[發明專利]利用神經網絡模型在線學習和補償的GNSS/INS組合導航方法

有效

• 申請號: 202310769700.6
• 申請日: 2023-06-28
• 公開（公告）號: CN116499469B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 薛瑞;鄧子朋
• 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;G01S19/37;G01S19/45
• 代理公司: 北京天達知識產權代理事務所有限公司 11386
• 代理人: 李明里

1.一種利用神經網絡模型在線學習和補償的GNSS/INS組合導航方法，其特征在于，包括：

步驟S1、GNSS/INS組合導航過程中GNSS正常時，在設定的周期內，交替訓練第一神經網絡和第二神經網絡；通過逐個周期循環，使第一神經網絡和第二神經網絡中始終有一個處于訓練過程的訓練狀態和另一個處于訓練好的待命狀態；其中，訓練好的神經網絡用于實現根據輸入的INS數據預測出偽GNSS信號功能；

步驟S2、當導航過程中GNSS丟失時，將處于待命狀態的神經網絡接入組合導航的組合結構；將INS數據輸入到接入的神經網絡，利用神經網絡預測出的偽GNSS信號通過卡爾曼濾波器對INS原始數據進行補償輸出定位結果；

步驟S101、在GNSS正常工作時，收集INS原始輸出數據和GNSS輸出的位置變化量數據，在設定的周期內，將收集的數據進行打包處理；

步驟S102、對打包處理后的INS原始數據中的包括比力和角速度在內的數據進行去噪和標準化處理得到用于神經網絡訓練的INS數據；

步驟S103、對設為訓練狀態的第一神經網絡或第二神經網絡進行訓練；訓練中，將用于神經網絡訓練的INS數據作為訓練神經網絡的輸入特征，將打包處理后的GNSS位置變化量作為神經網絡的輸出特征的目標數據；所述訓練的過程不超過半個周期；

步驟S104、將訓練好的神經網絡設為待命狀態，同時將另一神經網絡設為訓練狀態進行訓練；所述訓練過程同樣不超過半個周期；

進入下一個周期后，重復步驟S101-S104，交替訓練兩個神經網絡；

步驟S101中，

所收集的INS原始數據是由當前時刻三軸的比力、角速度、速度和上一時刻三軸的比力、角速度、速度組成的的向量x(t)；

所收集的GNSS輸出數據是由GNSS解算的三軸位置變化量組成的的向量y(t)；

將設定的周期內收集的m個連續時刻的GNSS數據y(1)至y(m)打包組成一個矩陣Y；

將與GNSS數據對應時刻的m個時刻的INS數據打包組成一個矩陣X；

在步驟S102中，采用小波閾值去噪算法對X中的比力f、角速度ω進行了去噪；

在小波閾值去噪算法中，選擇sym8函數作為小波基，采用3級小波基分解，并采用軟硬閾值折中的方法設定小波閾值；

小波閾值；其中，為第一級小波分解后高頻部分的小波系數絕對值的均值，m為矩陣X的行數。

2.根據權利要求1所述的利用神經網絡模型在線學習和補償的GNSS/INS組合導航方法，其特征在于，

去噪后，采用標準差標準化的方法對矩陣X每列數據進行了標準化處理，得到新矩陣X_new；所述新矩陣X_new中比力、角速度數據為去噪和標準化后的結果，速度數據為標準化后的結果。

3.根據權利要求2所述的利用神經網絡模型在線學習和補償的GNSS/INS組合導航方法，其特征在于，

所述第一神經網絡和第二神經網絡均為結構相同的MLP神經網絡。

4.根據權利要求3所述的利用神經網絡模型在線學習和補償的GNSS/INS組合導航方法，其特征在于，

所述MLP神經網絡包括一個輸入層、兩個隱藏層、一個輸出層；

其中，輸入層為18個神經元，分別接收18維輸入特征，輸入特征為由矩陣X_new提供的一行數據；

輸出層為3個神經元，用于輸出3維的輸出特征；

兩個隱含層分別為100維和50維，激活函數均采用Relu函數，優化器選擇SGD優化器，學習率設置為0.002，采用均方根誤差計算損失函數，模型迭代訓練輪數epoch變量設置為10000。

5.根據權利要求4所述的利用神經網絡模型在線學習和補償的GNSS/INS組合導航方法，其特征在于，

在輸入層與第一隱含層之前加入Dropout層，在訓練時隨機忽略50%的權重；

添加momentum變量，數值設置為0.9，用于幫助神經網絡跳出局部最值。