CN105180935B - 一种适用于gnss微弱信号的组合导航数据融合方法 - Google Patents
一种适用于gnss微弱信号的组合导航数据融合方法 Download PDFInfo
- Publication number
- CN105180935B CN105180935B CN201510728529.XA CN201510728529A CN105180935B CN 105180935 B CN105180935 B CN 105180935B CN 201510728529 A CN201510728529 A CN 201510728529A CN 105180935 B CN105180935 B CN 105180935B
- Authority
- CN
- China
- Prior art keywords
- output
- msub
- mrow
- gnss
- ins
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000000969 carrier Substances 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种适用于GNSS微弱信号的组合导航数据融合方法，1)采用EMD对GNSS和INS输出的位置、速度进行尺度分解，并重构差分序列作为EKF的量测输入；2)GNSS正常工作时，将速度、姿态角以及更新周期内的速度变化、角速度变化作为PSO‑ELM模型输入变量，EKF输出位置误差作为期望输出，此时INS校正量为EKF滤波器输出；卫星导航失效时，以惯性测量单元输出速度、角速度变化量及INS输出的姿态、速度为输入变量,通过PSO‑ELM模型预测载体当前动态情况下的位置偏差量，并将其用于INS系统位置误差的校正。本发明能够在于弱信号环境下GNSS失效时，对GNSS/INS系统的输出定位误差进行有效的补偿。
Description
技术领域
本发明涉及一种适用于GNSS微弱信号的组合导航数据融合方法，属于组合导航领域。
背景技术
全球卫星导航系统(GNSS)与惯性导航系统(INS)具有优势互补特性，联立两者构造的组合导航系统能增强导航系统的定位能力、提高输出数据的更新率。在城市峡谷、地下以及高动态等复杂定位环境中，可能出现GNSS无法工作进而导致GNSS导航信息缺失的情况，此时由于INS导航解算过程的误差随时间增加，必须引入外部辅助观测量消除INS的误差，确保GNSS失效时组合导航系统输出可靠的定位信息。改善量测缺失情况下GNSS/INS输出精度方法主要包括(1)采用较高精度的惯性器件，提高INS单独工作时的定位输出精度，并有效延长GNSS失效时导航系统可靠定位的时间；(2)采用建模方法对INS误差模型进行逼近，并在其单独工作时，将该模型预测输出的误差量用以校正INS输出量测。由于提高惯性器件的精度需要较高的时间和工艺成本，现有方法多采用神经网络、支持向量机等人工智能方法对INS误差传播模型进行训练逼近，然而上述大多数情况下存在收敛速度慢、训练时间长以及模型参数确定繁琐等问题，且没有考虑到弱GNSS信号环境下组合导航子系统量测噪声的相关性等问题。
针对模型参数确定繁琐问题，许多学者提出了采用遗传、粒子群(PSO)等最优化方法获取最优参数的方法，然而该类方法与传统的神经网络结合存在寻优时间长的缺点，再加上模型训练本身的时间消耗，使得其无法用于需要实时更新模型参数的场合。
发明内容
本发明的技术解决问题是：在于弱信号环境下GNSS失效时，对GNSS/INS系统的输出定位误差进行有效的补偿。
为了解决上述技术问题不足，本发明提供了一种适用于GNSS微弱信号的组合导航数据融合方法，包括以下步骤：
步骤1，采用经验模态分解EMD分别对GNSS与惯导系统INS解算的GNSS输出位置PG、INS输出位置PI与GNSS输出速度VG、INS输出速度VI进行尺度分解，将两者分解结果在对应尺度差分并重构得到输出位置差分序列量ΔP、输出速度差分序列量ΔV，将得到的输出位置差分序列量ΔP、输出速度差分序列量ΔV作为量测序列输入扩展卡尔曼滤波器EKF中进行输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk的估计；
步骤2，采用粒子群PSO算法优化的极限学习机ELM逼近载体运行过程中惯导系统导航参数误差；
当k时刻GNSS系统有效时，以惯导系统INS输出的载体速度Vk-1、姿态角φk-1以及更新周期T＝tk-tk-1内惯性测量单元IMU输出的速度变化量角速度变化量作为PSO-ELM模型的输入，以步骤1中扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk作为PSO-ELM模型期望输出进行PSO-ELM模型学习训练；将扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk补偿惯导系统INS导航参数误差，得到惯导系统INS在k时刻输出的位置Pk+ΔPk、速度Vk+ΔVk和姿态φk+Δφk；
k+1时刻GNSS系统失效时，以更新周期tk+1-tk内惯性测量单元IMU输出的角速度变化量速度变化量以及惯导系统INS在k时刻输出的速度Vk和姿态φk作为k时刻训练好的PSO-ELM模型的输入，进而通过训练好的PSO-ELM模型预测当前的INS位置偏差ΔPk+1，将位置偏差ΔPk+1补偿此时刻惯导系统INS位置误差，进而得到惯导系统INS在k+1时刻输出的位置Pk+1+ΔPk+1、速度Vk+1和姿态φk+1。
所述步骤1中INS输出位置PI和INS输出速度VI的EMD分解结果：
其中，PI为INS输出位置，VI为INS输出速度，aλ为INS位置序列的第λ阶模态，bλ为INS速度序列的第λ阶模态，p_ins为对应的位置序列分解的余项，v_ins为对应的速度序列分解的余项；
GNSS输出位置PG和GNSS输出速度VG的EMD分解结果：
其中，PG为GNSS输出位置，VG为GNSS输出速度，cλ为GNSS位置序列的第λ阶模态，dλ为GNSS速度序列的第λ阶模态，p_gnss为对应的位置序列分解的余项，v_gnss为对应速度序列分解的余项；
输出位置重构差分序列量ΔP、输出速度重构差分序列量ΔV为：
其中，ΔP为输出位置重构差分序列量，ΔV为输出速度重构差分序列量，i为信号重构时选择的输出位置信号主导模态边界索引，j为信号重构时选择的输出速度信号主导模态边界索引，m为位置序列分解的模态总数，n为速度序列分解的模态总数。
所述EMD分解GNSS输出位置的方法如下：
步骤11，根据GNSS位置数据的采样时刻、位置数据采样值、EMD的时间窗长度得到GNSS输出位置序列P(t)，P(t)＝{p(t-N),p(t-N+1),…,p(t-1)}，其中，t为位置数据的采样时刻，p(t)为位置数据采样值，N为EMD的时间窗长度，进而得到初始化余项R(t)，R(t)＝P(t)，计算R(t)初始概率密度函数F0(g)，其中g为位置数据的可能取值；
步骤12，找出R(t)的所有极值点，用三次样条插值构造R(t)的上下包络线，并计算包络均值M(t)，将R(t)-M(t)作为新R(t)；
步骤13，判断步骤12中得到的新R(t)是否满足本征模态函数IMF的定义条件，如果满足，则得到对应阶数的本征模态函数IMF，否则将新R(t)赋值给R(t)并返回步骤12；
步骤14，得到1阶本征模态函数IMF后，计算R(t)的概率密度函数序列Fλ(g)，其中λ为本征模态函数IMF序列的索引，根据Fλ(g)与F0(g)得到Fλ(g)与F0(g)的距离dλ，保存其值并筛选出下1阶IMF，如果存在dλ＝max{dλ-1,dλ,dλ+1}，其中max{x}为取序列x的最大值函数，停止后续的分解过程，记m＝λ为本征模态函数IMF总个数，即最终EMD分解结果为：
类似的可以计算出GNSS输出速度VG、INS输出位置PI和INS输出速度VI的EMD分解结果。
所述PSO-ELM模型的学习训练方法如下：
步骤21，初始化种群规模为S，选择ELM模型输入变量的个数为L，将体现载体运动状态的速度、姿态以及更新周期内的速度变化、角速度变化作为模型输入，则L＝4,利用PSO迭代优化ELM模型的输入权值和隐层神经元偏置，所以设每个粒子的长度为D＝(L+1)·ζ，其中ζ为隐藏神经元的个数；
步骤22，初始化粒子z对应的速度vz、位置其中1≤z≤S，为D维实数空间，采用初始的pz训练ELM模型，并计算其适应度值fz，1≤z≤S，并将其初始化为粒子的历史最优化向量f_hz＝f和群体最优化值f_g＝min(f)，其中min(·)为取向量最小值函数，f向量为种群规模S对应的适应值集合，即f＝{fz,1≤z≤S}；
步骤23，分别更新粒子的速度和位置：
pz+1＝pz+vz；
其中，为惯性权重，vz为初始化粒子z对应的速度，pz为初始化粒子z对应的位置，c1、c2为加速度迭代因子，rand1、rand2为属于[0,1]的随机数；
步骤24，计算粒子当前位置下的适应度值，即计算模型输出与EKF滤波器输出位置偏差的差，分别与f_hz和f_g比较，更新其值，判断迭代次数或者适应度值是否满足预设条件：如果“是”，终止当前迭代过程，若果“否”，返回步骤23)继续迭代更新；
步骤25，选择群体f_g对应的pz，以其为ELM参数训练模型，即得到PSO优化的ELM模型。
优选的：信号重构时选择的输出位置信号主导模态边界索引i，信号重构时选择的输出速度信号主导模态边界索引j的选择方法如下：如果信号噪声强度弱，i，j均为3或者i，j均为4，否则选择i，j均为2，如果GNSS输出速度或者位置序列与INS输出的速度或者位置序列分解的模态总数不一致，基于dλ的大小分组累加模态得到相同数目的模态分量。
所述适应度值fz采用训练过程模型预测位置偏差与EKF滤波器输出的位置偏差的差：
其中，ΔPk为k时刻EKF滤波器估计的位置偏差，为k时刻PSO-ELM模型预测偏差。
6.优选的：概率密度函数序列Fλ(g)与初始概率密度函数F0(g)之间的距离dλ为：
其中，F0(g)为原始序列的概率密度函数，Fλ(g)为第λ阶本征模态函数的概率密度函数序列。
与现有技术相比，本发明的一种适用于GNSS微弱信号的组合导航数据融合方法有益效果如下：
(1)改善了GNSS弱信号环境下的量测缺失导致的导航定位系统精度，降低的残余相关噪声对EKF滤波器的影响。
(2)基于ELM学习方法加快了模型训练速度，且逼近INS误差传播特性的能力较强，采用PSO优化ELM随机产生的网络参数，进一步优化了ELM的泛化能力。
(3)由于PSO和ELM均具有较快的收敛速度，其可以用于实时在线的模型训练，提高了模型训练期与预测期系统动态特征的一致性。
附图说明
图1为本发明的弱信号环境补偿模型训练过程
图2为本发明PSO优化的ELM算法流程。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种适用于GNSS微弱信号的组合导航数据融合方法，如图1、2所示，具体包括以下步骤：
步骤1，采用经验模态分解EMD分别对GNSS与惯导系统INS解算的GNSS输出位置PG、INS输出位置PI与GNSS输出速度VG、INS输出速度VI进行尺度分解，将两者分解结果在对应尺度差分并重构得到输出位置差分序列量ΔP、输出速度差分序列量ΔV，将得到的输出位置差分序列量ΔP、输出速度差分序列量ΔV作为量测序列输入扩展卡尔曼滤波器EKF中进行输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk的估计；
构造适用于弱信号环境下GNSS与INS子系统导航解算输出的差分序列，其步骤包括：设INS输出位置PI和INS输出速度VI的EMD分解结果为 其中aλ、bλ为INS位置和速度序列的第λ阶模态，p_ins、v_ins为对应的位置和速度序列分解的余项，GNSS输出的分解结果为 其中cλ、dλ为INS位置和速度序列的第λ阶模态，p_gnss、v_gnss为对应的位置和速度序列分解的余项，则输出位置差分序列量ΔP、输出速度差分序列量ΔV为：
其中，ΔP为输出位置重构差分序列量，ΔV为输出速度重构差分序列量，i为信号重构时选择的输出位置信号主导模态边界索引，j为信号重构时选择的输出速度信号主导模态边界索引，m为位置序列分解的模态总数，n为速度序列分解的模态总数。
EMD分解采用的是迭代EMD分解，其实现步骤如下：
1)设P(t)＝{p(t-N),p(t-N+1),…,p(t-1)}为GNSS输出位置序列，t为位置数据的采样时刻，p(t)为位置数据采样值，N为EMD的时间窗长度，初始化余项R(t)＝P(t)，计算R(t)初始概率密度函数(PDF)F0(g)，其中g为位置数据的可能取值；
2)找出R(t)的所有极值点，用三次样条插值构造R(t)的上下包络线，并计算包络均值M(t)，更新R(t)＝R(t)-M(t)；
3)判断R(t)是否满足本征模态函数(IMF)的定义条件，如果满足，则得到对应阶数的IMF，否则返回步骤2)继续筛选R(t)；
4)得到1阶IMF后，计算R(t)的PDF序列Fλ(g)，其中λ为IMF序列的索引，定义dλ为Fλ(g)与F0(g)的距离，保存其值并筛选出下1阶IMF，如果存在dλ＝max{dλ-1,dλ,dλ+1}，其中max{x}为取序列x的最大值函数，停止后续的分解过程，记m＝λ为IMF总个数，即最终EMD分解结果为：
概率密度函数序列Fλ(g)与初始概率密度函数F0(g)之间的距离dλ为：
其中，F0(g)为原始序列的概率密度函数，Fλ(g)为第λ阶本征模态函数的概率密度函数序列。
5)类似的可以计算出GNSS输出速度VG、INS输出位置PI和INS输出速度VI的EMD分解结果。
步骤2，采用粒子群PSO算法优化的极限学习机ELM逼近载体运行过程中惯导系统导航参数偏差；
当k时刻GNSS系统有效时，以惯导系统INS输出的载体速度Vk-1、姿态角φk-1以及更新周期T＝tk-tk-1内惯性测量单元IMU输出的速度变化量角速度变化量作为PSO-ELM模型的输入，以步骤1中扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk作为PSO-ELM模型期望输出进行PSO-ELM模型学习训练；将扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk补偿惯导系统INS导航参数误差，得到惯导系统INS在k时刻输出的位置Pk+ΔPk、速度Vk+ΔVk和姿态；
k+1时刻GNSS系统失效时，以更新周期tk+1-tk内惯性测量单元IMU输出的速度变化量角速度变化量以及惯导系统INS在k时刻输出的速度Vk和姿态φk作为k时刻训练好的PSO-ELM模型的输入，进而通过训练好的PSO-ELM模型预测当前的INS位置偏差ΔPk+1，将位置偏差ΔPk+1补偿此时刻惯导系统INS位置误差，进而得到惯导系统INS在k+1时刻输出的位置Pk+1+ΔPk+1、速度Vk+1和姿态φk+1。
PSO-ELM模型的学习训练方法如下：如图2所示，
步骤21，初始化种群规模为S，即问题的备选解集合大小，选择ELM模型输入变量的个数为L，将体现载体运动状态的速度、姿态以及更新周期内的速度变化、角速度变化作为模型输入，则L＝4,利用PSO迭代优化ELM模型的输入权值和隐层神经元偏置，所以设每个粒子的长度为D＝(L+1)·ζ，其中ζ为隐藏神经元的个数；
步骤22，初始化粒子z对应的速度vz、位置其中1≤z≤S，为D维实数空间，采用初始的pz训练ELM模型，并计算其适应度值fz，1≤z≤S，并将其初始化为粒子的历史最优化向量f_hz＝f和群体最优化值f_g＝min(f)，其中min(·)为取向量最小值函数，f向量为种群规模S对应的适应值集合，即f＝{fz,1≤z≤S}。
所述适应度值fz采用训练过程模型预测位置偏差与EKF滤波器输出的位置偏差的差：
其中，ΔPk为k时刻EKF滤波器估计的位置偏差，为k时刻PSO-ELM模型预测偏差。
步骤23，分别更新粒子的速度和位置：
pz+1＝pz+vz；
其中，为惯性权重，vz为初始化粒子z对应的速度，pz为初始化粒子z对应的位置，c1、c2为加速度迭代因子，rand1、rand2为属于[0,1]的随机数。
步骤24，计算粒子当前位置下的适应度值，即计算模型输出与EKF滤波器输出位置偏差的差，分别与f_hz和f_g比较，更新其值，判断迭代次数或者适应度值是否满足预设条件：如果“是”，终止当前迭代过程，若果“否”，返回步骤23)继续迭代更新；
步骤25，选择群体f_g对应的pz，以其为ELM参数训练模型，即得到PSO优化的ELM模型。
本发明的训练INS误差补偿模型，其过程为：当GNSS系统有效时，以INS输出的载体速度Vk-1、姿态角φk-1以及更新周期T＝tk-tk-1内惯性测量单元(IMU)输出的速度变化量角速度变化量作为PSO-ELM模型的输入，以EKF估计的状态量ΔPk作为PSO-ELM模型期望输出。
基于粒子群(PSO)算法优化极限学习机(ELM)随机产生输入权值和隐藏神经元偏置，对惯导系统的误差传播模型进行快速训练逼近。
本发明的补偿GNSS失效时INS的误差，其过程为：k+1时刻GNSS系统失效时，以IMU输出的以及惯导系统输出的Vk、φk预测当前的INS位置偏差ΔPk+1补偿INS位置误差。
本发明针对建模过程存在的训练时间长、参数确定繁琐问题，采用PSO优化的极限学习机(ELM)对INS误差传播模型进行逼近。ELM的突出特征就是其随机产生神经网络的输入权值和隐层神经元偏置，使得模型参数中唯一的未知量为模型输出权值(连接隐层神经元与输出层)，且该输出权值可以通过解析形式采用最小二乘法唯一求出。由于输入权值和隐层神经元偏置均随机产生，采用PSO寻优方法可以提高模型逼近的精度，同时由于ELM具有极快的训练速度和良好的泛化能力，使其特别适用于逼近载体动态运行中出现的动态场景快速切换，改善训练模型与实际运行模型的一致性。
实例
a)采用步骤1构造两子导航系统的量测残差，选择时间窗长度N＝60，分别得到ΔP、ΔV，并将其作为EKF的量测输入，估计导航状态参数；
b)利用PSO-ELM优化模型训练过程，其中输入变量长度为L＝4，训练样本集长度为60，隐层神经元个数为ζ＝20，则粒子的大小为D＝(L+1)·ζ＝100，初始化S＝10、总迭代次数为120，惯性权重其中κ当前迭代索引值，c1＝c2＝0.2，输入变量权值和隐藏神经元的取值范围均为[-1,1]，选择预测结果的偏差作为适应值，其实现过程如图2所示；
c)基于步骤3、4对INS输出误差进行补偿。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (5)
1.一种适用于GNSS微弱信号的组合导航数据融合方法，其特征在于，包括以下步骤：
步骤1，采用经验模态分解EMD分别对GNSS与惯导系统INS解算的GNSS输出位置PG、INS输出位置PI与GNSS输出速度VG、INS输出速度VI进行尺度分解，将两者分解结果在对应尺度差分并重构得到输出位置差分序列量ΔP、输出速度差分序列量ΔV，将得到的输出位置差分序列量ΔP、输出速度差分序列量ΔV作为量测序列输入扩展卡尔曼滤波器EKF中进行输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk的估计；
步骤2，采用粒子群PSO算法优化的极限学习机ELM逼近载体运行过程中惯导系统导航参数误差；
当k时刻GNSS系统有效时，以惯导系统INS输出的载体速度Vk-1、姿态角φk-1以及更新周期T＝tk-tk-1内惯性测量单元IMU输出的速度变化量角速度变化量作为PSO-ELM模型的输入，以步骤1中扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk作为PSO-ELM模型期望输出进行PSO-ELM模型学习训练；将扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk补偿惯导系统INS导航参数误差，得到惯导系统INS在k时刻输出的位置Pk+ΔPk、速度Vk+ΔVk和姿态φk+Δφk；
k+1时刻GNSS系统失效时，以更新周期tk+1-tk内惯性测量单元IMU输出的角速度变化量速度变化量以及惯导系统INS在k时刻输出的速度Vk和姿态φk作为k时刻训练好的PSO-ELM模型的输入，进而通过训练好的PSO-ELM模型预测当前的INS位置偏差ΔPk+1，将位置偏差ΔPk+1补偿此时刻惯导系统INS位置误差，进而得到惯导系统INS在k+1时刻输出的位置Pk+1+ΔPk+1、速度Vk+1和姿态
所述步骤1中INS输出位置PI和INS输出速度VI的EMD分解结果：
<mrow>
<msub>
<mi>P</mi>
<mi>I</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>&lambda;</mi>
</msub>
<mo>+</mo>
<mi>p</mi>
<mo>_</mo>
<mi>i</mi>
<mi>n</mi>
<mi>s</mi>
<mo>;</mo>
<msub>
<mi>V</mi>
<mi>I</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>&lambda;</mi>
</msub>
<mo>+</mo>
<mi>v</mi>
<mo>_</mo>
<mi>i</mi>
<mi>n</mi>
<mi>s</mi>
<mo>;</mo>
</mrow>
其中，PI为INS输出位置，VI为INS输出速度，aλ为INS位置序列的第λ阶模态，bλ为INS速度序列的第λ阶模态，p_ins为对应的位置序列分解的余项，v_ins为对应的速度序列分解的余项；
GNSS输出位置PG和GNSS输出速度VG的EMD分解结果：
<mrow>
<msub>
<mi>P</mi>
<mi>G</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>&lambda;</mi>
</msub>
<mo>+</mo>
<mi>p</mi>
<mo>_</mo>
<mi>g</mi>
<mi>n</mi>
<mi>s</mi>
<mi>s</mi>
<mo>;</mo>
<msub>
<mi>V</mi>
<mi>G</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>d</mi>
<mi>&lambda;</mi>
</msub>
<mo>+</mo>
<mi>v</mi>
<mo>_</mo>
<mi>g</mi>
<mi>n</mi>
<mi>s</mi>
<mi>s</mi>
<mo>;</mo>
</mrow>
其中，PG为GNSS输出位置，VG为GNSS输出速度，cλ为GNSS位置序列的第λ阶模态，dλ为GNSS速度序列的第λ阶模态，p_gnss为对应的位置序列分解的余项，v_gnss为对应速度序列分解的余项；
输出位置重构差分序列量ΔP、输出速度重构差分序列量ΔV为：
<mrow>
<mi>&Delta;</mi>
<mi>P</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mi>i</mi>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>&lambda;</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>&lambda;</mi>
</msub>
<mo>+</mo>
<mi>p</mi>
<mo>_</mo>
<mi>i</mi>
<mi>n</mi>
<mi>s</mi>
<mo>-</mo>
<mi>p</mi>
<mo>_</mo>
<mi>g</mi>
<mi>n</mi>
<mi>s</mi>
<mi>s</mi>
<mo>,</mo>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>V</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mi>j</mi>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>&lambda;</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>&lambda;</mi>
</msub>
<mo>+</mo>
<mi>v</mi>
<mo>_</mo>
<mi>i</mi>
<mi>n</mi>
<mi>s</mi>
<mo>-</mo>
<mi>v</mi>
<mo>_</mo>
<mi>g</mi>
<mi>n</mi>
<mi>s</mi>
<mi>s</mi>
<mo>;</mo>
</mrow>
其中，ΔP为输出位置重构差分序列量，ΔV为输出速度重构差分序列量，i为信号重构时选择的输出位置信号主导模态边界索引，j为信号重构时选择的输出速度信号主导模态边界索引，m为位置序列分解的模态总数，n为速度序列分解的模态总数；
PSO-ELM模型的学习训练方法如下：
步骤21，初始化种群规模为S，选择ELM模型输入变量的个数为L，将体现载体运动状态的速度、姿态以及更新周期内的速度变化、角速度变化作为模型输入，则L＝4,利用PSO迭代优化ELM模型的输入权值和隐层神经元偏置，所以设每个粒子的长度为D＝(L+1)·ζ，其中ζ为隐藏神经元的个数；
步骤22，初始化粒子z对应的速度vz、位置其中1≤z≤S，为D维实数空间，采用初始的pz训练ELM模型，并计算其适应度值fz，1≤z≤S，并将其初始化为粒子的历史最优化向量f_hz＝f和群体最优化值f_g＝min(f)，其中min(·)为取向量最小值函数，f向量为种群规模，S对应的适应值集合，即f＝{fz,1≤z≤S}；
步骤23，分别更新粒子的速度和位置：
pz+1＝pz+vz；
其中，为惯性权重，vz为初始化粒子z对应的速度，pz为初始化粒子z对应的位置，c1、c2为加速度迭代因子，rand1、rand2为属于[0,1]的随机数；
步骤24，计算粒子当前位置下的适应度值，即计算模型输出与EKF滤波器输出位置偏差的差，分别与f_hz和f_g比较，更新其值，判断迭代次数或者适应度值是否满足预设条件：如果“是”，终止当前迭代过程，若果“否”，返回步骤23)继续迭代更新；
步骤25，选择群体f_g对应的pz，以其为ELM参数训练模型，即得到PSO优化的ELM模型。
2.根据权利要求1所述的适用于GNSS微弱信号的组合导航数据融合方法，其特征在于：所述EMD分解GNSS输出位置的方法如下：
步骤11，根据GNSS位置数据的采样时刻、位置数据采样值、EMD的时间窗长度得到GNSS输出位置序列P(t)，P(t)＝{p(t-N),p(t-N+1),…,p(t-1)}，其中，t为位置数据的采样时刻，p(t)为位置数据采样值，N为EMD的时间窗长度，进而得到初始化余项R(t)，R(t)＝P(t)，计算R(t)初始概率密度函数F0(g)，其中g为位置数据的可能取值；
步骤12，找出R(t)的所有极值点，用三次样条插值构造R(t)的上下包络线，并计算包络均值M(t)，将R(t)-M(t)作为新R(t)；
步骤13，判断步骤12中得到的新R(t)是否满足本征模态函数IMF的定义条件，如果满足，则得到对应阶数的本征模态函数IMF，否则将新R(t)赋值给R(t)并返回步骤12；
步骤14，得到1阶本征模态函数IMF后，计算R(t)的概率密度函数序列Fλ(g)，其中λ为本征模态函数IMF序列的索引，根据Fλ(g)与F0(g)得到Fλ(g)与F0(g)的距离dλ，保存其值并筛选出下1阶IMF，如果存在dλ＝max{dλ-1,dλ,dλ+1}，其中max{x}为取序列x的最大值函数，停止后续的分解过程，记m＝λ为本征模态函数IMF总个数，即最终EMD分解结果为：
3.根据权利要求1所述的适用于GNSS微弱信号的组合导航数据融合方法，其特征在于：信号重构时选择的输出位置信号主导模态边界索引i，信号重构时选择的输出速度信号主导模态边界索引j的选择方法如下：如果信号噪声强度弱，i，j均为3或者i，j均为4，否则选择i，j均为2，如果GNSS输出速度或者位置序列与INS输出的速度或者位置序列分解的模态总数不一致，基于dλ的大小分组累加模态得到相同数目的模态分量。
4.根据权利要求1所述的适用于GNSS微弱信号的组合导航数据融合方法，其特征在于：适应度值fz采用训练过程模型预测位置偏差与EKF滤波器输出的位置偏差的差：
<mrow>
<msub>
<mi>f</mi>
<mi>z</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&Delta;P</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>&Delta;</mi>
<msub>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>;</mo>
</mrow>
其中，ΔPk为k时刻EKF滤波器估计的位置偏差，为k时刻PSO-ELM模型预测偏差。
5.根据权利要求2所述的适用于GNSS微弱信号的组合导航数据融合方法，其特征在于：概率密度函数序列Fλ(g)与初始概率密度函数F0(g)之间的距离dλ为：
<mrow>
<msub>
<mi>d</mi>
<mi>&lambda;</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>F</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>&lambda;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mn>0</mn>
</msub>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>&lambda;</mi>
</msub>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>g</mi>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
其中，F0(g)为原始序列的概率密度函数，Fλ(g)为模态λ的概率密度函数序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510728529.XA CN105180935B (zh) | 2015-10-30 | 2015-10-30 | 一种适用于gnss微弱信号的组合导航数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510728529.XA CN105180935B (zh) | 2015-10-30 | 2015-10-30 | 一种适用于gnss微弱信号的组合导航数据融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105180935A CN105180935A (zh) | 2015-12-23 |
| CN105180935B true CN105180935B (zh) | 2018-02-06 |
Family
ID=54903186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510728529.XA Active CN105180935B (zh) | 2015-10-30 | 2015-10-30 | 一种适用于gnss微弱信号的组合导航数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105180935B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092027B (zh) * | 2017-03-20 | 2019-08-13 | 深圳市西博泰科电子有限公司 | 利用信号接收器计算姿态角的方法及设备 |
| CN108345021B (zh) * | 2018-01-19 | 2020-09-11 | 东南大学 | 一种多普勒雷达辅助gps/ins车辆测速方法 |
| CN108548535B (zh) * | 2018-03-13 | 2021-08-31 | 北京沙谷科技有限责任公司 | 低速gnss/mems组合导航系统的初始化方法 |
| CN110657801B (zh) * | 2018-06-29 | 2022-02-08 | 阿里巴巴（中国）有限公司 | 定位方法、装置以及电子设备 |
| CN110083890B (zh) * | 2019-04-10 | 2021-02-02 | 同济大学 | 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法 |
| CN110006427B (zh) * | 2019-05-20 | 2020-10-27 | 中国矿业大学 | 一种低动态高振动环境下的bds/ins紧组合导航方法 |
| CN110398764A (zh) * | 2019-08-01 | 2019-11-01 | 上海交通大学 | 一种北斗导航系统双频段融合定位方法及装置 |
| CN110632636B (zh) * | 2019-09-11 | 2021-10-22 | 桂林电子科技大学 | 一种基于Elman神经网络的载体姿态估计方法 |
| CN110702095B (zh) * | 2019-09-30 | 2022-09-16 | 江苏大学 | 一种数据驱动的高精度组合导航数据融合方法 |
| CN110986747B (zh) * | 2019-12-20 | 2021-03-19 | 桂林电子科技大学 | 一种滑坡位移组合预测方法及系统 |
| CN111399021A (zh) * | 2020-03-26 | 2020-07-10 | 桂林电子科技大学 | 一种导航定位方法 |
| CN111487973B (zh) * | 2020-04-26 | 2023-09-05 | 河南科技大学 | 一种针对导航信号低频刷新的导航方法及系统 |
| CN112880672A (zh) * | 2021-01-14 | 2021-06-01 | 武汉元生创新科技有限公司 | 基于ai的惯性传感器融合策略自适应方法及装置 |
| CN113375669B (zh) * | 2021-08-16 | 2021-11-09 | 智道网联科技(北京)有限公司 | 基于神经网络模型的姿态更新方法及装置 |
| CN114216459B (zh) * | 2021-12-08 | 2024-03-15 | 昆山九毫米电子科技有限公司 | Elm辅助的gnss/ins组合导航无人靶车定位方法 |
| CN114777771B (zh) * | 2022-04-13 | 2024-08-20 | 西安电子科技大学 | 一种室外无人车组合导航定位方法 |
| CN115164925A (zh) * | 2022-07-09 | 2022-10-11 | 哈尔滨工程大学 | 一种基于大数据的数字环境构建规划导航方法 |
| CN115290067A (zh) * | 2022-07-09 | 2022-11-04 | 哈尔滨工程大学 | 一种支持向量聚类神经网络的大数据导航方法 |
| CN115615428B (zh) * | 2022-10-17 | 2024-02-02 | 中国电信股份有限公司 | 终端的惯性测量单元的定位方法、装置、设备和可读介质 |
| CN116972837B (zh) * | 2023-07-28 | 2024-04-02 | 飞智微科技(深圳)有限公司 | 自适应车载组合导航定位方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819041A (zh) * | 2010-04-16 | 2010-09-01 | 北京航空航天大学 | 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法 |
| CN103473598A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 基于变长度粒子群优化算法的极限学习机 |
| CN103698785A (zh) * | 2013-12-13 | 2014-04-02 | 合肥工业大学 | 基于贯序极限学习机的卫星信号周跳探测与修复方法 |
| CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
| CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
-
2015
- 2015-10-30 CN CN201510728529.XA patent/CN105180935B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819041A (zh) * | 2010-04-16 | 2010-09-01 | 北京航空航天大学 | 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法 |
| CN103473598A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 基于变长度粒子群优化算法的极限学习机 |
| CN103698785A (zh) * | 2013-12-13 | 2014-04-02 | 合肥工业大学 | 基于贯序极限学习机的卫星信号周跳探测与修复方法 |
| CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
| CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
Non-Patent Citations (4)
| Title |
|---|
| GNSS动态变形测量关键技术研究;薛志宏;《中国博士学位论文全文数据库基础科学辑》;20130615(第6期);1-183 * |
| 一种基于粒子群优化的极限学习机;王杰等;《郑州大学学报（理学版）》;20130331;第45卷(第1期);100-104 * |
| 基于改进粒子群优化LS-SVM的卫星钟差预报研究;刘继业等;《宇航学报》;20131130;第34卷(第11期);1509-1515 * |
| 经验模态分解阈值消噪方法及其在惯性导航系统数据处理中的应用;甘雨等;《测绘学报》;20120831;第41卷(第4期);504-509 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105180935A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105180935B (zh) | 一种适用于gnss微弱信号的组合导航数据融合方法 | |
| CN103217175B (zh) | 一种自适应容积卡尔曼滤波方法 | |
| CN109269497B (zh) | 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法 | |
| Dang et al. | Cubature Kalman filter under minimum error entropy with fiducial points for INS/GPS integration | |
| Malleswaran et al. | A novel approach to the integration of GPS and INS using recurrent neural networks with evolutionary optimization techniques | |
| CN103644903A (zh) | 基于分布式边缘无味粒子滤波的同步定位与地图构建方法 | |
| CN108764475A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及系统 | |
| CN113359448A (zh) | 一种针对时变动力学的自主水下航行器轨迹跟踪控制方法 | |
| CN103389094A (zh) | 一种改进的粒子滤波方法 | |
| CN108805287A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及系统 | |
| CN108415445B (zh) | 一种基于开关约束的水下航行器定位鲁棒优化方法 | |
| CN109520503A (zh) | 一种平方根容积模糊自适应卡尔曼滤波slam方法 | |
| CN112388628A (zh) | 用于训练高斯过程回归模型的设备和方法 | |
| WO2024179023A1 (zh) | 一种基于柔性卡方检测的自适应因子图优化组合导航方法 | |
| CN111121778B (zh) | 一种导航系统初始化方法 | |
| CN110989341B (zh) | 一种约束辅助粒子滤波方法及目标跟踪方法 | |
| CN114167295B (zh) | 基于多算法融合的锂离子电池soc估算方法与系统 | |
| CN117392215A (zh) | 一种基于改进amcl和pl-icp点云匹配的移动机器人位姿校正方法 | |
| Liu et al. | Double layer weighted unscented Kalman underwater target tracking algorithm based on sound speed profile | |
| CN113341696A (zh) | 一种运载火箭姿态控制参数智能整定方法 | |
| CN104331087B (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
| CN113075717A (zh) | 小波自适应神经网络减法聚类模糊推理方法、系统及定位设备、存储介质 | |
| Pei et al. | Distributed SLAM using improved particle filter for mobile robot localization | |
| CN116907503A (zh) | 一种基于抗野值鲁棒定位算法的遥感编队卫星定位方法及系统 | |
| Li et al. | Empirical prior based probabilistic inference neural network for policy learning |
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 | ||
| GR01 | Patent grant |