CN101131311B - 一种智能化机载导弹动基座对准及标定方法 - Google Patents

Abstract

本发明涉及一种智能化机载导弹动基座对准及标定方法，其特征是针对在动基座条件下捷联惯性导航系统模型的时变性特点，给出了一种适用于动基座对准和标定的神经网络输入输出样本构造方法，同时，为了解决导弹悬挂在机翼下与自由飞行时子惯导系统量测信息不一致问题，通过在神经网络训练前首先进行主子惯导之间误差角的估计及补偿，从而使网络训练样本可真实的模拟导弹实际自由飞行时的状态。本发明具有快速性及智能化的优点，可用于提高机载、舰载及车载导弹武器的导航精度。

Description

一种智能化机载导弹动基座对准及标定方法

技术领域

本发明涉及一种智能化机载导弹动基座对准及标定方法，可用于提高机载、舰载及车载导弹武器的导航精度。

背景技术

初始对准误差是惯性导航系统(INS)的主要误差源之一，初始对准精度和速度直接关系到武器系统的打击命中精度及快速反应能力。通常，卡尔曼滤波用于解决INS的初始对准问题，它可以从被噪声污染的观测值中估计出系统的状态值。然而由于卡尔曼滤波器的运算时间与系统阶次的三次方成正比，所以当系统阶次较高时，滤波器的实时性就很难保证。虽然采用分布式卡尔曼滤波器可以提高滤波的实时性，但其代数结构复杂，且对系统构成有所限制。

考虑到神经网络具有自学习功能和可以逼近任何非线性函数的能力，以及神经网络处理数据的快速性和并行性特点。因此，人们希望利用神经网络代替卡尔曼滤波器的功能，以提高INS对准过程的实时性及智能化。近年来，研究人员在此方面进行了相应的研究工作，利用不同的神经网络算法代替卡尔曼滤波器，以实现INS静基座初始对准的实时性问题。然而，到目前为止，涉及研究如何利用神经网络实现动基座对准问题的文献却极少。这是由于在静基座对准时，INS可以看作为定常系统，而BP等神经网络实际上是静态网络，它所能完成的功能只是从一个空间到另一个空间的映射。因此，神经网络用预先取得的卡尔曼滤波估值及相应的观测值进行训练，当网络输出与样本值间的误差在允许范围之内时，就可以用此神经网络独立对系统进行精确估值并补偿，从而达到INS在静基座条件下的快速对准及标定的目的。但在动基座条件下，由于这时位置、速度、姿态等导航参数都将随时间变化，系统模型是时变的。这时如果直接利用卡尔曼滤波的测量值和滤波结果作为输入输出样本来训练神经网络，由于导弹随载机飞行网络训练所用样本与导弹自由飞行时实际应用样本之间不一致，因此基于静基座对准及标定条件构造及训练的网络将无法应用于动基座情况。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种智能化机载导弹动基座对准及标定方法，该方法提高了机载导弹武器INS动基座初始对准和标定的速度，并具有智能化的特点。

本发明的技术解决方案为：一种智能化机载导弹动基座对准及标定方法，其特点在于包括下列步骤：

(1)根据分析主惯导和子惯导之间的安装误差角、弹性变形角和弹性变形角速率误差特性，建立主惯导和子惯导之间误差的系统状态方程和量测方程；

(2)在构造神经网络输入输出样本时，选择将弹载子惯导陀螺仪和加速度计的输出值作为输入样本，机载主惯导陀螺仪和加速度计的输出值与输入样本之间的差值作为输出样本，训练神经网络；

(3)在导弹的自由飞行阶段，将弹载子惯导的陀螺仪和加速度计的测量值实时输入神经网络滤波器，通过神经网络滤波器进行对准和标定后能够消除陀螺仪和加速度计测量值中由确定性误差和失准角引起的测量误差；

(4)最后将校正后的陀螺仪和加速度计的测量值送入导航计算机，完成导航参数的解算。

所述步骤(1)中建立的主惯导和子惯导之间误差状态方程为

$\left[\begin{array}{c}{\stackrel{\·}{\mathrm{\Ψ}}}_x\\ {\stackrel{\·}{\mathrm{\Ψ}}}_y\\ {\stackrel{\·}{\mathrm{\Ψ}}}_z\\ {\stackrel{\·}{\mathrm{\θ}}}_x\\ {\stackrel{\·}{\mathrm{\θ}}}_y\\ {\stackrel{\·}{\mathrm{\θ}}}_z\\ {\stackrel{\·\·}{\mathrm{\θ}}}_x\\ {\stackrel{\·\·}{\mathrm{\θ}}}_y\\ {\stackrel{\·\·}{\mathrm{\θ}}}_z\end{array}\right]=\left[\begin{array}{ccccccccc}0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1\\ 0& 0& 0& {-\mathrm{\β}}_x^2& 0& 0& -2{\mathrm{\β}}_x& 0& 0\\ 0& 0& 0& 0& -{\mathrm{\β}}_y^2& 0& 0& {-2\mathrm{\β}}_y& 0\\ 0& 0& 0& 0& 0& {-\mathrm{\β}}_z^2& 0& 0& -2{\mathrm{\β}}_z\end{array}\right]\left[\begin{array}{c}{\mathrm{\Ψ}}_x\\ {\mathrm{\Ψ}}_y\\ {\mathrm{\Ψ}}_z\\ {\mathrm{\θ}}_x\\ {\mathrm{\θ}}_y\\ {\mathrm{\θ}}_z\\ {\stackrel{\·}{\mathrm{\θ}}}_x\\ {\stackrel{\·}{\mathrm{\θ}}}_y\\ {\stackrel{\·}{\mathrm{\θ}}}_z\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ 0\\ 0\\ 0\\ 0\\ {\mathrm{\ρ}}_x\\ {\mathrm{\ρ}}_y\\ {\mathrm{\ρ}}_z\end{array}\right]$

其中，Ψ_x，Ψ_y，Ψ_z、θ_x，θ_y，θ_z和分别为主、子惯导之间安装误差角、弹性变形角和弹性变形角速率的分量。β_i＝2.146/τ_i(i＝x，y，z)，τ_i为相应轴向的弹性变形相关时间，ρ_x，ρ_y，ρ_z为具有一定方差的白噪声。

上述的建立的主惯导和子惯导之间误差源的量测方程为

Z＝HX+V

其中，观测矩阵

$H=\left[\begin{array}{ccccccccc}0& {\mathrm{\ω}}_{\mathrm{ibz}}^m& -{\mathrm{\ω}}_{\mathrm{iby}}^m& 0& {\mathrm{\ω}}_{\mathrm{ibz}}^m& -{\mathrm{\ω}}_{\mathrm{iby}}^m& -1& 0& 0\\ -{\mathrm{\ω}}_{\mathrm{ibz}}^m& 0& {\mathrm{\ω}}_{\mathrm{ibx}}^m& -{\mathrm{\ω}}_{\mathrm{ibz}}^m& 0& {\mathrm{\ω}}_{\mathrm{ibx}}^m& 0& -1& 0\\ {\mathrm{\ω}}_{\mathrm{iby}}^m& -{\mathrm{\ω}}_{\mathrm{ibx}}^m& 0& {\mathrm{\ω}}_{\mathrm{iby}}^m& -{\mathrm{\ω}}_{\mathrm{ibx}}^m& 0& 0& 0& -1\end{array}\right]$

V＝[v₁ v₂ v₃]^T为零均值的白噪声。

所述的步骤(2)构造的神经网络输入输出样本方法为一种适用于动基座对准和标定的神经网络样本构造方法，该方法的具体步骤为：

(1)首先根据建立的主惯用导和子惯导之间误差状态方程和量测方程，利用卡尔曼滤波器估计出安装误差角

弹性变形角

和弹性变形角速率

(2)根据估计出的安装误差角

和弹性变形角

构造主惯用导和子惯导之间的转换矩阵

(3)根据估计的弹性变形角速率

将其从陀螺仪的测量值ω_ib ^s去掉，得到补偿后的子惯导陀螺仪的测量值ω_ib ^tr；

(4)主惯导和子惯导安装距离r已知，利用主惯导陀螺仪的输出值ω_ib ^m，可求出杆臂效应误差f_r ^s；然后，进一步对子惯导加速度计的测量值f_b ^s进行杆臂效应误差补偿，得到补偿后子惯导加速度计的测量值f_b ^tr；

(5)通过对子惯导陀螺仪和加速度计输出值进行补偿，再利用ω_ib ^tr，f_b ^tr作为输入样本，主惯导陀螺仪和加速度计的输出值ω_ib ^m、f_b ^m与神经网络输入样本ω_ib ^tr、f_b ^tr之间的差值δω，δf作为输出样本，对神经网络滤波器进行训练。

本发明的原理是：由于在动基座条件下，这时机载导弹子惯导系统的位置、速度、姿态等参数都将随时间变化，系统模型是时变的。因此，如果使用同静基座对准及标定时神经网络样本对的构造办法，利用预先取得的卡尔曼滤波估值及相应的观测值进行神经网络训练，但当网络训练好后，实际应用时所采集的样本已发生变化，训练的网络将无法应用。因此，在构造动基座对准的神经网络输入输出样本时，需要使用一种不同于静基座的构造办法。

通过分析可以发现，无论导弹随载机飞行还是导弹自由飞行阶段，虽然位置、速度、姿态等导航参数随时间变化，但子惯导陀螺仪和加速度计的特性是不变的。因此，在构造神经网络输入输出样本时，选择将弹载子惯导陀螺仪和加速度计的输出值作为输入样本，机载主惯导陀螺仪和加速度计的输出值与输入样本之间的差值作为输出样本，训练神经网络。而在具体构造输入样本时，考虑到导弹悬挂在载机机翼处时，输入样本中包含着由安装误差、杆臂效应误差和弹性变形误差引起的测量误差，这与导弹自由飞行时子惯导陀螺仪和加速度计的感测量还不一致。为解决这一问题，可根据主-子惯导之间的安装误差角、弹性变形角和弹性变形角速率的误差模型，采用主、子惯导陀螺仪输出值之差作为观测量，由卡尔曼滤波器首先估计出弹载子惯导的安装误差角及弹性变形角速率，并根据杆臂长度和主惯导陀螺仪的输出值计算杆臂效应误差。然后根据主、子惯导陀螺仪和加速度计输出值之间的转换关系，补偿弹载子惯导陀螺仪和加速度计测量值中的相应误差，这时得到的训练输入样本能够真实的模拟导弹自由飞行时的情况。在导弹发射后的自由飞行段，将弹载子惯导的陀螺仪和加速度计的测量值实时输入神经网络滤波器，通过神经网络滤波器进行对准和标定后能够消除陀螺仪和加速度计测量值中由确定性误差(刻度因数、零偏等)和失准角引起的测量误差。最后将校正后的陀螺仪和加速度计的测量值送入导航计算机，完成导航参数的解算。

本发明与现有技术相比的优点在于：本发明利用无论导弹随载机飞行还是导弹自由飞行阶段，虽然位置、速度、姿态等导航参数随时间变化，但子惯导陀螺仪和加速度计的特性不变的特点，作为构造神经网络的出发点；根据主-子惯导之间的误差模型，采用主-子惯导陀螺仪输出值之差作为观测量，由卡尔曼滤波器首先估计出弹载子惯导的安装误差角及弹性变形角速率，并根据杆臂长度和主惯导陀螺仪的输出值计算杆臂效应误差。然后根据主-子惯导陀螺仪和加速度计输出值之间的转换关系，补偿弹载子惯导陀螺仪和加速度计测量值中的相应误差，这时得到的训练输入样本能够真实的模拟导弹自由飞行时的情况；在导弹的自由飞行阶段，将弹载子惯导的陀螺仪和加速度计的测量值实时输入神经网络滤波器，通过神经网络滤波器进行对准和标定后能够消除陀螺仪和加速度计测量值中由确定性误差和失准角所引起的测量误差，从而提高了对陀螺仪和加速度计测量值的补偿的实时性和精确性提高了导航参数的解算精度。

附图说明

图1为本发明的主-子惯导测量的角速度关系示意图；

图2为本发明的卡尔曼滤波基本算法的解算流程图；

图3为本发明的所构造的神经网络输入输出样本原理框图；

图4为本发明的利用神经网络进行智能化初始对准和标定的原理图。

具体实施方式

如图1、2、3、4所示，本发明的具体方法如下：

(1)主、子惯导之间误差源数学模型的建立，包括系统状态方程和量测方程，分别如式1和式4所示。

系统状态方程：

$\stackrel{\·}{X}=\mathrm{AX}+W---\left(1\right)$

其中，X为系统状态矢量，W为系统噪声矢量，A为系统转移矩阵，

$X={[{\mathrm{\Ψ}}_x,{\mathrm{\Ψ}}_y,{\mathrm{\Ψ}}_z,{\mathrm{\θ}}_x,{\mathrm{\θ}}_y,{\mathrm{\θ}}_z,{\stackrel{\·}{\mathrm{\θ}}}_x,{\stackrel{\·}{\mathrm{\θ}}}_y,{\stackrel{\·}{\mathrm{\θ}}}_z]}^T,$ W＝[0 0 0 0 0 0 ρ_x ρ_y ρ_z]^T

$A=\left[\begin{array}{ccccccccc}0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1\\ 0& 0& 0& {-\mathrm{\β}}_x^2& 0& 0& -2{\mathrm{\β}}_x& 0& 0\\ 0& 0& 0& 0& -{\mathrm{\β}}_y^2& 0& 0& {-2\mathrm{\β}}_y& 0\\ 0& 0& 0& 0& 0& {-\mathrm{\β}}_z^2& 0& 0& -2{\mathrm{\β}}_z\end{array}\right]$

τ_i为三个轴上弹性变形的相关时间，ρ_x，ρ_y，ρ_z为具有一定方差的白噪声，ρ_i～N(0，Q_i)(i＝x，y，z)，其方差满足

σ_i ²(i＝x，y，z)为子惯导三个方向上弹性变形角的方差。

系统的量测方程

由主、子惯导的陀螺仪输出值的差值构造的观测量为

$Z=\left[\begin{array}{c}\mathrm{\Δ}{\mathrm{\ω}}_x\\ {\mathrm{\Δ\ω}}_y\\ \mathrm{\Δ}{\mathrm{\ω}}_z\end{array}\right]=\left[\begin{array}{c}{\mathrm{\ω}}_{\mathrm{ibx}}^m-{\mathrm{\ω}}_{\mathrm{ibx}}^s\\ {\mathrm{\ω}}_{\mathrm{iby}}^m-{\mathrm{\ω}}_{\mathrm{iby}}^s\\ {\mathrm{\ω}}_{\mathrm{ibz}}^m-{\mathrm{\ω}}_{\mathrm{ibz}}^s\end{array}\right]---\left(2\right)$

式中，[ω_ibx ^m ω_iby ^m ω_ibz ^m]^T，[ω_ibx ^s ω_iby ^s ω_ibz ^s]^T分别为主、子惯导陀螺仪测量的三个轴方向的角速度。

如图1所示，子惯导陀螺仪测量的角速度ω_ib ^s是由主惯导陀螺仪测量的角速度ω_ib ^m旋转一个(Ψ+θ)角得到的，这里假设(Ψ+θ)为小角度，另外，由于机翼的弹性变形，弹载子惯导陀螺仪会测量到附加的角速度

有

${\mathrm{\ω}}_{\mathrm{ib}}^s=C_m^s{\mathrm{\ω}}_{\mathrm{ib}}^m+\stackrel{\·}{\mathrm{\θ}}---\left(3\right)$

式中， $C_m^s=\left[\begin{array}{ccc}1& -({\mathrm{\Ψ}}_z+{\mathrm{\θ}}_z)& ({\mathrm{\Ψ}}_y+{\mathrm{\θ}}_y)\\ ({\mathrm{\Ψ}}_z+{\mathrm{\θ}}_z)& 1& -({\mathrm{\Ψ}}_x+{\mathrm{\θ}}_x)\\ -({\mathrm{\Ψ}}_y+{\mathrm{\θ}}_y)& ({\mathrm{\Ψ}}_x+{\mathrm{\θ}}_x)& 1\end{array}\right]$

则

$\mathrm{\Δ\ω}={\mathrm{\ω}}_{\mathrm{ib}}^m-{\mathrm{\ω}}_{\mathrm{is}}^s={\mathrm{\ω}}_{\mathrm{ib}}^m-(I+(\mathrm{\Ψ}+\mathrm{\θ}))\×{\mathrm{\ω}}_{\mathrm{ib}}^m-\stackrel{\·}{\mathrm{\θ}}=-(\mathrm{\Ψ}+\mathrm{\θ})\×{\mathrm{\ω}}_{\mathrm{ib}}^m-\stackrel{\·}{\mathrm{\θ}}$

故滤波器的量测方程为：

Z＝HX+V    (4)

其中，量测矩阵

量测噪声V＝[v₁ v₂ v₃]^T为零均值的白噪声。

(2)根据建立的主-子惯导之间误差源状态方程和量测方程，利用卡尔曼滤波基本算法对安装误差角

弹性变形角

和弹性变形角速率

进行估计，卡尔曼滤波基本算法编排，该算法的流程图如图2所示。

状态一步预测方程

${\stackrel{\mathrm{\Λ}}{X}}_{k/k-1}={\mathrm{\φ}}_{k,k-1}{\stackrel{\mathrm{\Λ}}{X}}_{k-1}---\left(5\right)$

状态估值计算方程

${\stackrel{\mathrm{\Λ}}{X}}_k={\stackrel{\mathrm{\Λ}}{X}}_{k/k-1}+K_k(Z_k-H_k{\stackrel{\mathrm{\Λ}}{X}}_{k/k-1})---\left(6\right)$

滤波增量方程

${\stackrel{\mathrm{\Λ}}{K}}_k={\stackrel{\mathrm{\Λ}}{P}}_{k/k-1}{H}_k^T{(H_k{P}_{k/k-1}{H}_k^T+R_k)}^{-1}---\left(7\right)$

一步预测均方误差方程

${\stackrel{\mathrm{\Λ}}{P}}_{k/k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T---\left(8\right)$

估计均方误差方程

${\stackrel{\mathrm{\Λ}}{P}}_k=(I-K_k{H}_k)P_{k/k-1}{(I-K_k{H}_k)}^T+K_k{R}_k{K}_k^T---\left(9\right)$

(3)神经网络输入输出样本的构造。不同于静基座情况，由于在动基座条件下，这时弹载子惯导系统的位置、速度、姿态等参数都将随时间变化，系统模型是时变的。因此，如果使用同静基座对准及标定时神经网络样本对的构造办法来训练动基座标定网络，当弹载子惯导随载机飞行时网络训练好后，但导弹发射后自由飞行阶段对弹载子惯导进行标定时，网络所采集的输入样本已发生根本变化，这种方法构造和训练的网络将无法应用。因此，在构造适用于动基座标定的神经网络输入输出样本时，需要使用一种不同于静基座对准和标定的构造方法。

通过分析可以发现，无论导弹随载机飞行还是导弹自由飞行阶段，虽然位置、速度、姿态等导航参数随时间变化，但子惯导陀螺仪和加速度计的特性是不变的。因此，在构造神经网络输入输出样本时，选择将弹载子惯导陀螺仪和加速度计的输出值作为输入样本，机载主惯导陀螺仪和加速度计的输出值与输入样本之间的差值作为输出样本，训练神经网络。而在具体构造输入样本时，考虑到导弹悬挂在载机机翼处时，输入样本中包含着由安装误差、杆臂效应误差和弹性变形误差引起的测量误差，这与导弹自由飞行时子惯导陀螺仪和加速度计的感测量还不一致。为解决这一问题，根据主-子惯导之间的安装误差角、弹性变形角和弹性变形角速率的误差模型，采用主、子惯导陀螺仪输出值之差作为观测量，由卡尔曼滤波器首先估计出弹载子惯导的安装误差角及弹性变形角速率，并根据杆臂长度和主惯导陀螺仪的输出值计算杆臂效应误差。然后根据主、子惯导陀螺仪和加速度计输出值之间的转换关系，补偿弹载子惯导陀螺仪和加速度计测量值中的相应误差，这时得到的训练输入样本能够真实的模拟导弹自由飞行时的情况。在导弹发射后的自由飞行段，将弹载子惯导的陀螺仪和加速度计的测量值实时输入神经网络滤波器，通过神经网络滤波器进行标定后能够消除陀螺仪和加速度计测量值中由确定性误差(刻度因数、零偏等)和失准角引起的测量误差。最后将校正后的陀螺仪和加速度计的测量值送入导航计算机，完成导航参数的解算。这样，建立的空射导弹自由飞行阶段自动标定的神经网络输入输出样本对构造原理如图3所示。

具体构造方法如下：

a.首先根据建立的主-子惯导之间误差状态模型，主、子惯导陀螺仪的测量值ω_ib ^m、ω_ib ^s之间的差值Δω作为观测量的测量模型，利用卡尔曼滤波器估计出安装误差角

弹性变形角和弹性变形角速率

b.由估计出的安装误差角和弹性变形角

构造主子惯导之间的转换矩阵

具体形式为

${\hat{C}}_m^s=\left[\begin{array}{ccc}1& {\widehat{\mathrm{\Ψ}}}_z+{\widehat{\mathrm{\θ}}}_z& -({\widehat{\mathrm{\Ψ}}}_y+{\widehat{\mathrm{\θ}}}_y)\\ -({\widehat{\mathrm{\Ψ}}}_z+{\widehat{\mathrm{\θ}}}_z)& 1& {\widehat{\mathrm{\Ψ}}}_x+{\widehat{\mathrm{\θ}}}_x\\ {\widehat{\mathrm{\Ψ}}}_y+{\widehat{\mathrm{\θ}}}_y& -({\widehat{\mathrm{\Ψ}}}_x+{\widehat{\mathrm{\θ}}}_x)& 1\end{array}\right]---\left(10\right)$

c.将估计的弹性变形角速率

从陀螺仪的测量值ω_ib ^s中去除，得到陀螺仪补偿后的测量值ω_ib ^tr为

${\mathrm{\ω}}_{\mathrm{ib}}^{\mathrm{tr}}={\left({\hat{C}}_m^s\right)}^{-1}{\mathrm{\ω}}_{\mathrm{ib}}^s-\stackrel{\widehat{\·}}{\mathrm{\θ}}---\left(11\right)$

d.主-子惯导之间安装距离r已知，利用主惯导陀螺仪的输出值ω_ib ^m，可求出杆臂效应误差f_r ^s

$f_r^s={\stackrel{\·}{\mathrm{\ω}}}_{\mathrm{ib}}^m\×r+{\mathrm{\ω}}_{\mathrm{ib}}^m\×({\mathrm{\ω}}_{\mathrm{ib}}^m\×r)---\left(12\right)$

然后，进一步对子惯导加速度计的测量值f_b ^s进行杆臂效应误差补偿，得到补偿后子惯导加速度计的测量值f_b ^tr为

$f_b^{\mathrm{tr}}={\left({\hat{C}}_m^s\right)}^{-1}{f}_b^s-f_r^s---\left(13\right)$

e.通过对子惯导陀螺仪和加速度计输出值进行补偿，再利用ω_ib ^tr，f_b ^tr作为输入样本，主惯导陀螺仪和加速度计的输出值ω_ib ^m、f_b ^m与神经网络输入样本ω_ib ^tr、f_b ^tr之间的差值δω，δf作为输出样本，对神经网络滤波器进行训练。

(4)导弹随载机飞行阶段利用构造的输入输出样本对神经网络进行训练，导弹自由飞行时即可利用训练好的网络完成对弹载子惯导系统的自动标定，工作原理如图4所示。

导弹自由飞行时，将子惯导陀螺仪、加速度计的输出值ω_ib ^s、f_b ^s送入训练好的神经网络，这时神经网络的输出为子惯导陀螺仪和加速度计的测量误差δωt、δft，再利用δω′、δf′对子惯导的测量值ω_ib ^s、f_b ^s进行修正，即

${\mathrm{\ω}}_N={\mathrm{\ω}}_{\mathrm{ib}}^s-{\mathrm{\δ\ω}}^{\′}---\left(14\right)$

$f_N=f_b^s-{\mathrm{\δf}}^{\′}---\left(15\right)$

然后，将ω_N，f_N送入导航计算机，即可得到补偿后导弹精确的速度、位置和姿态角等导航信息。

Claims (3)

1.一种智能化机载导弹动基座对准及标定方法，其特征在于步骤如下：

(1)根据主惯导和子惯导之间的安装误差角、弹性变形角和弹性变形角速率误差特性，建立主惯导和子惯导之间误差的系统状态方程和量测方程；

(2)在构造神经网络输入输出样本时，选择将弹载子惯导陀螺仪和加速度计的输出值作为输入样本，机载主惯导陀螺仪和加速度计的输出值与输入样本之间的差值作为输出样本，训练神经网络；

(3)在导弹的自由飞行阶段，将弹载子惯导的陀螺仪和加速度计的测量值实时输入神经网络滤波器，通过神经网络滤波器进行对准和标定后能够消除弹载子惯导陀螺仪和加速度计测量值中由确定性误差和失准角引起的测量误差；

(4)最后将校正后的弹载子惯导陀螺仪和加速度计的测量值送入导航计算机，完成导航参数的解算。

2.根据权利要求1所述的智能化机载导弹动基座对准及标定方法，其特征在于：步骤(1)建立主惯导和子惯导之间误差的系统状态方程和量测方程如下：

(1)主惯导和子惯导之间误差状态方程为

$\left[\begin{array}{c}{\stackrel{.}{\mathrm{\Ψ}}}_x\\ {\stackrel{.}{\mathrm{\Ψ}}}_y\\ {\stackrel{\·}{\mathrm{\Ψ}}}_z\\ {\stackrel{.}{\mathrm{\θ}}}_x\\ {\stackrel{.}{\mathrm{\θ}}}_y\\ {\stackrel{.}{\mathrm{\θ}}}_z\\ {\stackrel{..}{\mathrm{\θ}}}_x\\ {\stackrel{..}{\mathrm{\θ}}}_y\\ {\stackrel{..}{\mathrm{\θ}}}_z\end{array}\right]=\left[\begin{array}{ccccccccc}0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1\\ 0& 0& 0& {-\mathrm{\β}}_x^2& 0& 0& {-2\mathrm{\β}}_x& 0& 0\\ 0& 0& 0& 0& {-\mathrm{\β}}_y^2& 0& 0& {-2\mathrm{\β}}_y& 0\\ 0& 0& 0& 0& 0& {-\mathrm{\β}}_z^2& 0& 0& {-2\mathrm{\β}}_z\end{array}\right]\left[\begin{array}{c}{\mathrm{\Ψ}}_x\\ {\mathrm{\Ψ}}_y\\ {\mathrm{\Ψ}}_z\\ {\mathrm{\θ}}_x\\ {\mathrm{\θ}}_y\\ {\mathrm{\θ}}_z\\ {\stackrel{.}{\mathrm{\θ}}}_x\\ {\stackrel{.}{\mathrm{\θ}}}_y\\ {\stackrel{.}{\mathrm{\θ}}}_z\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ 0\\ 0\\ 0\\ 0\\ {\mathrm{\ρ}}_x\\ {\mathrm{\ρ}}_y\\ {\mathrm{\ρ}}_z\end{array}\right]$

其中，Ψ_x，Ψ_y，Ψ_z、θ_x，θ_y，θ_z和

分别为主惯导和子惯导之间安装误差角、弹性变形角和弹性变形角速率的分量，

和

分别为机载主惯导与弹载子惯导之间安装误差角速率和弹性变形角加速度的分量，β_i＝2.146/τ_i(i＝x，y，z)，τ_i为相应轴向的弹性变形相关时间，ρ_x，ρ_y，ρ_z为具有一定方差的白噪声；

(2)由主惯导和子惯导陀螺仪输出值之差构造的观测量，得到主惯导和子惯导之间误差源的观测模型为

Z＝HX+V

其中，观测矩阵

$H=\left[\begin{array}{ccccccccc}0& {\mathrm{\ω}}_{\mathrm{ibz}}^m& -{\mathrm{\ω}}_{\mathrm{iby}}^m& 0& {\mathrm{\ω}}_{\mathrm{ibz}}^m& -{\mathrm{\ω}}_{\mathrm{iby}}^m& -1& 0& 0\\ -{\mathrm{\ω}}_{\mathrm{ibz}}^m& 0& {\mathrm{\ω}}_{\mathrm{ibx}}^m& -{\mathrm{\ω}}_{\mathrm{ibz}}^m& 0& {\mathrm{\ω}}_{\mathrm{ibx}}^m& 0& -1& 0\\ {\mathrm{\ω}}_{\mathrm{iby}}^m& -{\mathrm{\ω}}_{\mathrm{ibx}}^m& 0& {\mathrm{\ω}}_{\mathrm{iby}}^m& -{\mathrm{\ω}}_{\mathrm{ibx}}^m& 0& 0& 0& -1\end{array}\right]$

V＝[v₁ v₂ v₃]^T为零均值的白噪声，v₁，v₂，v₃分别为X、Y和Z三个坐标轴上的零均值白噪声分量；ω_ibx ^m，ω_iby ^m，ω_ibz ^m分别代表主惯导陀螺仪和加速度计在X、Y和Z三个坐标轴的输出分量。

3.根据权利要求1所述的智能化机载导弹动基座对准及标定方法，其特征在于：所述步骤(2)构造的神经网络输入输出样本方法为一种适用于动基座对准和标定的神经网络样本构造方法，具体步骤为：

(1)根据建立的主惯导和子惯导之间误差状态方程和量测方程，利用卡尔曼滤波器估计出安装误差角弹性变形角

和弹性变形角速率

(2)根据估计出的安装误差角

和弹性变形角构造主惯导和子惯导之间的转换矩阵

(3)根据估计的弹性变形角速率

将其从弹载子惯导陀螺仪的测量值ω_ib ^s去掉，得到补偿后的子惯导陀螺仪的测量值ω_ib ^tr；

(4)主惯导和子惯导安装距离r已知，利用主惯导陀螺仪的输出值ω_ib ^m，可求出杆臂效应误差f_r ^s；然后，进一步对子惯导加速度计的测量值f_b ^s进行杆臂效应误差补偿，得到补偿后子惯导加速度计的测量值f_b ^tr；

(5)通过对子惯导陀螺仪和加速度计输出值进行补偿，再利用ω_ib ^tr，f_b ^tr作为输入样本，主惯导陀螺仪和加速度计的输出值ω_ib ^m、f_b ^m与神经网络输入样本ω_ib ^tr、f_b ^tr之间的差值δω，δf作为输出样本，对神经网络滤波器进行训练。

Images