CN104330084B - 一种水下航行器用神经网络辅助组合导航方法 - Google Patents

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f^b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

一种水下航行器用神经网络辅助组合导航方法

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f^b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f^b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f^b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,...,x_i]^T为网络的输入；c_j＝[c_j1,c_j2,...,c_jn]为第j个隐含层神经元的中心点矢量值；b＝[b₁,b₂,...,b_m]^T为高斯基函数的宽度矢量，且b_j>0为隐含层神经元j的高斯基函数的宽度；w＝[w₁,w₂,...,w_m]^T为网络的权值矢量；||x-c_j||表示欧氏距离(x与c_j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：w_j(t)＝w_j(t-1)+Δw_j(t)+α(w_j(t-1)-w_j(t-2))

t时刻阈值的增量：

调整后的阈值为：b_j(t)＝b_j(t-1)+Δb_j+α(b_j(t-1)-b_j(t-2))

t时刻中心值的增量：

调整后的中心值：c_ji(t)＝c_ji(t-1)+Δc_ji+α(c_ji(t-1)-c_ji(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，y_m(t)为神经网络的预测值，w_j(t-1)和w_j(t-2)分别表示t-1和t-2时刻的权值，b_j(t-1)和b_j(t-2)分别表示t-1和t-2时刻的阈值，c_ji(t-1)和c_ji(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，V_INS与V_DVL分别表示SINS和DVL输出的速度，V表示真实的速度，δV_INS与δV_DVL分别表示SINS和DVL的速度误差，δv_E、δv_N、δv_U表示SINS输出的速度V_INS与DVL输出的速度V_DVL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f^b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，Ψ_SINS与Ψ_MCP分别表示SINS和MCP输出的航向角,Ψ表示真实的航向角，δΨ_SINS与δΨ_MCP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f^b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，P_INS与P_TAN分别表示SINS和TAN输出的位置，L_INS与L_TAN分别表示SINS和TAN输出的纬度，λ_INS与λ_TAN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，δL_INS与δL_TAN分别表示SINS和TAN的纬度误差，δλ_INS与δλ_TAN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f^b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；c_j＝[c_j1,c_j2,...,c_jn]为第j个隐含层神经元的中心点矢量值；b＝[b₁,b₂,...,b_m]^T为高斯基函数的宽度矢量，且b_j>0为隐含层神经元j的高斯基函数的宽度；w＝[w₁,w₂,...,w_m]^T为网络的权值矢量；||x-c_j||表示欧氏距离(x与c_j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：w_j(t)＝w_j(t-1)+Δw_j(t)+α(w_j(t-1)-w_j(t-2))

t时刻阈值的增量：

调整后的阈值为：b_j(t)＝b_j(t-1)+Δb_j+α(b_j(t-1)-b_j(t-2))

t时刻中心值的增量：

调整后的中心值：c_ji(t)＝c_ji(t-1)+Δc_ji+α(c_ji(t-1)-c_ji(t-2))

式中，η＝0,85，α＝0.05，y(t)为实际值，y_m(t)为神经网络的预测值，w_j(t-1)和w_j(t-2)分别表示t-1和t-2时刻的权值，b_j(t-1)和b_j(t-2)分别表示t-1和t-2时刻的阈值，c_ji(t-1)和c_ji(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f^b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f^b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f^b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：

${\hat{Z}}_{k1}=\[V_{INS}-V_{DVL}\]=\[(V+{\mathrm{\δV}}_{INS})-(V+{\mathrm{\δV}}_{DVL})\]=\[{\mathrm{\δV}}_{INS}-{\mathrm{\δV}}_{DVL}\]=\left[\begin{array}{c}{\mathrm{\δv}}_E\\ {\mathrm{\δv}}_N\\ {\mathrm{\δv}}_U\end{array}\right]$

式中，V_INS与V_DVL分别表示SINS和DVL输出的速度，V表示真实的速度，δV_INS与δV_DVL分别表示SINS和DVL的速度误差，δv_E、δv_N、δv_U表示SINS输出的速度V_INS与DVL输出的速度V_DVL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f^b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：

${\hat{Z}}_{k2}=\[{\mathrm{\Ψ}}_{SINS}-{\mathrm{\Ψ}}_{MCP}\]=\[(\mathrm{\Ψ}+{\mathrm{\δ\Ψ}}_{SINS})-(\mathrm{\Ψ}+{\mathrm{\δ\Ψ}}_{MCP})\]=\[{\mathrm{\δ\Ψ}}_{SINS}-{\mathrm{\δ\Ψ}}_{MCP}\]=\[\mathrm{\δ}\mathrm{\Ψ}\]$

式中，Ψ_SINS与Ψ_MCP分别表示SINS和MCP输出的航向角,Ψ表示真实的航向角，δΨ_SINS与δΨ_MCP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f^b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：

${\hat{Z}}_{k3}=\[P_{INS}-P_{TAN}\]=\left[\begin{array}{c}{L}_{INS}-L_{TAN}\\ {\mathrm{\λ}}_{INS}-{\mathrm{\λ}}_{TAN}\end{array}\right]=\left[\begin{array}{c}(L+\mathrm{\δ}{L}_{INS})-(L+\mathrm{\δ}{L}_{TAN})\\ (\mathrm{\λ}+\mathrm{\δ}{\mathrm{\λ}}_{INS})-(\mathrm{\λ}+\mathrm{\δ}{\mathrm{\λ}}_{TAN})\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ}{L}_{INS}-\mathrm{\δ}{L}_{TAN}\\ {\mathrm{\δ\λ}}_{INS}-{\mathrm{\δ\λ}}_{TAN}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ}L\\ \mathrm{\δ}\mathrm{\λ}\end{array}\right]$

式中，P_INS与P_TAN分别表示SINS和TAN输出的位置，L_INS与L_TAN分别表示SINS和TAN输出的纬度，λ_INS与λ_TAN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，δL_INS与δL_TAN分别表示SINS和TAN的纬度误差，δλ_INS与δλ_TAN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f^b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：

$h_j(x,c_j)=\exp (-\frac{\left|\right|x-c_j|{|}^2}{2b_j^2}),j=1,2,...,m$

式中，x＝[x₁,x₂,...,x_i]^T为网络的输入；c_j＝[c_j1,c_j2,...,c_jn]为第j个隐含层神经元的中心点矢量值；b＝[b₁,b₂,...,b_m]^T为高斯基函数的宽度矢量，且b_j>0为隐含层神经元j的高斯基函数的宽度；w＝[w₁,w₂,...,w_m]^T为网络的权值矢量；||x-c_j||表示欧氏距离；RBF网络的理论输出为：

$y_k=\underset{j}{\Σ}{w}_{jk}\·h_j(x,c_j),k=1,2,...,n.$

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：w_j(t)＝w_j(t-1)+Δw_j(t)+α(w_j(t-1)-w_j(t-2))

t时刻阈值的增量：

调整后的阈值为：b_j(t)＝b_j(t-1)+Δb_j+α(b_j(t-1)-b_j(t-2))

t时刻中心值的增量：

调整后的中心值：c_ji(t)＝c_ji(t-1)+Δc_ji+α(c_ji(t-1)-c_ji(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，y_m(t)为神经网络的预测值，w_j(t-1)和w_j(t-2)分别表示t-1和t-2时刻的权值，b_j(t-1)和b_j(t-2)分别表示t-1和t-2时刻的阈值，c_ji(t-1)和c_ji(t-2)分别表示t-1和t-2时刻的中心值；x＝[x₁,x₂,...,x_i]^T为网络的输入；c_j＝[c_j1,c_j2,...,c_jn]为第j个隐含层神经元的中心点矢量值；b＝[b₁,b₂,...,b_m]^T为高斯基函数的宽度矢量，且b_j>0为隐含层神经元j的高斯基函数的宽度；w＝[w₁,w₂,...,w_m]^T为网络的权值矢量；||x-c_j||表示欧氏距离。