针对复杂环境下如阴天、雾天、夜晚、光照较弱等条件下拍摄的图像存在对比度不足、整体偏暗等问题，提出了一种基于三角函数变换与改进随机漂移粒子群算法的图像增强算法。该图像增强方法主要包括四个步骤，首先将彩色图像转换为灰度图像，然后对灰度图像利用三角函数变换提高对比度，然后再对图像进行拉布拉斯算子增强，最后再对图像进行色彩恢复。为了提高算法的自适应性，针对三角函数变换中的参数、以及拉布拉斯算子模板的参数选择问题，将改进随机漂移粒子群算法(IRDPSO)与图像增强算法结合，利用信息熵和图像标准差构造适应度函数，对参数进行寻优。将该方法与其他四种算法进行比较。实验结果表明：文中算法简单，增强后的图像信息熵值、标准差值均较大，图像颜色失真度小，增强效果均比其他几种算法好，提高了图像的质量和对比度。

为了抑制陀螺仪的非线性、非平稳噪声,提出了一种改进的基于集合经验模态分解(EEMD)的降噪方法EEMD-M。首先,通过EEMD阈值滤波得到信息主导和噪声主导的固有模态函数(IMF)分量;将EEMD应用于第一次阈值滤波中被丢弃的IMF分量,提取信号的细节信息;采用去趋势波动分析(DFA)法定义每一个IMF分量的尺度指数,实现二次分解中有用分量的进一步提取;将两次滤波得到的有用IMF分量进行重构,得到降噪后的信号。为了验证EEMD-M的有效性,进行了实测数据的降噪实验。结果表明所提EEMD-M优于经验模态分解(EMD)降噪、DFA-EMD降噪、EEMD降噪和小波分析方法。实测数据的均方误差降低了82.9%,随机漂移得到明显抑制,这验证了EEMD-M的可行性和优越性,提高了微机电系统陀螺在光学图像处理中的稳定性和可靠性。

针对微机电系统陀螺易受环境影响和稳定性能较差，导致建立的随机漂移模型参数和随机噪声统计特性变化的问题，提出了一种改进的指数渐消记忆自适应Kalman实时滤波方法.通过分析实测数据确定随机漂移自回归滑动平均模型阶数，在此基础上利用递推最小二乘法对模型参数进行实时更新.根据陀螺噪声参数特点，提出了基于渐消记忆因子的Allan方差分析法和Sage-Husa自适应滤波算法同时对Q和R进行参数估计的实时滤波方法，避免了系统状态估计和量测噪声参数估计的相互耦合和制约.实验结果表明：相比标准Kalman滤波补偿方法及传统的固定Q阵只对R阵做自适应估计的滤波方法，本文方法能够更加有效地对MEMS陀螺随机漂移误差进行实时补偿，具有较好的适应性和稳定性.

为了提高微机电系统(MEMS)陀螺的测量精度, 提出了一种基于遗忘因子递推最小二乘估计的时变自回归滑动平均(ARMA)模型补偿方法.针对实测MEMS陀螺去除趋势项后的随机漂移信号, 采用分段检验方式进行了平稳性分析, 选取合适的基函数以及子空间维数进行时变ARMA模型建模.采用遗忘因子递推最小二乘估计的方式进行模型参数估计, 通过设置遗忘因子, 使得更新后的模型参数能够反映信号的动态变化.针对存在轻微波动的时变参数, 采用5阶多项式对时变模型参数进行拟合, 并提出一种解析法进行参数寻优, 从而建立最优随机漂移模型.将建模结果应用于卡尔曼滤波, 进行随机漂移补偿, 将补偿结果与时不变ARMA模型建模补偿方式的补偿结果进行对比发现, 所提方法补偿后的残差方差比时不变ARMA模型补偿后的残差方差降低了近40%, 有效提高了MEMS陀螺随机漂移的补偿精度.

针对传统预测方法不能对MEMS陀螺仪随机漂移进行精确预测的缺点, 提出了一种基于模糊信息粒化的支持向量机模型的区间预测方法。该模型首先利用模糊信息粒化算法对原始数据进行预处理, 将样本空间划分为多个粒（子空间）, 降低样本规模, 减小时间复杂度; 然后将模糊粒化后的数据进行相空间重构和归一化, 利用SVM进行回归分析, 同时利用交叉验证选出最优的调节参数, 避免出现过学习和欠学习; 最后利用训练得到的模型进行随机漂移预测。实验结果表明, 该方法能够有效预测随机漂移变化趋势和变化区间, 具有良好的工程应用前景。

建立光纤陀螺随机漂移模型以便在滤波中加以补偿是提高光纤陀螺输出精度的有效方法。针对传统光纤陀螺随机漂移建模均采用离线形式, 需预先处理数据, 不具备普适性等问题, 提出一种实时的建模滤波方法。首先, 根据大量实测数据对传统离线模型进行改进, 研究了一种基于AR 模型的在线建立光纤陀螺随机漂移模型的方法。然后, 比较了传统Kalman 滤波器与H∞滤波器用于实时滤波的效果。实验结果表明, 改进型AR 模型拟合精度高、普适性强, 单个噪声拟合精度最低值为91.6%。H∞滤波器效果优于传统的Kalman 滤波器, 分析单个噪声滤波效果时, H∞滤波器较Kalman 滤波器性能最多可提高38.5%。

针对光镊系统本身噪声对测量精度的影响, 提出了一种光镊系统随机漂移误差的有效补偿方法。首先, 介绍了时间序列分析法和卡尔曼滤波技术, 基于时间序列分析法建立了光镊的随机漂移误差模型; 然后, 用基于时间序列模型的卡尔曼滤波方法来减小该漂移误差。采用提出的方法对光镊设备实测数据的误差进行了补偿, 结果表明: 数据的误差方差由补偿前的188.90 nm2减小为8.41 nm2。计算补偿前后的艾伦方差可知, 系统在平均时间为1 s时可使最小位移误差从 0.7 nm降低到0.1 nm。得到的结果显示: 提出的滤波方法有效地抑制了光镊系统的漂移误差,将其用于双光镊对准可提高捕获光和探测光的对准精度, 进而提高光镊系统的性能指标。

随机漂移是影响光纤陀螺精度的主要因素之一，建立陀螺随机漂移模型以便在滤波时加以修正是提高系统精度的有效方法。针对传统随机漂移模型建模耗时长、过敏感等问题，提出基于Allan方差的光纤陀螺随机漂移模型。通过各噪声项的功率谱密度函数推导出随机微分方程，用Allan方差分析出光纤陀螺各噪声项量化参数，将量化参数代入以单位白噪声驱动的随机微分方程，得到随机漂移模型。实验结果表明，该模型拟合出的随机漂移单项噪声误差不超过8.6％，远低于传统模型产生的单项噪声误差58.3％，是一种有效的光纤陀螺随机漂移建模方法。

微机械陀螺作为小型化光电稳定平台中的核心传感器,由于存在随机漂移,直接影响了其使用精度。小波算法以其多分辨特性，适合于非平稳信号的去噪，应用小波分析算法，实现了微机械陀螺的实时滤波。通过仿真及实验验证了算法的效果。结果表明,应用小波分析算法可以将漂移均方差降低为处理前的5%以内。

针对光纤陀螺输出噪声大、随机漂移难抑制,从而影响机载光电系统低频性能的问题,分析了系统中光纤陀螺输出的实测数据,根据其噪声特性建立了光纤陀螺噪声的AR2 模型。研究了基于卡尔曼滤波的光纤陀螺在机载光电系统中的应用方法。对比传统应用的滑动平均滤波,给出实验结果。结果表明：卡尔曼滤波能有效消除陀螺高频噪声,抑制系统的随机漂移,在一定程度上能够提高系统的低频工作性能。研究结果对机载系统中光纤陀螺的应用有较好的参考价值。