CN106017474A - 一种消除单点gps高次位置误差的双频组合滤波器及滤波方法 - Google Patents

Abstract

本发明涉及一种消除单点GPS高次位置误差的双频组合滤波器及滤波方法，包括输入部分、高频组合部分、低频组合部分和输出部分；输入部分包括捷联惯性测量单元SIMU、GPS模块；高频组合部分包含捷联解算A和卡尔曼滤波器KF；低频组合部分包括捷联解算B和LSSVM滤波器；输出部分包括运动补偿单元；高频组合部分结构与传统的SINS/GPS组合导航结构相似，低频组合部分通过捷联解算B的独立性隔离单点GPS高次位置误差，由LSSVM在线学习和训练模型，将高频组合输出的位置信息中的高次误差滤除。此外，在每个低频滤波周期结束时，通过LSSVM的预测值为捷联解算B提供位置校准，防止其位置累积误差进入实时运动补偿单元，并且妥善处理了各个低频分段之间位置信息的衔接和补偿问题。

Description

一种消除单点GPS高次位置误差的双频组合滤波器及滤波方法

技术领域

本发明是一种基于最小二乘支持向量机(Least squares support vector machine，LSSVM)消除单点GPS(Global Position System,全球定位系统)高次位置误差的双频组合滤波器及滤波方法，可以应用于POS(Position and Orientation System，POS)，具体涉及航空遥感合成孔径雷达(Synthetic Aperture Radar,SAR)高分辨率实时成像运动补偿。

背景技术

高精度实时运动成像是高分辨率航空遥感系统的核心，它要求飞行平台做理想运动，但飞行平台在外部环境与内部扰动影响下会形成复杂多模式非理想运动，导致运动成像发生模糊、散焦、变形、甚至于无法成像。因此，为了实现高精度实时运动成像，必须解决时-空-谱域间的一致性。为此，本世纪初一种位置姿态测量系统被广泛应用于航空遥感系统，用于实时测量成像载荷的位置姿态信息，它已成为航空遥感系统的必备装置。

本世纪初，航空遥感系统直接利用飞行平台自身的SINS/GPS(Strapdown Inertial Navigation System，SINS)组合导航系统为其实时提供位置姿态信息。但是，随着对高分辨率航空遥感技术的要求，飞行平台导航系统已无法满足要求，因此，出现了专门应用于航空遥感系统的POS。

由于对载荷相位中心运动误差高精度实时测量是实现高分辨遥感图像的必要条件之一，所以，POS(SINS/GPS组合测量系统)和SINS/GPS组合导航系统虽然在元器件的体系结构上都是SINS/GPS组合，但是它们之间有着本质区别：(1)对高次误差敏感：对于常值误差或一次线性误差，可以在图像处理过程中进行消除，而高次位置误差对实时成像分辨率影响巨大。而且POS对实时运动补偿精度的要求要远远高于组合导航系统的精度要求。(2)高频率:为满足精细的实时运动补偿，POS中的惯性测量单元(IMU)的输出频率一般要求200Hz以上。所以在算法计算效率和硬件要求上也会高于一般的组合导航系统。(3)POS要求测量单元体积小，重量轻，以便直接安装在载荷相位中心或附近的位置，更加精确的敏感载荷相位中心的运动状态。

现阶段的组合导航算法很多还是采用卡尔曼滤波(Kalman Filtering,KF)进行SINS/GPS 实时组合。在每个KF滤波时间点上，用GPS位置速度信息来校正捷联惯导的偏移量。由组合导航系统的原理可知，它一方面把GPS长时间工作精度高，误差不累积的优点和SINS的短时间精度高、数据更新率高等特点有机的结合起来。另一方面,系统精度依赖于GPS的定位精度，因为KF本身对观测量中的GPS定位信息误差的抑制作用比较有限。例如，GPS单点状态下，定位精度为米级，那么组合输出结果精度也为米级。加之POS的工作环境是典型的动态测量环境，其本身由于各种随机误差和干扰而带有严重的高次位置误差。

目前SAR图像处理在做运动补偿时有采用一种双捷联的组合导航结构。该结构在合成孔径时间内启用另外一套捷联解算算法，目的在于使该短时间段内提供的运动补偿解算的数据是平滑的。但在不同的使用情况下，合成孔径时间可能比较长，惯导的位置累积误差将快速增大，使得该方案效用降低。另外，短时分段捷联输出的相邻段之间存在较大的位置累积误差残差，也会对成像的数据处理和分辨率造成一定影响。

发明内容

本发明的技术解决问题是：针对传统的SINS/GPS组合导航方法不能满足航空遥感高分辨率实时成像对高次位置误差的指标要求这个问题，提出一种消除单点GPS高次位置误差的双频组合滤波器及滤波方法，在线消除GPS高次位置误差给组合测量输出带来的影响。

本发明技术解决方案是：一种消除单点GPS高次位置误差的双频组合滤波器，基于LSSVM(Least squares support vector machine，最小二乘支持向量机)，采用高频滤波和低频滤波结合折双频组合滤波实现；所述双频组合滤波器包括：输入部分、高频组合部分、低频组合部分和输出部分；输入部分包括捷联惯性测量单元SIMU(Strapdown inertial measurement unit)、野值检测模块、GPS模块、初始校准模块；高频组合部分包含捷联解算A和卡尔曼滤波器KF；低频组合部分包括捷联解算B和LSSVM滤波器；输出部分包括运动补偿单元；上述的野值检测模块、GPS模块、初始校准模块、捷联解算A模块、卡尔曼滤波器KF、捷联解算B模块、LSSVM滤波器和运动补偿单元均位于导航计算机中；

输入部分中，捷联惯性测量单元SIMU固定在遥感载荷的中心位置附近，将敏感到的加速度和角速度原始测量数据经过初始校准模块的初始校准后打包发送给捷联解算A模块和捷联解算B模块；GPS接收模块通过安装在遥感载荷上的GPS天线获取定位信息，经过野值检测模块剔除GPS异常值；定位信息包括位置和速度信息；

高频组合部分中，捷联解算A模块将SIMU发送来的加速度和角速度原始测量数据通过坐标转换和积分解算出当前时刻导航输出的位置和姿态信息，卡尔曼滤波器KF利用GPS模块的定位信息和捷联解算A模块当前时刻导航输出的位置和速度信息之差作为观测量进行 1Hz组合，并将最优估计量反馈校正给捷联解算A模块，从而进行最优估计；同时捷联解算A模块将当前时刻的位置信息送往LSSVM滤波器和捷联解算B模块；

低频组合中，捷联解算B模块将SIMU发送来的加速度和角速度原始测量数据通过坐标转换和积分解算出当前时刻导航输出的位置和姿态信息，当前时刻的位置信息送往LSSVM滤波器；LSSVM滤波器采用捷联解算A模块的位置信息和捷联解算B模块的位置信息实时更新训练集，训练集通过LSSVM算法学习得出训练模型，预测下一时刻的位置信息，循环迭代，得到位置信息的预测结果该预测结果即是在线消除了高次位置误差后的位置信息；同时为了抑制捷联B模块的位置累积误差，避免捷联解算B模块的累积位置误差进入运动补偿单元而降低成像分辨率，每隔时间T便通过LSSVM的预测位置信息对捷联解算B模块的位置信息进行在线校正，避免捷联解算B模块累积位置误差，并通过捷联解算A模块向捷联算法B模块传递姿态和速度校正信息；

输出部分，将低频组合部分中的消除了高次位置误差后的位置信息发送给运动补偿单元，运动补偿单元对遥感载荷进行高分辨率实时成像，从而消除单点GPS高次位置误差；并将捷联解算A模块的导航信息提供给飞机导航，天线指向等应用。

一种基于LSSVM消除GPS高次位置误差的双频组合滤波方法，实现步骤如下：

(1)将一套捷联惯性测量单元SIMU固定在遥感载荷的中心位置附近，用于测量飞行平台的运动状态；SIMU将敏感到的加速度和角速度原始测量数据打包发送给捷联解算A模块和捷联解算B模块；同时GPS接收模块通过安装于遥感载荷上的GPS天线获取位置和速度信息；

(2)捷联解算A模块和捷联解算B模块同时将SIMU发送来的加速度和角速度原始测量数据通过坐标转换和积分解算出当前时刻的位置和姿态信息，作为导航输出的位置和速度信息；

(3)卡尔曼滤波器KF利用GPS模块获取的定位信息和捷联解算A模块的导航输出的位置和速度信息之差作为观测量进行组合，并将最优估计量反馈校正给捷联解算A模块；

(4)捷联解算A模块和捷联解算B模块将当前时刻的位置信息送往LSSVM滤波器，用于更新LSSVM滤波器的训练集，训练集通过LSSVM算法学习，得出训练模型，预测下一时刻的位置信息，用于在线遥感载荷的运动补偿；

(5)捷联算法B模块的位置信息每隔时间T通过LSSVM的预测值在线校正位置信息，同时通过捷联解算A模块向捷联算法B模块传递姿态和速度校正信息；

(6)遥感载荷的运动补偿的位置信息由LSSVM滤波器提供，姿态和速度信息由捷联A模块提供。

所述LSSVM实现如下：

(1)首先接收捷联解算A模块和捷联解算B模块同时传过来的位置信息，读取为当前i时刻的训练样本集，训练样本集表示为长度为2n：

$\begin{array}{c}{X}_{T_k\left(i\right)}={\&lsqb;P_{S-B}\left(T_k\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-B}\left(T_{k-1}\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}\\ Y_{T_k\left(i\right)}={\&lsqb;P_{S-A}\left(T_k\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-A}\left(T_{k-1}\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}\end{array},(i,n\&Element;R,0\&le;i<n)$

其中R表示有理数，n表示滑动窗口长度。T_k(i)表示第K个低频滤波周期内的第i个时刻，δL,δλ,δh分别表示为经纬高的位置误差量，P_S-B(T_k(i),δL,δλ,δh)表示捷联解算B模块在第K个低频滤波周期内的第i个位置信息输出；同理，P_S-A(T_k(i),δL,δλ,δh)为高频组合部分捷联解算A模块传递过来的第i时刻的位置信号；

(2)然后判断训练样本集的数据是否出现异常，即保证数据中不含有野值误差，否则跳过该数据；若没有数据输入，则终止；若数据正常，则对训练样本集的数值进行归一化处理，并初始化LSSVM参数；

本质上就构成了已知的基于时间序列的数据样本，通过对训练集进行训练，得到预测模型，预测模型用来预测下一i+1时刻的位置输出，预测模型记为P_L-L(T_k(i+1),δL,δλ,δh)；

(3)判断当前低频滤波周期T_k是否结束，若没有结束更新训练集，滑动窗口向下一个时刻移动，窗口长度保持2n：

$X_{T_k(i+1)}={\&lsqb;P_{S-B}\left(T_k\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-B}\left(T_{k-1}\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}$

$Y_{T_k(i+1)}={\&lsqb;P_{S-A}\left(T_k\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-A}\left(T_{k-1}\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}$

若当前周期结束，用LSSVM预测的下一时刻的位置信息来校准SIMU的位置输出；然后用新的数据列，更新预测模型，循环迭代，得到位置信息的预测结果。

本发明的原理是：本发明主要应用于航空遥感的高分辨率实时成像领域。其中的高频组合部分和传统的SINS/GPS组合导航结构相似，结合了GPS误差不随时间发散、长期稳定的优点和惯性导航输出频率高、导航信息全面的特点。KF的输出反馈校正捷联算法A的误差，从而有效地抑制SINS的误差漂移。这一部分可以实现较高精确的低频误差的测量，但在输出的位置信息中含有较多的高频位置误差，对实时成像的分辨率影响极大。本发明中的低频组合部分由捷联解算B和LSSVM滤波器构成。捷联解算B和上述的高频组合部分相对独立，用于隔离GPS高次位置误差。捷联解算B每隔时间T采用LSSVM的预测位置信息来校正其累积位置误差，同时接收捷联A的姿态和速度信息，抑制速度的发散。LSSVM采用捷联解算A的位置信息和捷联解算B的位置信息实时更新训练集样本和预测模型，预测下一时刻的位置信息。以此消除捷联解算A输出的高次位置误差，同时避免捷联解算B的累积位置误差进入运动补 偿而降低成像分辨率。有必要强调的一点是，本发明中的高频组合和低频组合是相对于所采用的滤波算法的组合校正频率而言的。由于POS所采用的是高精度的惯导系统，在短时间内捷联导航的导航精度为毫米级，相对于单点GPS米级的精度，传统的每秒校准一次不仅不利于消除GPS中的高次位置误差，还会引入额外的数据跳变。所以，捷联解算B采用比传统校正频率更低的组合校正方式。其低频组合的周期和POS所采用的惯导器件精度有关。

本发明与现有技术相比的优点在于：

(1)本发明和传统SINS/GPS组合导航结构相比，增加一套基于LSSVM算法的低频组合滤波算法，有效的隔离和抑制了GPS高次位置误差，防止带有高次位置误差的组合导航结果进入运动补偿，消除其对高分辨成像带来的不良影响。

(2)本发明和现有的双捷联组合导航结构相比，其优点在于本发明中的低频组合滤波所采用的组合周期T为固定值，可以更广泛的适用于航空遥感通用载荷。在组合周期结束时刻，本发明采用LSSVM的位置预测值来校准捷联捷联B的位置累积误差，而不是用可能含有较大高次位置误差的捷联解算A的位置输出来校准。这样做就妥善解决了各个低频组合周期段之间的拼接问题，使组合系统输出的位置信息在各个时间段都能保持较高的平滑度和精度。

附图说明

图1为本发明的基于LSSVM的双频组合滤波结构框图；图2为本发明中的GPS位置误差分解及其对成像分辨影响示意图；其中a为GPS系统位置误差图，b、c、d、e分别为GPS系统位置误差的多项式拟合分解图，其中b为常值位置误差曲线，c为线性位置误差曲线，d为二次位置误差曲线，e为高次位置误差曲线；

图3为本发明的LSSVM滤波原理示意图；

图4为本发明LSSVM滤波器结构流程图.

具体实施方式

如图1所示，本发明滤波器分为输入部分13，高频组合部分9，低频组合部分10和输出部分14。输入部分13包含捷联惯性测量单元SIMU1，并将之固定在航空遥感通用载荷的中心位置附近。在POS系统启动的前6分钟为静止对准时间，通过SIMU1敏感到的加速度信息和角速度信息通过初始对准8获得初始姿态。同时通过安装在飞机顶的GPS天线3获取初始位置和速度信息。

高频组合的频率取决于GPS接收机的频率，通常为1Hz,5Hz这两种。高频组合部分的卡尔曼滤波器KF5，同时接收来自输入部分的GPS导航信息和经过捷联解算A模块2解算 后的位置姿态信息，对导航误进行最优估计。图1中P_GPS(L,λ,h),V_GPS(ve,vn,vt)代表GPS获取的位置速度信息。P_INS(L,λ,h),V_INS(ve,vn,vt)则表示SIMU敏感到的加速度和角速度原始测量数据经过捷联解算A模块2坐标变换和积分后的位置速度。两者之差作为卡尔曼滤波器KF5的观测量。卡尔曼滤波器KF5将最优估计状态量X(δL,δλ,δh,δve,δvn,δvt)反馈校正给捷联解算A模块2，抑制其位置累积误差和速度的发散。

低频组合部分包含捷联解算B模块6和一个LSSVM滤波器7构成的更低频率的组合。低频滤波周期T依据SAR的合成孔径时间而定(5s≤T≤60s)。将第K个低频滤波周期内的第i时刻，捷联解算B模块6输出的位置信息P_S-B(T_k(i),δL,δλ,δh)和捷联解算A模块2输出的位置信息P_S-A(T_k(i),δL,δλ,δh)组成一个时间序列样本，送往最小二乘机器学习算法LSSVM7，通过LSSVM7的在线学习样本，在线预测出下一时刻的位置信息P_L-L(T_k(i+1),δL,δλ,δh)。捷联解算B模块6在输入部分初始对准后给它赋初值之后开始独立工作，在每个低频滤波周期T结束时，通过LSSVM7的预测值校正它的位置，通过捷联解算A模块2校正它的姿态。

输出部分14将经过LSSVM7在线消除高次位置误差后的位置信息和捷联解算B模块6的姿态信息发送给运动补偿单元12，并将捷联解算A模块2的导航信息提供给飞机导航，天线指向等应用11。

本发明中的GPS位置误差分解及其对成像分辨影响示意图如图2所示，，GPS除异常值之外的等效系统误差(a所示)又可以分为常值误差，线性误差、二次项误差和高次误差(二次项以上误差)这几种形式。图2为实验数据中截取了100s GPS位置误差信息，并对其进行多项式拟合，将其分解为常值误差(b所示)，线性误差(c所示)，二次项误差(d所示)以及二次项剩余误差(e所示)。其中(d)属于高次误差形式。常值或线性的偏差会导致图像的地理坐标的偏移，从而影响SAR图像的定位精度，但并不会影响图像的分辨率。二次项误差和高次位置误差，不但会导致图像地理坐标的偏移，同时还会造成图像的散焦，重影等，进而影响图像的分辨率。所以本发明的目的就是要消除GPS高次误差对组合结果的影响，满足高分辨率实时成像对运动补偿精度的要求。

本发明的LSSVM滤波器原理示意图如图3所示。图中T_k为低频滤波周期。每个低频滤波周期内为n个数据。用于LSSVM算法训练的数据集采用滑动窗口获取，样本长度采用两倍低频滤波周期，即2n维.保持该区间的长度不变，即支持向量的数量确定。在实际预测时，并不需要太多的数据，不然系统仿真的时间和复杂程度会大大增加，不利于在线运行。之所以选择单步预测，一个是因为捷联解算A模块2和捷联解算B模块6的数据序列具有时间 相关性，即每次预测的误差值都是和前一时刻有关联的。LSSVM算法预测的位置信息有效的利用了捷联解算B模块6输出平滑的特点，从而达到消除高频组合部分捷联解算A模块2中高次位置误差的目的。然而捷联解算B模块6的位置信息会随着时间发生漂移。所以，在每个低频滤波周期T_k结束时，用LSSVM算法的预测值来校正捷联惯导的位置信息，抑制其低频漂移误差。如此往复迭代，从而达到边预测边学习的效果。

本发明LSSVM滤波算法结构流程图如图4所示，主要针对位置信息进行在线学习和预测，达到消除捷联解算A中的高次位置误差的目的。训练样本集可以表示为其中：

$\begin{array}{c}{X}_{T_k\left(i\right)}={\&lsqb;P_{S-B}\left(T_k\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-B}\left(T_{k-1}\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}\\ Y_{T_k\left(i\right)}={\&lsqb;P_{S-A}\left(T_k\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-A}\left(T_{k-1}\right(i),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}\end{array},(i,n\&Element;R,0\&le;i<n)$

上式中R表示有理数，n表示滑动窗口长度。K为滤波周期个数，i表示该滤波周期内的时刻。T_k(i)表示第K个低频滤波周期内的第i个时刻。δL,δλ,δh分别表示为经纬高的位置误差量。P_S-B(T_k(i),δL,δλ,δh)表示捷联解算B算法在第K个低频滤波周期内的第i个位置信息输出。同理，P_S-A(T_k(i),δL,δλ,δh)为高频组合部分捷联解算A模块2传递过来的第i时刻的位置信号。

具体步骤如下所示：

(1)读取当前i时刻的训练集。

(2)判断训练集的数据是否出现异常，即保证数据中不含有野值误差，否则跳过该值。若没有数据输入，则终止该程序。

(3)对训练集数值进行归一化处理，并初始化LSSVM7。

(4)对训练集进行训练，得到训练模型。

(5)通过步骤(4)的训练模型来预测下一i+1时刻系统的位置输出，记为P_L-L(T_k(i+1),δL,δλ,δh)。

(6)判断当前低频滤波周期T_k是否结束。若没有结束则进入步骤(7)更新训练集。若当前周期结束，则跳至步骤(8)。

(7)更新训练集，滑动窗口向下一个时刻移动，窗口长度保持2n：

$X_{T_k(i+1)}={\&lsqb;P_{S-B}\left(T_k\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-B}\left(T_{k-1}\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}$

$Y_{T_k(i+1)}={\&lsqb;P_{S-A}\left(T_k\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h),...P_{S-A}\left(T_{k-1}\right(i+1),\mathrm{\&delta;}L,\mathrm{\&delta;}\mathrm{\&lambda;},\mathrm{\&delta;}h)\&rsqb;}_{4\&times;2n}$

更新结束后，跳至步骤(2)

(8)用LSSVM预测的下一时刻的位置信息来校准捷联解算B模块6的位置输出。然后转 至步骤(7)。

Claims (8)

1.一种消除单点GPS高次位置误差的双频组合滤波器，其特征在于：基于LSSVM(Leastsquares support vector machine，最小二乘支持向量机)，采用高频滤波和低频滤波结合的双频组合滤波实现；所述双频组合滤波器包括：输入部分、高频组合部分、低频组合部分和输出部分；输入部分包括捷联惯性测量单元SIMU(Strapdown inertial measurement unit)、GPS模块；高频组合部分包含捷联解算A和卡尔曼滤波器KF；低频组合部分包括捷联解算B和LSSVM滤波器；输出部分包括运动补偿单元；

输入部分中，捷联惯性测量单元SIMU固定在遥感载荷的中心位置附近，将敏感到的加速度和角速度原始测量数据经过初始校准模块的初始校准后打包发送给捷联解算A模块和捷联解算B模块；GPS接收模块通过安装在遥感载荷上的GPS天线获取定位信息；定位信息包括位置和速度信息；

高频组合部分中，捷联解算A模块将SIMU发送来的加速度和角速度原始测量数据通过坐标转换和积分解算出当前时刻导航输出的位置和姿态信息，卡尔曼滤波器KF利用GPS模块的定位信息和捷联解算A模块当前时刻导航输出的位置和速度信息之差作为观测量进行组合，并将最优估计量反馈校正给捷联解算A模块，从而进行最优估计；同时捷联解算A模块将当前时刻的位置信息送往LSSVM滤波器和捷联解算B模块；

低频组合中，捷联解算B模块将SIMU发送来的加速度和角速度原始测量数据通过坐标转换和积分解算出当前时刻导航输出的位置和姿态信息，当前时刻的位置信息送往LSSVM滤波器；LSSVM滤波器采用捷联解算A模块的位置信息和捷联解算B模块的位置信息实时更新训练集，训练集通过LSSVM算法学习得出训练模型，预测下一时刻的位置信息，循环迭代，得到位置信息的预测结果该预测结果即是在线消除了高次位置误差后的位置信息；同时为了抑制捷联B模块的位置累积误差，避免捷联解算B模块的累积位置误差进入运动补偿单元而降低成像分辨率，每隔时间T便通过LSSVM的预测位置信息对捷联解算B模块的位置信息进行在线校正，避免捷联解算B模块累积位置误差，并通过捷联解算A模块向捷联算法B模块传递姿态和速度校正信息；

输出部分，将低频组合部分中的消除了高次位置误差后的位置信息发送给运动补偿单元，运动补偿单元对遥感载荷进行高分辨率实时成像，从而消除单点GPS高次位置误差。

2.根据权利要求1所述的一种消除单点GPS高次位置误差的双频组合滤波器，其特征在于：所述LSSVM实现如下：

(1)接收捷联解算A模块和捷联解算B模块同时传过来的位置信息，读取为当前i时刻的训练样本集；

(2)判断训练样本集的数据是否出现异常，即保证数据中不含有野值误差，出现异常跳过该数据；若没有数据输入，则终止；若数据正常，则对训练样本集的数值进行归一化处理，并初始化LSSVM；

(3)对训练集进行训练，得到训练模型；

(4)通过得到的训练模型来预测下一i+1时刻SIMU的位置输出；

(5)判断当前滤波周期T_k是否结束，若没有结束则更新训练集，滑动窗口向下一个时刻移动，窗口长度保持2n；若当前滤波周期结束，则用LSSVM预测的下一时刻的位置信息来校准SIMU的位置输出；然后用新的数据，更新训练模型，循环迭代，得到位置信息的预测结果。

3.根据权利要求1或2所述的一种消除单点GPS高次位置误差的双频组合滤波器，其特征在于：所述输入部分还包括野值检测模块，GPS接收模块通过安装在遥感载荷上的GPS天线获取定位信息，经过野值检测模块剔除GPS异常值。

4.根据权利要求1或2所述的一种消除单点GPS高次位置误差的双频组合滤波器，其特征在于：所述输入部分还包括初始校准模块，将捷联惯性测量单元SIMU敏感到的加速度和角速度原始测量数据经过初始校准模块的初始校准后打包发送给捷联解算A模块和捷联解算B模块。

5.根据权利要求1或2所述的一种消除单点GPS高次位置误差的双频组合滤波器，其特征在于：所述GPS模块、捷联解算A模块、卡尔曼滤波器KF、捷联解算B模块、LSSVM滤波器和运动补偿单元均运行于导航计算机中。

6.根据权利要求1或2所述的一种消除单点GPS高次位置误差的双频组合滤波器，其特征在于：所述卡尔曼滤波器KF利用GPS模块的定位信息和捷联解算A模块当前时刻导航输出的位置和速度信息之差作为观测量进行组合，并将最优估计量反馈校正给捷联解算A模块，从而进行最优估计。

7.根据权利要求1或2所述的一种消除单点GPS高次位置误差的双频组合滤波器，其特征在于：所述时间T为固定值，T>＝5s。

8.一种消除GPS高次位置误差的双频组合滤波方法，其特征在于：基于LSSVM，采用高频滤波和低频滤波结合折双频组合滤波实现，步骤如下：

(1)将一套捷联惯性测量单元SIMU固定在遥感载荷的中心位置附近，用于测量飞行平台的运动状态；SIMU将敏感到的加速度和角速度原始测量数据打包发送给捷联解算A模块和捷联解算B模块；同时GPS接收模块通过安装于遥感载荷上的GPS天线获取位置和速度信息；

(2)捷联解算A模块和捷联解算B模块同时将SIMU发送来的加速度和角速度原始测量数据通过坐标转换和积分解算出当前时刻的位置和姿态信息，作为导航输出的位置和速度信息；

(3)卡尔曼滤波器KF利用GPS模块获取的定位信息和捷联解算A模块的导航输出的位置和速度信息之差作为观测量进行组合，并将最优估计量反馈校正给捷联解算A模块；

(4)捷联解算A模块和捷联解算B模块将当前时刻的位置信息送往LSSVM滤波器，用于更新LSSVM滤波器的训练集，训练集通过LSSVM算法学习，得出训练模型，预测下一时刻的位置信息，用于在线遥感载荷的运动补偿；

(5)捷联算法B模块的位置信息每隔时间T通过LSSVM的预测值在线校正位置信息，同时通过捷联解算A模块向捷联算法B模块传递姿态和速度校正信息；

(6)遥感载荷的运动补偿的位置信息由LSSVM滤波器提供，姿态和速度信息由捷联A模块提供。