CN104330084B - 一种水下航行器用神经网络辅助组合导航方法 - Google Patents
一种水下航行器用神经网络辅助组合导航方法 Download PDFInfo
- Publication number
- CN104330084B CN104330084B CN201410643141.5A CN201410643141A CN104330084B CN 104330084 B CN104330084 B CN 104330084B CN 201410643141 A CN201410643141 A CN 201410643141A CN 104330084 B CN104330084 B CN 104330084B
- Authority
- CN
- China
- Prior art keywords
- rbfnn
- subsystem
- sins
- input
- delta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种水下航行器用神经网络辅助组合导航方法。本发明由捷联惯性导航系统SINS、多普勒测速仪DVL、磁航向仪MCP和地形辅助导航系统TAN组成,采用径向基函数神经网络(RBFNN)辅助卡尔曼滤波的分散滤波结构和容错方法完成组合导航。在无故障时间段,RBFNN为在线学习模式,SINS与各辅助系统的观测量之差作为RBFNN的期望输出,经误差补偿后的加速度计的输出fb和陀螺仪的输出作为RBFNN的输入;当SINS作为参考系统与各辅助系统组成的子系统发生故障时,立即切换到RBFNN预测模式,预测输出作为相应子滤波器的量测输入。相比于发生故障时的SINS模式,RBFNN模式的导航精度有所提高,尤其当故障恢复时间相对较长时,其导航精度提高的尤为明显。
Description
技术领域
本发明涉及水下导航技术领域,具体地说是设计一种能够在水下航行器的某个子系统发生故障时辅助组合导航定位的方法。
背景技术
水下航行器作为探索海洋的重要手段,无论在军事上还是民用上都得到了广泛的应用,随着水下航行器的不断发展以及其工作范围的不断扩大,其对水下导航定位也有了更高的要求,要求其所配备的导航系统不仅能够提供高精度的导航定位,而且具有较高的可靠性,为此需要通过多导航传感器的信息融合来满足上述要求。目前,水下组合导航系统多采用具有实时性好、设计灵活、容错性能高等优良特性的联邦滤波结构。
然而,导航技术的发展使系统日益复杂化和大型化,也对水下组合导航系统的可靠性提出了更高的要求,可靠性的提高除了采用可靠的硬件之外,使系统具有故障检测、分离和重构功能及容错设计也是提高可靠性的重要途径,其中容错设计的主要原理为:首先局部滤波器中的故障检测及隔离算法确定子系统的故障,进而判定失效的导航系统。一旦确定了某个子系统发生了故障,则由相应局部滤波器得到的状态估计是不正确的,因而将该子系统进行隔离,同时通过系统信息重构使整体系统不致因故障而失效,此时发生故障的子系统的相应部分的导航输出直接由SINS给出。当失效的导航系统修复完毕时,由相应的子系统输出驱动的局部滤波器又能获得正确的局部状态估计值,将其输入到主滤波器,则可使组合导航系统重新为用户提供可靠的、精确的导航信息。但是,若失效的导航系统修复时间相对较长,也无相应的通道切换,此时,导航精度必然会随着时间的推移产生较大的退化。
近年来人工智能理论迅速发展,它在解决不确定数学模型、非线性系统等问题方面有着无法比拟的优点。其中神经网络具有高度并行的结构、强大的学习能力、连续非线性函数的逼近能力以及容错能力等优点,因此将神经网络应用到组合导航中辅助其导航定位具有重要意义。
发明内容
本发明的目的在于:当确定水下组合导航系统的某个子发生故障时,立即将该子系统隔离,并利用剩余正常的子系统进行重构,此时等待失效的子系统恢复或者进行通道切换。若失效子系统修复时间较长且无相应的通道切换,则导航的局部输出无相应的误差校正,此时随着时间的推移其导航精度将会有较大的退化。因此,在某个子系统失效时,可利用神经网络对卡尔曼滤波器的量测输入进行预测,使得滤波器能够继续正常工作并提供局部状态估计值。这与故障发生时系统还需再进行重构,且导航输出无相应的误差校正相比,采用神经网络辅助组合导航定位理论上具有明显的优势。
本发明的技术方案具体如下:
1.一种水下航行器用神经网络辅助组合导航方法,其特征在于:由捷联惯性导航系统(SINS),多普勒测速仪(DVL)、磁航向仪(MCP)和地形辅助导航系统(TAN)组成导航系统,采用RBF神经网络辅助卡尔曼滤波的分散滤波结构和容错方法完成组合导航,通过以下步骤实现:
1.)建立径向基函数神经网络(RBFNN)和各导航系统之间的组合模型
捷联惯性导航系统(SINS)作为参考系统和多普勒测速仪(DVL)、RBFNN(1)、子滤波器(1)及故障检测模块(1)组成子系统1,捷联惯性导航系统(SINS)和磁航向仪(MCP)、RBFNN(2)、子滤波器(2)及故障检测模块(2)组成子系统2,捷联惯性导航系统(SINS)和地形辅助导航系统(TAN)、RBFNN(3)、子滤波器(3)及故障检测模块(3)组成子系统3。子系统分为两种工作模式:RBFNN学习模式和RBFNN预测模式。当子系统正常工作时,子系统的RBFNN处于在线并行学习模式,并采用相应的训练方法对神经网络的关键参数进行调整;当子系统发生故障时,子系统的RBFNN处于预测模式,预测输出各子滤波器的量测输入。
2.)故障检测模块判断子系统是否发生故障。假定组合导航系统中的SINS是可靠的,导航系统故障判断准则为:若故障检测模块(1)检测出子系统1发生故障,则判定导航系统DVL故障;若故障检测模块(2)检测出子系统2发生故障,则判定导航系统MCP故障;若故障检测模块(3)检测出子系统3发生故障,则判定导航系统TAN故障。当故障检测模块检测出子系统无故障时,则进入步骤3.),否则进入步骤4.)。
3.)当故障检测模块检测出子系统无故障时,则对各子系统的RBFNN进行在线训练,在线训练和导航过程是并行执行的。RBFNN(1)的训练输入为经误差补偿后的加速度计的输出fb和陀螺仪的输出子滤波器(1)的量测输入作为RBFNN(1)的期望输出;RBFNN(2)的训练输入为fb和子滤波器(2)的量测输入作为RBFNN(2)的期望输出;RBFNN(3)的训练输入为fb和子滤波器(3)的量测输入作为RBFNN(3)的期望输出。
4.)当故障检测模块检测出子系统发生故障时,子系统由RBFNN学习模式切换到RBFNN预测模式,即RBFNN为各子滤波器提供相应的量测输入。当子系统1发生故障时,RBFNN(1)预测输出子滤波器(1)的量测输入;当子系统2发生故障时,RBFNN(2)预测输出滤波器(2)的量测输入;当子系统3发生故障时,RBFNN(3)预测输出子滤波器(3)的量测输入。
5.)各子滤波器提供的信息进入主滤波器进行信息融合,输出的误差补偿量再反馈校正捷联惯性导航系统(SINS)。
6.)当发生故障的导航系统恢复正常工作状态时,此时RBFNN由预测模式转为在线学习模式。
各子滤波器采用卡尔曼滤波器(KF)或者扩展卡尔曼滤波器(EKF)。捷联惯性导航系统(SINS)提供姿态、速度和位置信息,多普勒测速仪(DVL)提供的水下航行器对地速度信息和捷联惯性导航系统(SINS)的速度信息之差作为子滤波器(1)的量测输入;磁航向仪(MCP)提供的航向角信息和捷联惯性导航系统(SINS)的航向角信息之差作为子滤波器(2)的量测输入;地形辅助导航系统(TAN)提供的经纬度信息和捷联惯性导航系统(SINS)的经纬度之差作为子滤波器(3)的量测输入。
所述的神经网络采用RBF神经网络;所述故障检测模块采用的方法为残差χ2检测法;所述的信息融合为卡尔曼滤波。
所述的学习方法为在线学习方法。样本每存储到一定的数据量即保存为一个样本集,在线训练过程中包含A和B两个样本集。当RBFNN对已经保存好的样本A进行学习时,样本B处于建立状态,当样本B保存完毕时,RBFNN对样本B进行学习,此时样本A处于建立状态,然后依次交替的对样本A,B进行训练,直至发生故障时RBFNN进入预测模式。若在RBFNN对样本集进行学习时发生故障,则此时退出训练,但并不保存神经网络的参数,RBFNN预测则是采用上次保存的参数值。在线学习采用的RBFNN算法如下:
RBFNN采用的径向基函数为高斯基函数:
式中,x=[x1,x2,...,xi]T为网络的输入;cj=[cj1,cj2,...,cjn]为第j个隐含层神经元的中心点矢量值;b=[b1,b2,...,bm]T为高斯基函数的宽度矢量,且bj>0为隐含层神经元j的高斯基函数的宽度;w=[w1,w2,...,wm]T为网络的权值矢量;||x-cj||表示欧氏距离(x与cj之间)。
RBF网络的理论输出为:
所述的训练方法为梯度下降法。当子系统无故障时,通过梯度下降法对权值、中心值和阈值按以下方式进行更新:
t时刻权值的增量为:
调整后的权值为:wj(t)=wj(t-1)+Δwj(t)+α(wj(t-1)-wj(t-2))
t时刻阈值的增量:
调整后的阈值为:bj(t)=bj(t-1)+Δbj+α(bj(t-1)-bj(t-2))
t时刻中心值的增量:
调整后的中心值:cji(t)=cji(t-1)+Δcji+α(cji(t-1)-cji(t-2))
式中,η∈(0,1)为学习速率,α∈(0,1)为动量因子,y(t)为实际值,ym(t)为神经网络的预测值,wj(t-1)和wj(t-2)分别表示t-1和t-2时刻的权值,bj(t-1)和bj(t-2)分别表示t-1和t-2时刻的阈值,cji(t-1)和cji(t-2)分别表示t-1和t-2时刻的中心值。
与现有技术相比,本发明具有如下优点:
1)本发明中RBF神经网络训练过程和组合导航过程是并行执行的,因此神经网络的学习过程不影响组合导航过程的计算实时性,并且采用一种新的训练模式使RBF神经网络得到充分训练,从而提高预测效果。
2)本发明利用RBF神经网络在系统发生故障时对各子滤波器的量测输入进行预测,使子滤波器能够继续工作,因此系统无需重构,理论上故障恢复较快。
3)本发明利用RBF神经网络在系统发生故障时对各子滤波器的量测输入进行预测,使子滤波器能够继续提供局部状态估计值,因而相应的导航解能够得到误差补偿,其导航精度有所提高。特别是在故障发生后,若故障恢复时间相对较长,则惯性导航的精度会产生较大的退化,因此相比于惯性导航,引入神经网络后的导航精度有较大的提高。
附图说明
图1为本发明所描述的RBFNN辅助组合导航的结构图;
图2为子系统1在线学习模式图;
图3为子系统2在线学习模式图;
图4为子系统3在线学习模式图;
图5为RBFNN预测模式图;
图6为RBFNN对样本在线训练流程图;
图7为实施例中东向误差对比图。
图8为实施例中北向误差对比图。
图9为实施例中天向误差对比图。
具体实施方式
下面结合附图对本发明进一步详细说明。
如图1所示,本发明由捷联惯性导航系统SINS、地形辅助导航系统TAN、多普勒测速仪DVL和磁航向仪MCP组成,为了在子系统发生故障时提高系统的导航精度,发明中采用了RBF神经网络辅助卡尔曼滤波的方法,具体实现步骤如下:
1.)建立径向基函数神经网络(RBFNN)和各导航系统之间的组合模型捷联惯性导航系统(SINS)作为参考系统和多普勒测速仪(DVL)、RBFNN(1)、子滤波器(1)及故障检测模块(1)组成子系统1,捷联惯性导航系统(SINS)和磁航向仪(MCP)、RBFNN(2)、子滤波器(2)及故障检测模块(2)组成子系统2,捷联惯性导航系统(SINS)和地形辅助导航系统(TAN)、RBFNN(3)、子滤波器(3)及故障检测模块(3)组成子系统3。子系统分为两种工作模式:如图2、图3和图4所示的各子系统的采用RBFNN在线学习模式和如图5所示的RBFNN预测模式。当子系统正常工作时,子系统的RBFNN处于在线并行学习模式;当子系统发生故障时,子系统的RBFNN处于预测模式,预测输出各子滤波器的量测输入。
2.)故障检测模块采用残差χ2检测法判断子系统是否发生故障。假定组合导航系统中的SINS是可靠的,导航系统故障判断准则为:若故障检测模块(1)检测出子系统1发生故障,则判定导航系统DVL故障;若故障检测模块(2)检测出子系统2发生故障,则判定导航系统MCP故障;若故障检测模块(3)检测出子系统3发生故障,则判定导航系统TAN故障。当故障检测模块检测出子系统无故障时,则进入步骤3.),否则进入步骤4.)。
3.)当故障检测模块检测出子系统无故障时,则对各子系统的RBFNN进行在线训练。在线训练和导航过程是并行执行的,对每个样本利用交替的学习方法,对误差的训练方法采用梯度下降法。
●对于子系统1,子滤波器(1)的量测输入为:
式中,VINS与VDVL分别表示SINS和DVL输出的速度,V表示真实的速度,δVINS与δVDVL分别表示SINS和DVL的速度误差,δvE、δvN、δvU表示SINS输出的速度VINS与DVL输出的速度VDVL之差分别在东、北、天方向上的分量。
当子系统1正常工作时,RBFNN(1)处于在线学习状态,RBFNN(1)的训练输入为经误差补偿后加速度计的输出fb和陀螺仪的输出子滤波器(1)的量测输入作为RBFNN(1)的期望输出,并根据相应的训练方法来调整神经网络的参数。
●对于子系统2,子滤波器(2)的量测输入为:
式中,ΨSINS与ΨMCP分别表示SINS和MCP输出的航向角,Ψ表示真实的航向角,δΨSINS与δΨMCP分别表示SINS和MCP的航向角误差,δΨ表示SINS和MCP输出的航向角之差。
当子系统2正常工作时,RBFNN(2)处于在线学习状态,RBFNN(2)的训练输入为fb和子滤波器(2)的量测输入作为RBFNN(2)的期望输出,并通过相应的训练方法来调整神经网络的参数。
●对于子系统3,子滤波器3的量测输入为:
式中,PINS与PTAN分别表示SINS和TAN输出的位置,LINS与LTAN分别表示SINS和TAN输出的纬度,λINS与λTAN分别表示SINS和TAN输出的经度,L和λ分别表示真实的纬度和经度,δLINS与δLTAN分别表示SINS和TAN的纬度误差,δλINS与δλTAN分别表示SINS和TAN的经度误差,δL表示SINS与TAN输出的纬度之差,δλ表示SINS与TAN输出的经度之差。
当子系统3正常工作时,RBFNN(3)处于在线学习状态,RBFNN(3)的训练输入为fb和子滤波器(2)的量测输入作为RBFNN(3)的期望输出,并通过相应的训练方法来调整神经网络的参数。当故障检测模块检测出子系统发生故障时,子系统由RBFNN学习模式切换到RBFNN预测模式,即RBFNN为各子滤波器提供相应的量测输入。
●样本每存储一定的数据量即保存为一个样本集,在线训练过程中包括A和B两个样本集,A和B的数据量为100个。当RBFNN对已经保存好的样本A进行学习时,样本B处于建立状态,当样本B保存完毕时,对样本B进行学习,而样本A处于建立状态,然后依次交替的对样本A,B进行训练,直至发生故障时RBFNN进入预测模式。若在RBFNN对样本集进行学习时发生故障,则此时退出训练,但并不保存神经网络的参数,进行预测则是采用上次保存的值,该训练模式如图6所示。
●在线学习采用的RBFNN算法如下:
RBFNN采用的径向基函数为高斯基函数:
式中,为网络的输入;cj=[cj1,cj2,...,cjn]为第j个隐含层神经元的中心点矢量值;b=[b1,b2,...,bm]T为高斯基函数的宽度矢量,且bj>0为隐含层神经元j的高斯基函数的宽度;w=[w1,w2,...,wm]T为网络的权值矢量;||x-cj||表示欧氏距离(x与cj之间)。RBF网络的理论输出为:
●当子系统无故障时,通过梯度下降法对权值、中心值和阈值按以下方式进行更新:
t时刻权值的增量为:
调整后的权值为:wj(t)=wj(t-1)+Δwj(t)+α(wj(t-1)-wj(t-2))
t时刻阈值的增量:
调整后的阈值为:bj(t)=bj(t-1)+Δbj+α(bj(t-1)-bj(t-2))
t时刻中心值的增量:
调整后的中心值:cji(t)=cji(t-1)+Δcji+α(cji(t-1)-cji(t-2))
式中,η=0,85,α=0.05,y(t)为实际值,ym(t)为神经网络的预测值,wj(t-1)和wj(t-2)分别表示t-1和t-2时刻的权值,bj(t-1)和bj(t-2)分别表示t-1和t-2时刻的阈值,cji(t-1)和cji(t-2)分别表示t-1和t-2时刻的中心值。
4.)当故障检测模块检测出子系统发生故障时,子系统由RBFNN学习模式切换到RBFNN预测模式,即RBFNN为各子滤波器提供相应的量测输入。当子系统1发生故障时,1和2处立即切断,RBFNN(1)预测输出子滤波器(1)的量测输入;当子系统2发生故障时,1和2处立即切断,RBFNN(2)预测输出滤波器(2)的量测输入;当子系统3发生故障时,1和2处立即切断,RBFNN(3)预测输出子滤波器(3)的量测输入。
5.)各子滤波器提供的信息进入主滤波器进行信息融合,输出的误差补偿量再反馈校正捷联惯性导航系统(SINS)。
6.)当发生故障的导航系统恢复正常工作状态时,各子系统中的1和2处接通,此时RBFNN由预测模式转为在线学习模式。
实施例:
仿真实验中水下航行器的初始速度为40kn;初始纵摇、横摇和航向角分别为:0°、0°和45°;初始经、纬度为165°和32°;陀螺仪:x,y,z方向随机漂移均为0.04°/h,常值漂移均为0.04°/h;加速度计:随机偏置均为50ug,常值偏置均为50ug;DVL的测量误差协方差为0.4m/s,MCP的测量误差协方差为0.3°,TAN的测量误差协方差为:50m。由于引入神经网络的三个子系统的工作原理相同且发生故障组合情况较多,在此以DVL出现故障为例,分别设置了60s,120s,180s和300s的断开时间作为DVL故障时间,如表1所示,仿真时间长度为5100s,并给出了仿真结果图,如图7、图8和图9所示。
表1:
序号 | GPS信号无效时间段 | 时间长度 |
1 | 1200s-1260s | 60s |
2 | 2500s-2620s | 120s |
3 | 3000s-3180s | 180s |
4 | 3800s-4100s | 300s |
从图中可以看出,在DVL故障时间相对较短的时间内,采用RBFNN辅助组合导航模式相比于SINS模式的导航精度并无明显提高,这是由于SINS短时内具有较高的精度。而当DVL故障时间相对较长时,通过如表2所示的180s和300s的故障时间段的误差对比可以看出,采用RBFNN辅助组合导航模式相比于SINS模式,其导航精度有较大的提高。因此,本发明可以在水下组合导航子系统发生故障时提高导航精度,尤其是当子系统故障恢复时间相对较长的情况下,导航精度提高的尤为明显。
表2:
Claims (6)
1.一种水下航行器用神经网络辅助组合导航方法,其特征在于:由捷联惯性导航系统(SINS)、多普勒测速仪(DVL)、磁航向仪MCP和地形辅助导航系统(TAN)组成组合导航系统,采用径向基函数神经网络(RBFNN)辅助卡尔曼滤波的分散滤波结构和容错方法完成组合导航,通过以下步骤实现:
1.)建立径向基函数神经网络(RBFNN)和各导航系统之间的组合模型
捷联惯性导航系统(SINS)作为参考系统和多普勒测速仪(DVL)、RBFNN(1)、第一子滤波器及第一故障检测模块组成子系统1,捷联惯性导航系统(SINS)和磁航向仪MCP、RBFNN(2)、第二子滤波器及第二故障检测模块组成子系统2,捷联惯性导航系统(SINS)、地形辅助导航系统(TAN)、RBFNN(3)、第三子滤波器及第三故障检测模块组成子系统3;子系统分为两种工作模式:RBFNN学习模式和RBFNN预测模式;当子系统正常工作时,子系统的RBFNN处于学习模式,并采用相应的训练方法对神经网络的关键参数进行调整;当子系统发生故障时,子系统的RBFNN处于预测模式,预测输出各子滤波器的量测输入;
2.)故障检测模块判断子系统是否发生故障
假定组合导航系统中的SINS是可靠的,组合导航系统故障判断准则为:若故障检测模块(1)检测出子系统1发生故障,则判定组合导航系统DVL故障;若故障检测模块(2)检测出子系统2发生故障,则判定组合导航系统MCP故障;若故障检测模块(3)检测出子系统3发生故障,则判定组合导航系统TAN故障;当故障检测模块检测出子系统无故障时,则进入步骤3.),否则进入步骤4.);
3.)当故障检测模块检测出子系统无故障时,则对各子系统的RBFNN进行在线训练,在线训练过程和导航过程是并行执行的;RBFNN(1)的训练输入为经误差补偿后的加速度计输出fb和陀螺仪的输出第一子滤波器的量测输入作为RBFNN(1)的期望输出;RBFNN(2)的训练输入为fb和第二子滤波器的量测输入作为RBFNN(2)的期望输出;RBFNN(3)的训练输入为fb和第三子滤波器的量测输入作为RBFNN(3)的期望输出;
4.)当故障检测模块检测出子系统发生故障时,子系统由RBFNN学习模式切换到RBFNN预测模式,即RBFNN为各子滤波器提供相应的量测输入;当子系统1发生故障时,RBFNN(1)预测输出第一子滤波器的量测输入;当子系统2发生故障时,RBFNN(2)预测输出第二子滤波器的量测输入;当子系统3发生故障时,RBFNN(3)预测输出第三子滤波器的量测输入;
5.)各子滤波器提供的信息进入主滤波器进行信息融合,输出的误差补偿量再反馈校正捷联惯性导航系统(SINS);
6.)当发生故障的组合导航系统恢复正常工作状态时,此时RBFNN由预测模式转为学习模式。
2.根据权利要求1所述的一种水下航行器用神经网络辅助组合导航方法,其特征是:各子滤波器采用卡尔曼滤波器(KF)或者扩展卡尔曼滤波器(EKF);捷联惯性导航系统(SINS)提供姿态、速度和位置信息,多普勒测速仪(DVL)提供的水下航行器对地速度信息和捷联惯性导航系统(SINS)的速度信息之差作为第一子滤波器的量测输入;磁航向仪MCP提供的航向角信息和捷联惯性导航系统(SINS)的航向角信息之差作为第二子滤波器的量测输入;地形辅助导航系统(TAN)提供的经纬度信息和捷联惯性导航系统(SINS)的经纬度之差作为第三子滤波器的量测输入。
3.根据权利要求1所述的一种水下航行器用神经网络辅助组合导航方法,其特征是:
对于子系统1,第一子滤波器的量测输入为:
式中,VINS与VDVL分别表示SINS和DVL输出的速度,V表示真实的速度,δVINS与δVDVL分别表示SINS和DVL的速度误差,δvE、δvN、δvU表示SINS输出的速度VINS与DVL输出的速度VDVL之差分别在东、北、天方向上的分量;
当子系统1正常工作时,RBFNN(1)处于学习状态,RBFNN(1)的训练输入为经误差补偿后的加速度计输出fb和陀螺仪输出第一子滤波器的量测输入作为RBFNN(1)的期望输出,并根据相应的训练方法来调整神经网络的参数;
对于子系统2,第二子滤波器的量测输入为:
式中,ΨSINS与ΨMCP分别表示SINS和MCP输出的航向角,Ψ表示真实的航向角,δΨSINS与δΨMCP分别表示SINS和MCP的航向角误差,δΨ表示SINS和MCP输出的航向角之差;
当子系统2正常工作时,RBFNN(2)处于学习状态,RBFNN(2)的训练输入为fb和第二子滤波器的量测输入作为RBFNN2的期望输出,并通过相应的训练方法来调整神经网络的参数;
对于子系统3,第三子滤波器的量测输入为:
式中,PINS与PTAN分别表示SINS和TAN输出的位置,LINS与LTAN分别表示SINS和TAN输出的纬度,λINS与λTAN分别表示SINS和TAN输出的经度,L和λ分别表示真实的纬度和经度,δLINS与δLTAN分别表示SINS和TAN的纬度误差,δλINS与δλTAN分别表示SINS和TAN的经度误差,δL表示SINS与TAN输出的纬度之差,δλ表示SINS与TAN输出的经度之差;
当子系统3正常工作时,RBFNN(3)处于学习状态,RBFNN(3)的训练输入为fb和第二子滤波器的量测输入作为RBFNN(3)的期望输出,并通过相应的训练方法来调整神经网络的参数。当故障检测模块检测出子系统发生故障时,子系统由RBFNN学习模式切换到RBFNN预测模式,即RBFNN为各子滤波器提供相应的量测输入。
4.根据权利要求1所述的一种水下航行器用神经网络辅助组合导航方法,其特征是:所述故障检测模块采用的方法为残差χ2检测法。
5.根据权利要求1所述的一种水下航行器用神经网络辅助组合导航方法,其特征是:所述的学习方法为在线学习的方法;样本每存储到一定的数据量即保存为一个样本集,在线学习过程中包含A和B两个样本集,当RBFNN对已经保存好的样本集A进行学习时,样本集B处于建立状态;当样本集B保存完毕,样本集A处于建立状态,然后依次交替的对样本集A,B进行训练,直至发生故障时RBFNN进入预测模式;若在RBFNN对样本集进行学习时发生故障,则退出训练,但并不保存神经网络的参数,预测模式则是采用上次保存的参数值;RBFNN在线学习算法如下:RBFNN采用的径向基函数为高斯基函数为:
式中,x=[x1,x2,...,xi]T为网络的输入;cj=[cj1,cj2,...,cjn]为第j个隐含层神经元的中心点矢量值;b=[b1,b2,...,bm]T为高斯基函数的宽度矢量,且bj>0为隐含层神经元j的高斯基函数的宽度;w=[w1,w2,...,wm]T为网络的权值矢量;||x-cj||表示欧氏距离;RBF网络的理论输出为:
6.根据权利要求1所述的一种水下航行器用神经网络辅助组合导航方法,其特征是:所述的训练方法为梯度下降法;当子系统无故障时,通过梯度下降法同时对权值、中心值和阈值按以下方式进行更新:
t时刻权值的增量为:
调整后的权值为:wj(t)=wj(t-1)+Δwj(t)+α(wj(t-1)-wj(t-2))
t时刻阈值的增量:
调整后的阈值为:bj(t)=bj(t-1)+Δbj+α(bj(t-1)-bj(t-2))
t时刻中心值的增量:
调整后的中心值:cji(t)=cji(t-1)+Δcji+α(cji(t-1)-cji(t-2))
式中,η∈(0,1)为学习速率,α∈(0,1)为动量因子,y(t)为实际值,ym(t)为神经网络的预测值,wj(t-1)和wj(t-2)分别表示t-1和t-2时刻的权值,bj(t-1)和bj(t-2)分别表示t-1和t-2时刻的阈值,cji(t-1)和cji(t-2)分别表示t-1和t-2时刻的中心值;x=[x1,x2,...,xi]T为网络的输入;cj=[cj1,cj2,...,cjn]为第j个隐含层神经元的中心点矢量值;b=[b1,b2,...,bm]T为高斯基函数的宽度矢量,且bj>0为隐含层神经元j的高斯基函数的宽度;w=[w1,w2,...,wm]T为网络的权值矢量;||x-cj||表示欧氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410643141.5A CN104330084B (zh) | 2014-11-13 | 2014-11-13 | 一种水下航行器用神经网络辅助组合导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410643141.5A CN104330084B (zh) | 2014-11-13 | 2014-11-13 | 一种水下航行器用神经网络辅助组合导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104330084A CN104330084A (zh) | 2015-02-04 |
CN104330084B true CN104330084B (zh) | 2017-06-16 |
Family
ID=52404855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410643141.5A Active CN104330084B (zh) | 2014-11-13 | 2014-11-13 | 一种水下航行器用神经网络辅助组合导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104330084B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424036B (zh) * | 2015-11-09 | 2018-02-13 | 东南大学 | 一种低成本水下潜器地形辅助惯性组合导航定位方法 |
CN105547300A (zh) * | 2015-12-30 | 2016-05-04 | 航天恒星科技有限公司 | 用于auv的全源导航系统及方法 |
CN105547302B (zh) * | 2016-02-29 | 2018-02-06 | 东南大学 | 一种用于sins/dvl组合导航系统的dvl失效处理方法 |
US10691999B2 (en) * | 2016-03-16 | 2020-06-23 | Maluuba Inc. | Parallel-hierarchical model for machine comprehension on small data |
CN106840150B (zh) * | 2017-01-25 | 2019-10-15 | 东南大学 | 一种针对组合导航中dvl失效的混合处理方法 |
CN108562287A (zh) * | 2018-01-08 | 2018-09-21 | 哈尔滨工程大学 | 一种基于自适应采样粒子滤波的水下地形辅助导航方法 |
CN109059911B (zh) * | 2018-07-31 | 2021-08-13 | 太原理工大学 | 一种gnss、ins和气压计的数据融合方法 |
CN109506647B (zh) * | 2018-12-24 | 2022-10-25 | 哈尔滨工程大学 | 一种基于神经网络的ins和磁力计组合定位方法 |
CN110044378A (zh) * | 2019-04-17 | 2019-07-23 | 河海大学 | 一种用于水下深潜器的光纤捷联惯性导航高精度定位系统及方法 |
CN110346821B (zh) * | 2019-07-17 | 2022-11-29 | 贵州理工学院 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
CN110631588B (zh) * | 2019-09-23 | 2022-11-18 | 电子科技大学 | 一种基于rbf网络的无人机视觉导航定位方法 |
CN111174774B (zh) * | 2020-01-21 | 2023-04-21 | 河海大学 | 一种某深度水层面模式下的导航信息融合方法及系统 |
CN113311714A (zh) * | 2021-07-28 | 2021-08-27 | 中国科学院自动化研究所 | 多关节仿生机器鱼传感器故障诊断与容错控制方法及系统 |
CN114440878B (zh) * | 2022-01-27 | 2023-08-15 | 湖南大学无锡智能控制研究院 | 一种sins和dvl组合导航方法、设备与系统 |
CN114894289B (zh) * | 2022-06-20 | 2024-02-02 | 江苏省计量科学研究院(江苏省能源计量数据中心) | 一种基于数据融合算法的大质量比较仪 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806905A (zh) * | 2010-02-22 | 2010-08-18 | 中国农业大学 | 农业机械导航定位方法和装置 |
CN101871782A (zh) * | 2010-05-19 | 2010-10-27 | 北京航空航天大学 | 基于set2fnn的gps/mems-ins组合导航系统定位误差预测方法 |
CN201697634U (zh) * | 2010-02-26 | 2011-01-05 | 南京信息工程大学 | 一种小型水下航行器用组合导航系统 |
CN102221363A (zh) * | 2011-04-12 | 2011-10-19 | 东南大学 | 一种水下潜器用捷联惯性组合导航系统容错组合方法 |
CN102768361A (zh) * | 2012-07-09 | 2012-11-07 | 东南大学 | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 |
CN102829777A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 自主式水下机器人组合导航系统及方法 |
KR20140000601A (ko) * | 2012-06-25 | 2014-01-03 | 수원대학교산학협력단 | 알지비더블유 엘이디를 이용한 감성조명 시스템 제어 방법 |
CN103776453A (zh) * | 2014-01-22 | 2014-05-07 | 东南大学 | 一种多模型水下航行器组合导航滤波方法 |
CN103983263A (zh) * | 2014-05-30 | 2014-08-13 | 东南大学 | 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346711B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for identifying multi-input multi-output Hammerstein models |
-
2014
- 2014-11-13 CN CN201410643141.5A patent/CN104330084B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806905A (zh) * | 2010-02-22 | 2010-08-18 | 中国农业大学 | 农业机械导航定位方法和装置 |
CN201697634U (zh) * | 2010-02-26 | 2011-01-05 | 南京信息工程大学 | 一种小型水下航行器用组合导航系统 |
CN101871782A (zh) * | 2010-05-19 | 2010-10-27 | 北京航空航天大学 | 基于set2fnn的gps/mems-ins组合导航系统定位误差预测方法 |
CN102221363A (zh) * | 2011-04-12 | 2011-10-19 | 东南大学 | 一种水下潜器用捷联惯性组合导航系统容错组合方法 |
KR20140000601A (ko) * | 2012-06-25 | 2014-01-03 | 수원대학교산학협력단 | 알지비더블유 엘이디를 이용한 감성조명 시스템 제어 방법 |
CN102768361A (zh) * | 2012-07-09 | 2012-11-07 | 东南大学 | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 |
CN102829777A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 自主式水下机器人组合导航系统及方法 |
CN103776453A (zh) * | 2014-01-22 | 2014-05-07 | 东南大学 | 一种多模型水下航行器组合导航滤波方法 |
CN103983263A (zh) * | 2014-05-30 | 2014-08-13 | 东南大学 | 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法 |
Non-Patent Citations (3)
Title |
---|
《基于神经网络辅助观测的连续组合导航算法研究》;耿世松等;《高技术通讯》;20090131;第19卷(第1期);71-75 * |
《智能Kalman滤波在水下地形组合导航系统中的应用》;李佩娟等;《中国惯性技术学报》;20111031;第19卷(第5期);579-582,589 * |
《神经网络辅助卡尔曼滤波技术在组合导航系统中的应用研究》;白宇骏等;《中国惯性技术学报》;20030430;第11卷(第2期);40-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN104330084A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104330084B (zh) | 一种水下航行器用神经网络辅助组合导航方法 | |
Shen et al. | Dual-optimization for a MEMS-INS/GPS system during GPS outages based on the cubature Kalman filter and neural networks | |
CN110906933B (zh) | 一种基于深度神经网络的auv辅助导航方法 | |
CN102221363B (zh) | 一种水下潜器用捷联惯性组合导航系统容错组合方法 | |
Li et al. | GPS/INS/Odometer integrated system using fuzzy neural network for land vehicle navigation applications | |
CN104075715B (zh) | 一种结合地形和环境特征的水下导航定位方法 | |
CN103759742A (zh) | 基于模糊自适应控制技术的捷联惯导非线性对准方法 | |
CN102928858B (zh) | 基于改进扩展卡尔曼滤波的gnss单点动态定位方法 | |
CN105891863B (zh) | 一种基于高度约束的扩展卡尔曼滤波定位方法 | |
CN103439731A (zh) | 基于无迹卡尔曼滤波的gps/ins组合导航方法 | |
CN104729506A (zh) | 一种视觉信息辅助的无人机自主导航定位方法 | |
CN104316025B (zh) | 一种基于船体姿态信息估计海浪浪高的系统 | |
CN103776453A (zh) | 一种多模型水下航行器组合导航滤波方法 | |
Hajiyev | Adaptive filtration algorithm with the filter gain correction applied to integrated INS/radar altimeter | |
CN107884800A (zh) | 观测时滞系统的组合导航数据解算方法、装置及导航设备 | |
CN105352496A (zh) | 基于声呐辅助自主导航的auv导航方法 | |
Zhang et al. | NavNet: AUV navigation through deep sequential learning | |
CN106597507A (zh) | Gnss/sins紧组合滤波平滑的高精度快速算法 | |
CN105547300A (zh) | 用于auv的全源导航系统及方法 | |
Yi-ting et al. | A fast gradual fault detection method for underwater integrated navigation systems | |
Rupeng et al. | Improvements to terrain aided navigation accuracy in deep-sea space by high precision particle filter initialization | |
Hashemi et al. | New fault detection and fault-tolerant scheme for Doppler velocity logger outage in ocean navigation systems | |
Saadeddin et al. | Optimization of intelligent-based approach for low-cost INS/GPS navigation system | |
Winter et al. | Modular neural networks for map-matched GPS positioning | |
Ma et al. | A robust fusion terrain-aided navigation method with a single Beam Echo Sounder |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |