[發明專利]基于SET2FNN的GPS/MEMS-INS組合導航系統定位誤差預測方法

有效

• 申請號: 201010182083.2
• 申請日: 2010-05-19
• 公開（公告）號: CN101871782A
• 公開（公告）日: 2010-10-27
• 發明（設計）人: 叢麗;秦紅磊;邢菊紅
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G01C21/20
• 分類號: G01C21/20
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 成金玉;李新華

1.基于SET2FNN的GPS/MEMS-INS組合導航系統定位誤差預測方法，其特征在于步驟如下：

(1)當GPS/MEMS-INS組合導航系統開始工作，且GPS信號完好時，此時UKF包括兩種并行工作模式：預測模式及更新模式，以MEMS陀螺輸出的三軸角速度及GPS信號丟失時間作為SET2FNN的輸入，以UKF兩種模式下輸出的位置誤差之差值作為SET2FNN的期望輸出，進行SET2FNN模型結構及參數的自進化實時調整更新，對于每一時刻輸入的訓練樣本，SET2FNN模型的自進化實時更新過程如下：

(1.1)SET2FNN結構學習：對于每一時刻新輸入的訓練樣本，以激勵強度作為規則產生的準則，預先設定閾值，激勵強度大于閾值則不產生新的規則；否則產生一個新的規則，并計算此時刻每個輸入變量對應每個模糊集合的隸屬度，若隸屬度小于預先設定的隸屬度閾值，則產生一個對應于此輸入變量的新的模糊集合，并設置新的模糊集合的初始不確定均值和方差，即前提參數；否則采用原有的模糊集合；此外，對于新產生的規則，設定新規則對應的結論參數的初始值；

(1.2)SET2FNN參數學習：對于每一時刻新輸入的訓練樣本，在進行結構學習后，需進行參數的學習更新，采用基于規則順序的卡爾曼濾波算法估計結論參數，然后計算訓練誤差，基于訓練誤差采用梯度下降算法調整前提參數，從而獲得此時刻最優的SET2FNN模型參數；

(2)當GPS信號丟失時，SET2FNN模型及UKF均工作于預測模式，以MEMS陀螺輸出的三軸角速度及GPS信號丟失時間作為輸入，利用SET2FNN模型長周期預測與UKF短周期預測動態結合的方法來預測位置誤差并校正，輸出校正后的組合導航系統定位結果。

2.根據權利要求1所述基于SET2FNN的GPS/MEMS-INS組合導航系統定位誤差預測方法，其特征在于：所述(1.1)中SET2FNN的結構學習中以激勵強度作為規則產生的準則的具體步驟如下：

A.若為第一組輸入數據，其中n為輸入變量個數，則直接產生一個新的模糊規則，并設定新規則對應的前提模糊集合的初始中心，即均值為初始寬度，即方差為σ_1，j＝0.4，j＝1，…，n；設置新規則對應的結論參數的初始值為其中yd為輸入的期望輸出，初始參數決定了初始輸出區間范圍，j＝1，…，n；若不是第一組輸入，則執行步驟B；

B.對于新輸入的數據計算分別為第i條規則的激勵強度的上、下界，M(t)為原有的規則個數，然后對新輸入的數據找到如果那么將產生一個新的規則，M(t+1)＝M(t)，其中φ_th∈(0，1)是預先設定的門限，執行步驟C；

C.對于每個輸入變量x_j(j＝1，…，n)，分別計算i＝1，…，M(t)，分別為第j個輸入對應其第i個模糊集合的上部隸屬度和下部隸屬度，為二者的均值。對每個新產生的規則，找到其中k_j(t)是第j個輸入變量的模糊集合個數，如果其中ρ∈[0，1]是預先設定的門限值，那么就使用已存在的模糊集合作為第j個輸入變量新規則的前提部分，否則，第j個輸入變量產生一個新的模糊集合，并令k_j(t+1)＝k_j(t)+1，輸入變量x_j的第k_j(t+1)個模糊集合初始的不確定均值和標準差的設定為：

其中β＞0決定了兩個模糊集合之間的交疊程度；

D對于新產生第M(t+1)條規則，需設置新規則對應的結論參數的初始值：其中y_d為輸入的期望輸出，其中c0M(t+1)=yd,]]>s0M(t+1)=0.1.]]>