[發(fā)明專利]一種Adaboost優(yōu)化的車載MIMUs/GPS信息融合方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201711062540.2
• 申請(qǐng)日: 2017-10-26
• 公開（公告）號(hào): CN107944467A
• 公開（公告）日: 2018-04-20
• 發(fā)明（設(shè)計(jì)）人: 夏琳琳;趙耀;馬文杰;叢靖宇;田海軍;陳東升
• 申請(qǐng)（專利權(quán)）人: 東北電力大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08;G01S19/49;G01C21/16;G01C21/20
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種Adaboost優(yōu)化的車載MIMUs/GPS信息融合方法，其特征在于，包括如下步驟：

S1：GPS可用時(shí)，系統(tǒng)在速度-位置組合模式下工作，采集MIMUs慣性器件的輸出和同一時(shí)刻INS、GPS分別解算的速度、位置信息的差值，將Kalman濾波觀測(cè)值作為訓(xùn)練樣本；

S2：利用步驟S1所采集到的訓(xùn)練樣本，采用Adaboost方法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，得到一個(gè)強(qiáng)學(xué)習(xí)器；

S3：GPS失鎖時(shí)，利用上一步訓(xùn)練得到的強(qiáng)學(xué)習(xí)器對(duì)組合導(dǎo)航系統(tǒng)的濾波觀測(cè)值進(jìn)行在線預(yù)測(cè)；

S4：將步驟S3得到的預(yù)測(cè)信息送入Kalman濾波器，完成組合導(dǎo)航系統(tǒng)的信息融合。

2.如權(quán)利要求1所述的一種Adaboost優(yōu)化的車載MIMUs/GPS信息融合方法，其特征在于，具體包括如下步驟：

S1：在GPS正常工作時(shí)，MIMUs/GPS組合導(dǎo)航系統(tǒng)正常工作，采集MEMS陀螺儀的輸出wibb和加速度計(jì)的輸出fb作為訓(xùn)練的輸入樣本，同時(shí)采集MIMUs解算出的速度、位置信息與GPS接收機(jī)的輸出值，將二者作差，作為輸出期望值；

S2：利用上述所采集的樣本，采用BP算法進(jìn)行一次訓(xùn)練，得到一個(gè)學(xué)習(xí)器，基于此學(xué)習(xí)器，采用Adaboost方法進(jìn)行3次迭代，分別得到弱學(xué)習(xí)器l₁(x)、l₂(x)、l₃(x)，加權(quán)后得到一個(gè)用于GPS失鎖時(shí)組合導(dǎo)航系統(tǒng)觀測(cè)值的預(yù)測(cè)的強(qiáng)學(xué)習(xí)器；

S3：GPS失鎖時(shí)，將MEMS慣性器件的輸出作為步驟S2中訓(xùn)練得到的強(qiáng)學(xué)習(xí)器的輸入，對(duì)MIMUs與GPS輸出之間的誤差，即Kalman濾波的觀測(cè)值進(jìn)行在線預(yù)測(cè)，將得到的預(yù)測(cè)信息送入Kalman濾波器，完成組合導(dǎo)航系統(tǒng)的信息融合。

3.如權(quán)利要求2所述的一種Adaboost優(yōu)化的車載MIMUs/GPS信息融合方法，其特征在于，所述的Adaboost方法實(shí)現(xiàn)的具體步驟如下：

(1)給定一個(gè)訓(xùn)練算法和訓(xùn)練集；

(2)初始化訓(xùn)練集中各個(gè)訓(xùn)練樣本的分布，將初始時(shí)的樣本分布D₁(i)設(shè)為均勻分布，設(shè)樣本總數(shù)為N，則D₁(i)＝1/N，其中，i為樣本序數(shù)；

(3)根據(jù)訓(xùn)練樣本的概率分布D_t(i)采集訓(xùn)練樣本，得到一個(gè)弱學(xué)習(xí)器l_t(x)，其中，t為當(dāng)前迭代次數(shù)；

(4)計(jì)算在當(dāng)前得到的學(xué)習(xí)器下各訓(xùn)練樣本的誤差e(i)以及誤差的平均值e_t：

et=1NΣi=1Ne(i);]]>

(5)計(jì)算當(dāng)前學(xué)習(xí)器的權(quán)重W_t：

Wt=12ln(1-etet);]]>

(6)調(diào)整下次迭代時(shí)的樣本分布，公式為：

Dt+1(i)=Dt(i)(et1-et)-e(i)]]>

對(duì)樣本分布進(jìn)行歸一化處理，確保各樣本的采樣概率和為1；

(7)重復(fù)步驟(3)-(6)，直至迭代次數(shù)為T為止；

(8)將T個(gè)弱學(xué)習(xí)器的權(quán)重W_t歸一化之后加權(quán)結(jié)合，得到最終的強(qiáng)學(xué)習(xí)器L(x)；

L(x)=Σt=1TWtlt(x).]]>