Me gustaría crear una simulación de software de un acelerómetro ( MPU-6000 ). Como parte de esa simulación, necesito modelar el ruido en la señal del acelerómetro. Según la hoja de datos del chip, el ruido es de 400ug / root Hz:
EnC++,puedousar
Pregunta: ¿Cómo puedo calcular el valor del parámetro sigma para modelar correctamente el ruido del acelerómetro?
Actualización:
Si una distribución normal no es adecuada, ¿cómo puedo modelar el ruido en el software?
El sensor especifica su ruido en términos de la señal de entrada (aceleración), por lo que lo primero que debe hacer es convertirlo en ruido de voltaje equivalente, teniendo en cuenta la configuración de ganancia que está usando en el sensor y la interfaz. circuitos.
La potencia de la señal en una serie de muestras distribuidas normalmente es igual a la varianza, que es el cuadrado de la desviación estándar (sigma, σ). Sin embargo, los números en su simulación representan voltajes (o corrientes), no energía. Por lo tanto, desea establecer σ igual al voltaje de ruido equivalente que calculó anteriormente y luego agregar estos números a su señal de aceleración simulada.
Su pregunta actualizada es un poco más compleja que la pregunta original.
Para lo que sigue, asumo condiciones de laboratorio ideales.
Para probar el supuesto de normalidad de los datos de ruido, debe realizar varias mediciones a una frecuencia de muestreo fija con una aceleración fija y utilizar esos datos para una prueba de normalidad. Existen muchas de estas pruebas, pero las dos en la mayoría de los libros de texto de pregrado son la prueba de Pearson \ $ \ chi ^ 2 \ $ - prueba y la de Kolmogorov-Smirnoff . p>
Supongo que probablemente quieras modelar el dispositivo como lineal + ruido. La regresión lineal habitual también necesita una hipótesis adicional: la varianza es estadísticamente constante en diferentes aceleraciones. La falta de esta condición se llama heteroscedasticity y existen métodos para tratarla.
Mi opinión aproximada es que este dispositivo no es realmente lineal y cuando realice estas pruebas encontrará que las distribuciones están sesgadas por este hecho.
Hay un poco de atajo que podrías tomar. Realmente no le importa si realmente modela las cosas exactamente, le importa más si cree que su modelo final es lo suficientemente preciso. Esta es una área diferente de modelado estadístico llamada validation . Básicamente, construirá su modelo como ruido lineal + donde el ruido se supone normalmente distribuido con los parámetros de la hoja de datos. Luego, intenta confirmar que este modelo modela el comportamiento de la vida real de su dispositivo físico.
Lea otras preguntas en las etiquetas software noise math accelerometer modeling