映射进行传播；然而，引入LSTM后，其内部状态和时间记忆单元会随时间步与输入而变化；为此，将LSTM网络在时刻的隐藏状态和记忆单元状态复制次，对应每个容积点；此外，LSTM网络的权重和偏置参数在时刻固定，从而保证在非线性传递过程中，保持不变； 最后加权计算时刻状态变量的先验概率分布： ， b量测更新阶段 ， 因此，时刻最优状态估计值和其误差协方差为： ； 其中； 在完成量测更新阶段后，从中提取最优误差估计，并将其作为后续LSTM更新的输入；为了同时捕获误差动态中的短期波动与长期趋势，我们设计一种两层更新策略来对LSTM网络进行更新； 2模型更新模块 为了在短期响应性与长期适应性之间取得平衡，我们为LSTM网络设计了一种两层更新策略：内部状态更新——使网络能够快速响应近期变化；模型参数更新——通过周期性微调逐步适应长期漂移；这种设计提升了混合模型的鲁棒性与一致性； a内部状态更新 将时刻的内部状态和复制给所有容积点，并在传播过程中保持固定；完成测量更新后，将最优状态估计作为输入送入LSTM单元，刷新其内部状态： ， 其中为权重矩阵，为偏置项，表示sigmoid激活函数，表示激活函数； b模型参数更新 模型参数采用一种受增量学习启发的策略进行间歇式更新；不同于在固定间隔对整个LSTM模型进行完全重训练的方法，我们采用一个滑动缓冲区存储最新的滤波状态估计；当缓冲区中积累了足够数量的新估计后，将启动一个计算开销较低的微调过程，利用缓冲数据构建的小批量样本进行更新；该过程在之前已学习的参数基础上进行微调，从而使模型能够以极低的计算成本逐步适应误差动态的长期变化； 具体而言，表示在时刻从缓冲区构建的含有个序列的小批量；LSTM的参数通过最小化小批量上的均方误差进行更新： ， 其中，为学习率，表示当前LSTM模型；该更新方式使网络能够在无需完全重训练的情况下跟踪误差模式的变化；通过这些更新后的参数，LSTM模型能够在实时条件下更好地捕捉误差特性； 需要指出的是，这些参数更新与滤波模块中的预测阶段相互解耦，不会干扰容积点的传播，因为更新后的参数仅在测量更新完成之后才被应用；依托实时的权重更新与内部状态演化，最新的误差信息能够被有效纳入LSTM网络，从而保证混合误差模型的一致性以及状态估计结果的精度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学杭州创新研究院;北京航空航天大学，其通讯地址为：310000 浙江省杭州市滨江区长河街道炬航弄99号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。