[發(fā)明專利]一種解決GPS長(zhǎng)時(shí)間失鎖問(wèn)題的SINS/GPS組合定姿定位方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910646015.8
• 申請(qǐng)日: 2019-07-17
• 公開(kāi)（公告）號(hào): CN110346821B
• 公開(kāi)（公告）日: 2022-11-29
• 發(fā)明（設(shè)計(jì)）人: 陳霖周廷;崔祚;高麒麟;楊登紅;薛九天;賈赟
• 申請(qǐng)（專利權(quán)）人: 貴州理工學(xué)院
• 主分類號(hào): G01S19/41
• 分類號(hào): G01S19/41;G01S19/49
• 代理公司: 北京一枝筆知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11791
• 代理人: 李鎮(zhèn)

1.一種解決GPS長(zhǎng)時(shí)間失鎖問(wèn)題的SINS/GPS組合定姿定位方法，其特征在于，該方法它包括以下步驟：

步驟A、將SINS和GPS的位置/速度信息作差得到SINS/GPS組合導(dǎo)航系統(tǒng)的量測(cè)信息，以所述量測(cè)信息作為目標(biāo)樣本，SINS中陀螺和加速度計(jì)的測(cè)量值作為訓(xùn)練樣本，對(duì)RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行在線的訓(xùn)練學(xué)習(xí)，得到RBF神經(jīng)網(wǎng)絡(luò)，利用RBF神經(jīng)網(wǎng)絡(luò)的非線性映射能力及學(xué)習(xí)推理能力對(duì)SINS/GPS組合導(dǎo)航系統(tǒng)的卡爾曼濾波器量測(cè)信息的基本分量進(jìn)行預(yù)測(cè)，得到量測(cè)信息的基本分量預(yù)測(cè)值；

步驟B、構(gòu)建時(shí)間序列模型對(duì)SINS/GPS組合導(dǎo)航系統(tǒng)的卡爾曼濾波器量測(cè)信息的預(yù)測(cè)殘差進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)殘差預(yù)測(cè)值；

步驟C、將步驟A和步驟B得到的基本分量預(yù)測(cè)值和預(yù)測(cè)殘差預(yù)測(cè)值運(yùn)用疊加原理得到最優(yōu)預(yù)測(cè)；

步驟D、將步驟C得到的最優(yōu)預(yù)測(cè)作為GPS失鎖期間SINS/GPS卡爾曼濾波器的量測(cè)更新信息，修正隨時(shí)間累積的SINS誤差。

2.根據(jù)權(quán)利要求1所述的解決GPS長(zhǎng)時(shí)間失鎖問(wèn)題的SINS/GPS組合定姿定位方法，其特征在于，步驟A中，具體的步驟包括：

A1、RBF神經(jīng)網(wǎng)絡(luò)的輸入層為外部信號(hào)輸入到神經(jīng)網(wǎng)絡(luò)的接口，傳遞輸入信號(hào)到隱層，采用高斯基函數(shù)作為隱層的激勵(lì)函數(shù)在輸入層和隱藏層之間建立一個(gè)非線性變換關(guān)系；所述的非線性變換關(guān)系包含輸入矢量、感知區(qū)域中心、感知區(qū)域?qū)挾取⑤斎胧噶亢透兄獏^(qū)域中心之間的歐幾里得距離；

A2、RBF神經(jīng)網(wǎng)絡(luò)輸出層的輸入為各隱層神經(jīng)元輸出的加權(quán)求和，采用純線性函數(shù)作為輸出層的激勵(lì)函數(shù)在隱藏層與輸出層之間建立了一個(gè)線性變換關(guān)系；所述的線性變換關(guān)系包含步驟A1的感知區(qū)域?qū)挾取⑤敵鍪噶考拜敵鰧拥臋?quán)重系數(shù)；

A3、采用自組織選取中心法對(duì)A1和A2中的隱藏層感知區(qū)域中心、隱藏層感知區(qū)域?qū)挾群洼敵鰧拥臋?quán)重系數(shù)進(jìn)行訓(xùn)練學(xué)習(xí)；

A4、基于A1和A2的感知區(qū)域中心、感知區(qū)域?qū)挾群洼敵鰧拥臋?quán)重系數(shù)，再結(jié)合SINS的位置信息和速度信息、GPS的位置信息和速度信息、真實(shí)的位置信息和速度信息、GPS的位置誤差和速度誤差進(jìn)行計(jì)算，所得的RBF神經(jīng)網(wǎng)絡(luò)的輸出就是對(duì)量測(cè)信息基本分量的預(yù)測(cè)值。

3.根據(jù)權(quán)利要求2所述的解決GPS長(zhǎng)時(shí)間失鎖問(wèn)題的SINS/GPS組合定姿定位方法，其特征在于：所述步驟A3的訓(xùn)練學(xué)習(xí)分為自組織學(xué)習(xí)階段和監(jiān)督學(xué)習(xí)階段：所述組織學(xué)習(xí)階段，基于輸入數(shù)據(jù)采用k均值聚類算法對(duì)隱層基函數(shù)的感知區(qū)域中心與感知區(qū)域?qū)挾冗M(jìn)行訓(xùn)練學(xué)習(xí)；所述監(jiān)督學(xué)習(xí)階段，基于歷史樣本訓(xùn)練數(shù)據(jù)對(duì)輸出層的權(quán)重系數(shù)進(jìn)行訓(xùn)練學(xué)習(xí)。

4.根據(jù)權(quán)利要求1所述的解決GPS長(zhǎng)時(shí)間失鎖問(wèn)題的SINS/GPS組合定姿定位方法，其特征在于：所述步驟B中，預(yù)測(cè)殘差的時(shí)間序列模型包含模型階次和模型參數(shù)，所述模型階次和模型參數(shù)為先對(duì)構(gòu)建時(shí)間序列模型時(shí)間序列進(jìn)行差分處理，再根據(jù)平穩(wěn)化后的時(shí)間序列的自相關(guān)函數(shù)(autocorrelation function,ACF)和偏相關(guān)函數(shù)(partialautocorrelationfunction,PACF)的特性而確定。

5.根據(jù)權(quán)利要求4所述的解決GPS長(zhǎng)時(shí)間失鎖問(wèn)題的SINS/GPS組合定姿定位方法，其特征在于：在模型參數(shù)的確定中，先根據(jù)自相關(guān)函數(shù)和偏自相關(guān)函數(shù)的特性確定模型階數(shù)的大致范圍；再?gòu)牡碗A到高階分別進(jìn)行參數(shù)估計(jì)，選擇最小二乘法確定模型參數(shù)。

6.根據(jù)權(quán)利要求1所述的解決GPS長(zhǎng)時(shí)間失鎖問(wèn)題的SINS/GPS組合定姿定位方法，其特征在于：步驟C中，當(dāng)GPS信號(hào)接收良好時(shí)，通過(guò)將SINS和GPS的位置或速度信息作差即可得到SINS/GPS組合導(dǎo)航系統(tǒng)的量測(cè)信息，此時(shí)系統(tǒng)工作于更新工作模式，以SINS中陀螺和加速度計(jì)的測(cè)量值為訓(xùn)練樣本輸入，并基于獲取的量測(cè)信息作為目標(biāo)樣本，對(duì)RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行在線的訓(xùn)練學(xué)習(xí)。