[發明專利]一種GNSS信號受阻時Elman神經網絡輔助緊組合導航方法

在審

• 申請號: 201910915008.3
• 申請日: 2019-09-26
• 公開（公告）號: CN110487271A
• 公開（公告）日: 2019-11-22
• 發明（設計）人: 趙琳;彭子航;丁繼成;王坤;柏亞國;張永超;王仁龍
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01C21/16
• 分類號: G01C21/16;G01S19/47
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種GNSS信號受阻時Elman神經網絡輔助緊組合導航方法，以慣性和GNSS緊組合導航系統模型為基礎，針對GNSS信號失鎖時的緊組合導航問題，動態Elman神經網絡預測模型，來對慣導的誤差模型和GNSS的補償模型進行學習；當GNSS信號缺失時，利用訓練好的神經網絡預測出GNSS的輸出誤差并補償慣導的輸出，使誤差不會急劇發散，讓系統繼續進行組合導航。最后利用設計的低成本下的緊組合導航模塊進行實地測量，將采集的信息進行預處理，組成訓練神經網絡的樣本數據對Elman神經網絡模型進行訓練。本算法能在GNSS信號缺失100s的情況進行預測，使系統仍然能進行緊組合導航。

技術領域

本發明涉及一種緊組合導航方法，特別是一種GNSS信號受阻時Elman神經網絡輔助緊組合導航方法，屬于導航技術領域。

背景技術

慣導系統可以全面自主的提供的導航信息，但在低成本設備下，慣導系統其誤差會隨著時間不斷積累。GNSS的定位范圍廣、精度高，其缺點是容易發生信號遮擋及干擾。因此慣導和GNSS特征具有互補性，將慣導和GNSS進行緊組合能夠充分發揮這兩個系統的優點。緊組合還能提高導航系統的精度與可靠性。但對于緊組合導航系統來說，當有遮擋或干擾等原因導致衛星信號短時間不可用時，系統只能工作在純慣性導航的方式下，此時的導航精度決定于慣導器件精度和GNSS失效前一時刻緊組合導航的精度。由于低成本慣導系統誤差隨時間積累且得不到校正，導航精度將會迅速降低甚至完全不可用。

緊組合導航系統在GNSS失效時精度快速降低的主要因為缺乏外部觀測的輔助條件下，先驗來確定的慣導誤差模型難以符合實際的情況。假如得到了當前時刻慣導的準確的誤差模型，即便在GNSS信號受阻時，亦可使用此模型來計算慣導系統的誤差，最終實現對慣導的誤差補償。神經網絡具有良好的非線性映射能力，能模擬實際模型的輸入輸出。傳統的神經網絡例如：BP神經網絡、多層感知器的神經網絡、徑向基函數的神經網絡等都可以來推導慣導的誤差模型，但這些神經網絡都屬于靜態網絡。這些神經網絡結構不易準確地描述非線性系統的動態特性。

發明內容

針對上述現有技術，本發明要解決的技術問題是提供一種能夠準確描述非線性系統的動態特性的GNSS信號受阻時Elman神經網絡輔助緊組合導航方法，Elman神經網絡是一種典型的多層動態遞歸神經網絡，可對GNSS信號短暫受阻時的慣導誤差信號進行預測，并用預測的數據來補償修正慣性導航的輸出。來期望在GNSS信號短暫缺失時，組合導航系統能繼續提供導航數據。

為解決上述技術問題，本發明的一種GNSS信號受阻時Elman神經網絡輔助緊組合導航方法，包括以下步驟：

步驟1：構建Elman神經網絡模型并選擇Elman神經網絡隱藏層傳遞函數；

步驟2：設計Elman學習算法；

步驟3：構建緊組合卡爾曼濾波數學模型；

步驟4：當GNSS信號可用時，神經網絡處于訓練模式，將慣導系統輸出的三維位置信息作為步驟2得到的神經網絡訓練的輸入樣本；將經過步驟3中卡爾曼濾波數學模型器融合后輸出的慣導誤差補償值作為網絡訓練的期望輸出樣本，帶入步驟2得到的Elman神經網絡進行訓練，當Elman神經網絡實際輸出與期望輸出樣本之間的誤差值大于設定的閾值，循環利用步驟2中的Elman神經網絡算法得到網絡權值的更新值，直至網絡的實際輸出與期望的輸出之間的誤差小于設定的閾值；

步驟5：當GNSS信號缺失時，神經網絡進入預測模式，以慣導系統輸出的導航位置信息作為步驟4訓練后的網絡的輸入，利用步驟4訓練后的神經網絡模型預測出慣導系統的誤差值，利用該誤差值修正慣導的導航輸出，得到修正后的導航信息。

本發明還包括：

1.Elman神經網絡包括輸入層、隱藏層、連接層與輸出層，Elman神經網絡的數學模型為：