CN109443393A - 一种基于盲分离算法的捷联惯导信号提取方法及系统 - Google Patents

Abstract

本发明公开了一种基于盲分离算法的捷联惯导信号提取方法及系统，该方法包括对输出的混合信号进行EEMD分解得到不同的模态函数分量；采用相关系数法计算每个模态函数分量与混合信号的相关系数；根据EEMD自适应分解层数计算相关系数阈值；将相关系数低于相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构得到提取后的捷联惯导输出信号；采用时间延迟补偿算法对捷联惯导输出信号进行补偿，并将补偿后的失准角作为初始失准角进行导航。本发明引入信号盲分离技术，从输出的混合信号中提取出不受干扰的捷联惯导输出信号，并采用时间延迟补偿算法对捷联惯导输出信号进行补偿，提高失准角精度，从而提高了捷联惯导自对准系统的精度。

Description

一种基于盲分离算法的捷联惯导信号提取方法及系统

技术领域

本发明涉及捷联惯导系统自对准技术领域，特别涉及一种基于盲分离算法的捷联惯导信号提取方法及系统。

背景技术

步入21世纪以来，惯性导航技术日益成熟，惯性导航系统(惯导系统)的精度和可靠性显著提高，其应用范围由军事以及航空航天领域，逐步扩展到民用设施，甚至在个人的电子设备上都配备有微型惯性导航系统。进入导航的工作状态之前，惯导系统必须要进行初始对准，初始对准的精度很大程度上决定了导航精度的高低。由于自对准技术仅依靠自身的惯性仪器就可以实现初始对准，具有自动化程度高、快速机动性、自主性强等优点。因此，大多数的惯导系统都采用自对准的方式实现初始对准。

为了提高自对准精度，要求惯导系统处于相对稳定的状态下，即静基座状态或保持良好的静止状态，这样就可以避免外界的干扰。然而，在实际的对准过程中，惯导系统无法避免地受到外界复杂环境的干扰，包括外界阵风、发动机振动、人员活动等。这些外界干扰将会引起惯导基座大幅晃动、振荡，以及在水面工作条件下风浪引起的大幅摇摆。

基座的受扰运动势必会导致惯性器件在敏感重力矢量信息以及地球自转角速度信息时受到严重干扰。随着对惯导系统要求的提高，逐渐要求在行进过程中完成自对准，惯导系统所受的干扰就会更为复杂，基座振动与晃动更为剧烈。

目前，针对惯导系统自对准过程中的干扰问题，国内外学者进行了大量的研究，提出了一系列的算法与改进方案。但对于大幅晃动干扰以及更为复杂的干扰环境下，惯导自对准精度受影响的问题依然没有得到彻底解决。因此，进一步提高大幅晃动干扰以及复杂干扰环境下惯导自对准精度，对于提高惯导系统的导航精度意义重大。

发明内容

本发明的目的是通过对捷联惯导信号特征的分析，而提供一种基于盲分离算法的捷联惯导信号提取方法及系统，一是将行进间捷联惯导输出信号从混合信号中提取出来，从而解决复杂干扰下捷联惯导自对准精度受影响的问题，提高捷联惯导自对准系统的精度。二是引入时间补偿算法，提高捷联惯导输出信号中的失准角的精度，进一步提高捷联惯导自对准系统的精度。

为实现上述目的，本发明提供了如下方案：

一种基于盲分离算法的捷联惯导信号提取方法，所述捷联惯导信号提取方法包括：

对输出的混合信号进行EEMD分解，得到不同的模态函数分量；

采用相关系数法，计算每个所述模态函数分量与所述混合信号的相关系数；

根据EEMD自适应分解层数，计算相关系数阈值；

根据所述相关系数阈值，将相关系数低于所述相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号；

采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，并将所述补偿后的失准角作为初始失准角进行导航。

可选的，所述根据EEMD自适应分解层数，计算相关系数阈值，具体包括：

确定所述EEMD自适应分解层数与所述相关系数阈值的关系式；所述关系式为r为所述相关系数阈值；m为所述EEMD自适应分解层数；

根据所述关系式，计算相关系数阈值。

可选的，所述对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号，具体包括：

将所述剩余的模态函数分量进行相加，得到捷联惯导输出信号；其中，所述剩余的模态函数分量为相关系数高于所述相关系数阈值的模态函数分量。

可选的，在采用时间延迟补偿算法，对所述捷联惯导输出信号进行时间延迟补偿之前，所述捷联惯导信号提取方法还包括：

确定EEMD抗模态混叠分解次数和所述混合信号的数据长度。

可选的，所述EEMD抗模态混叠分解次数为10次。

可选的，所述混合信号的数据长度为100S。

可选的，所述采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，具体包括：

获取未采用盲分离算法而得到的第一失准角；

获取采用盲分离算法而得到的第二失准角；

计算所述第一失准角与所述第二失准角的偏差值；

将所述偏差值代入速度与姿态误差方程，得到速度偏差值和姿态偏差值；

根据所述速度偏差值和所述姿态偏差值对当前时刻的速度与姿态进行补偿，得到补偿后的失准角。

可选的，所述获取未采用盲分离算法而得到的第一失准角，具体包括：

采用有参数辨识法或者卡尔曼滤波法，对所述混合信号进行精对准处理，得到第一失准角。

可选的，所述获取采用盲分离算法而得到的第二失准角，具体包括：

根据所述捷联惯导输出信号，提取第二失准角。

本发明还提供了一种基于盲分离算法的捷联惯导信号提取系统，所述捷联惯导信号提取系统包括：

混合信号分解模块，用于对输出的混合信号进行EEMD分解，得到不同的模态函数分量；

相关系统计算模块，用于采用相关系数法，计算每个所述模态函数分量与所述混合信号的相关系数；

相关系统阈值计算模块，用于根据EEMD自适应分解层数，计算相关系数阈值；

捷联惯导输出信号得到模块，用于根据所述相关系数阈值，将相关系数低于所述相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号；

失准角补偿模块，用于采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，并将所述补偿后的失准角作为初始失准角进行导航。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于盲分离算法的捷联惯导信号提取方法及系统，该方法包括：对输出的混合信号进行EEMD分解，得到不同的模态函数分量；采用相关系数法计算每个模态函数分量与混合信号的相关系数；根据EEMD自适应分解层数计算相关系数阈值；将相关系数低于相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号；采用时间延迟补偿算法对捷联惯导输出信号进行补偿，得到补偿后的失准角，并将补偿后的失准角作为初始失准角进行导航。本发明引入信号盲分离技术，从输出的混合信号中提取出不受污染的真实信号，即捷联惯导输出信号，采用时间延迟补偿算法，对捷联惯导输出信号中的失准角进行补偿，提高失准角精度，从而提高了捷联惯导自对准系统的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于盲分离算法的捷联惯导信号提取方法的流程示意图；

图2为本发明实施例时间延迟示意图；

图3为本发明实施例优化盲提取数据长度后的时间延迟示意图；

图4为本发明实施例基于信号盲提取的捷联惯导自对准算法流程图；

图5为本发明实施例基于盲分离算法的捷联惯导信号提取系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于盲分离算法的捷联惯导信号提取方法及系统，一是引入信号盲分离技术，从惯导输出中提取出不受污染的真实信号，提高捷联惯导自对准系统的精度；二是引入时间补偿算法，提高真实信号中的失准角的精度，进一步提高捷联惯导自对准系统的精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

从信号分解的角度考虑惯导信号受干扰的问题。由于受到外界干扰的影响，惯导输出信号实质上为“多分量”信号，即多个独立信号源产生的混合信号。随机振动、人员活动和阵风引起的基座晃动和摇摆等干扰因素始终存在于惯导系统对准的整个过程，最终表现在惯导输出信号中。如果能够从惯性仪器的输出中提取出不受污染的真实信号，然后用此信号进行对准，那么得到的对准结果将不受干扰的影响。这相当于采用信号处理的方法，给惯导系统增加了一个可以隔离晃动和摇摆干扰的数学装置，这时的自对准就和理想的静基座自对准一样，具有很高的对准精度。但由于干扰信号是不确定的信号，变化特性毫无规律可循，同时各类信号到传感器的传播途径、混合特性也是未知的，这一系列问题给惯导信号的分离提取工作带来很大的困难。由于缺乏信号的先验信息，难以确定信号的时频域特性，采用传统的模拟或者数字滤波进行信号的筛选效果较差。为此，如何从惯性仪器的输出信号中分离或提取出真实信号是一个值得研究的新方向。

近年来，新兴的盲分离技术在语音信号分离、生物医学信号分离、信号检测等各个领域受到了广泛的关注并开展了深入研究。盲分离技术是指在混合信号和信号混合特性未知的情况下，仅凭观测信号恢复独立混合信号或者辨识混合通道特性参数的技术。受雷达信号盲分离思想的启发，针对惯导系统信号的先验信息缺乏，难以确定信号的时频域特性等特点，引入信号盲分离技术，从惯导输出中提取出不受污染的真实信号，从而消除大幅晃动干扰及复杂干扰对惯导对准产生的影响，这为解决惯导系统自对准抗干扰问题提供了一条新的技术途径。

基于上述内容，本发明通过对行进间捷联惯导输出信号的特征进行分析，可得到行进间捷联惯导信号幅值在混合信号中比例大的特点，从而采用EEMD(总体经验模态分解)对惯导输出信号进行分解，通过相关系数法(相关系数，也称皮氏积矩相关系数，Pearsonproduct-moment correlation coefficient，PPCC)对目标信号进行提取重构，然后采用补偿算法对提取重构进行补偿，实现精准对准。

图1为本发明实施例基于盲分离算法的捷联惯导信号提取方法的流程示意图，如图1所示，本发明实施例提供的基于盲分离算法的捷联惯导信号提取方法包括以下步骤：

步骤101：对输出的混合信号进行EEMD分解，得到不同的模态函数分量；其目的是将捷联惯导输出信号与干扰信号分解为不同的模态函数分量。

步骤102：采用相关系数法，计算每个所述模态函数分量与所述混合信号的相关系数，即得到每个所述模态函数分量与所述混合信号的相关系数。

步骤103：根据EEMD自适应分解层数，计算相关系数阈值。

步骤104：根据所述相关系数阈值，将相关系数低于所述相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号。

步骤105：采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，并将所述补偿后的失准角作为初始失准角进行导航。

所述步骤101具体包括：

(1)在混合信号s(t)中多次加入随机高斯白噪声u_i(t)，即

s_i(t)＝s(t)+u_i(t)；

式中：s_i(t)为第i次加入高斯白噪声的信号，u_i(t)为加入的随机高斯白噪声。

(2)对s_i(t)进行EMD分解，所得IMF分量(模态函数分量)记作c_ij(t)，余量记作res_i(t)。其中c_ij(t)为第i次加入白噪声分解所得的第j个IMF分量。

(3)对步骤(1)、(2)重复N次，并根据随机不相关序列统计量为零的原理，将对应的IMF分量求取平均，消除白噪声带入的影响，得到的消除白噪声影响的IMF分量为：其中，c_j(t)为第j个IMF分量。残余分量res(t)可表示为：

最后，得到EEMD分解结果为：

随着EMD分解次数的增加，分解效率下降，而效果变化趋缓，一般在进行EEMD分解时，选择EMD分解次数N＝100。同时根据惯导信号的物理特征，选择加入高斯白噪声的信噪比为0.2。其中，EMD的分解次数和高斯白噪声的信噪比均是通过试验仿真确定。

所述步骤102具体包括：

两个向量x、y之间的相关系数r_xy定义为：其中，x、y分别为消除白噪声影响的IMF分量和提取的混合信号； 通过计算得出每个模态函数分量与混合信号的相关系数。

所述步骤103具体包括：

在这里使用的相关系数是对EEMD模态函数分量与混合信号的相关程度做判断，这与一般变量之间的相关程度判断有所不同。经过EEMD分解得到的IMF分量是混合信号在尺度上一层层筛选得到的，并且混合信号可由各IMF分量及残余函数相加得到，那么IMF分量与混合信号的相关程度在线性上就会相对较低，也就不能以一般判断相关程度的方法判断各IMF分量与混合信号的相关程度。

每个IMF分量与混合信号相关程度的强弱与EEMD对混合信号的自适应分解层数直接相关，当自适应分解层数变大时，相应的判别标准就会有所变化。而EEMD是根据混合信号本身的尺度调节自适应分解层数，具有一定的自适应性，因此其自适应分解层数在分解过程可以得到。

设EEMD自适应分解层数为m，那么IMF分量与混合信号相关程度极弱的判别阈值为

当某一模态函数分量与混合信号的相关系数小于1/m，就可判断为相关程度弱的模态函数分量，大于1/m，则可判断为相关程度强的模态函数分量。

步骤104具体包括：

对信号进行重构，就是要将相关系数强的模态函数分量提取出来，并进行相加得到捷联惯导输出信号。

步骤105具体包括：

本发明采用EEMD-PPCC盲分离算法对输出的混合信号进行分离提取，能极大提高捷联惯导系统的自对准精度与收敛速度。但由于EEMD-PPCC盲分离算法需要一定的数据积累，并且EEMD算法一层层筛选信号需要消耗一定时间，造成提取结果产生一定的滞后性，即在对准的过程中，某一时刻得到的提取数据并不是那一时刻的数据提取结果，而是滞后之前一段时间的数据提取结果。

图2显示的是对准过程与时间延迟的相关情况。载车在t₀时刻启动，捷联惯导系统开始粗对准；在t₁时刻，完成粗对准，开始精对准；在t₂时刻，捷联惯导系统完成精对准，并进入导航状态，同时对t₁至t₂时刻的数据进行盲提取；在t_s时刻得到盲提取数据的对准结果。在t₂时刻对数据进行盲提取，经过EEMD-PPCC的解算时间T_h，延迟到t_s，因此延迟时间为：T_d＝T_h＝t_s-t₂。

EEMD-PPCC盲分离算法的解算时间不仅跟待提取的数据长度有关，还由EEMD抗模态混叠分解次数有关。为减少EEMD本身的分解时间，提高算法的反应速度，兼顾具备抗模态混叠的功能，本发明将EEMD抗模态混叠分解次数设为NE＝10。这样虽然提高了算法的解算速度，但时间延迟的问题依然存在。

在上述试验验证中，对准算法所提取的混合信号的数据长度为原数据精对准所对应的数据长度，但盲分离算法精对准所需的数据长度并不需要那么长。由盲提取数据的对准结果可知，盲提取后的数据对准结果收敛速度更快、精度更高，而对准最终目的就是为了得到精度较高的失准角，因此，用于盲提取的混合信号的数据长度只需满足提取后能达到的对准收敛即可。经过试验分析可知，提取后收敛速度最慢的是68s，远远小于100s，也就是提取后数据的能在100s内达到收敛。因此本发明将提取的混合信号的数据长度设定为T_k＝100s，即在t₃时刻开始对数据进行提取，则有：t₃＝t₁+T_k。

当EEMD抗模态混叠分解次数与盲提取的数据量减少时，盲分离算法解算时间也相应缩短，变为T′_h。设新的延迟时间变为T′_d，并且在t′_s时刻获得捷联惯导输出信号的对准结果，则有：

优化盲提取数据长度后的时间延迟分析如图3所示，且有关系：

尽管通过一系列的简化处理，但时间延迟依然存在，给算法的实际应用带来不少困难，要将更为精确的对准结果应用到捷联惯导系统的导航中，就必须对延迟时间进行补偿，即必须对算法造成的延迟T′_d进行补偿。

捷联惯导系统理想的速度与姿态四元数方程如下：

其中，n为导航坐标系，b为载体坐标系，i为惯性坐标系，e为地球坐标系，为导航坐标系下的速度矢量变化率，为姿态转换矩阵，f^b为加速度计测量的沿载体坐标系的比力，为哥式加速度(由载体相对地球运动V和地球旋转w_ie引起)，为载体对地向心加速度，gⁿ为重力加速度；Q代表姿态四元数，为姿态四元数的微分，载体相对惯性系的角速度，导航系相对惯性系的角速度(数学平台的指令角速度)，表示四元数乘法。

由于外界干扰与系统误差的影响，实际解算的速度与姿态存在一定的误差，速度与姿态误差方程如下：

式中：

其中失准角φ_E、φ_N、φ_U是惯导系统精对准解算结果，由此可知精对准结果的精度对惯导系统导航精度影响深远，失准角估计精度将一直影响着速度与姿态的导航精度。

在使用原数据对准结果进行一段时间的导航解算后，可以通过导航解算补偿，将更为精确的失准角结果应用到导航解算中。只要将原数据对准结果与盲提取后的对准结果的失准角偏差经过导航解算，对当前时刻速度与姿态进行误差补偿，就能实现盲分离算法的延迟补偿。

采用参数辨识法或卡尔曼滤波法对原数据进行精对准操作，得到第一失准角φ₁，本发明采用盲分离算法后得到的信号经过精对准后，得到第二失准角φ₂。根据图3，在t₃时刻，盲分离算法对t₁时刻至t₃时刻数据开始进行提取。原数据在t₂时刻系统完成精对准，并采用第一失准角φ₁开始进行导航解算，本发明经过延迟时间T′_d，在t′_s时刻得到了盲提取后的第二失准角φ₂，然后计算两个对准结果差值Δφ：Δφ＝φ₁-φ₂。

将对准结果差值Δφ代入速度与姿态误差方程，推导出t′_s时刻下对准结果差值所造成的速度与姿态偏差与用速度与姿态偏差与对当前时刻的速度与姿态进行补偿，就可以得到补偿后的失准角φ′₂，并从t′_s时刻开始采用补偿后的失准角φ′₂作为初始失准角进行导航，即完成了第二失准角φ₂的延时补偿，实现盲分离算法在捷联惯导对准与导航中的应用。

采用时间延迟补偿算法解决盲分离算法存在的时间延迟问题，就可以将盲分离算法应用到捷联惯导自对准系统中，对自对准算法进行编排，得到基于信号盲提取的捷联惯导自对准算法流程如图4所示。

为实现上述目的，本发明还提供了一种基于盲分离算法的捷联惯导信号提取系统。

图5为本发明实施例提供的一种基于盲分离算法的捷联惯导信号提取系统，如图5所示，本发明实施例提供的所述捷联惯导信号提取系统包括：

混合信号分解模块1，用于对输出的混合信号进行EEMD分解，得到不同的模态函数分量。

相关系统计算模块2，用于采用相关系数法，计算每个所述模态函数分量与所述混合信号的相关系数。

相关系统阈值计算模块3，用于根据EEMD自适应分解层数，计算相关系数阈值。

捷联惯导输出信号得到模块4，用于根据所述相关系数阈值，将相关系数低于所述相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号。

失准角补偿模块5，用于采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，并将所述补偿后的失准角作为初始失准角进行导航。

本发明通过引入盲分离算法和时间延迟补偿算法，提高了捷联惯导自对准系统的精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于盲分离算法的捷联惯导信号提取方法，其特征在于，所述捷联惯导信号提取方法包括：

对输出的混合信号进行EEMD分解，得到不同的模态函数分量；

采用相关系数法，计算每个所述模态函数分量与所述混合信号的相关系数；

根据EEMD自适应分解层数，计算相关系数阈值；

根据所述相关系数阈值，将相关系数低于所述相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号；

采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，并将所述补偿后的失准角作为初始失准角进行导航。

2.根据权利要求1所述的捷联惯导信号提取方法，其特征在于，所述根据EEMD自适应分解层数，计算相关系数阈值，具体包括：

确定所述EEMD自适应分解层数与所述相关系数阈值的关系式；所述关系式为r为所述相关系数阈值；m为所述EEMD自适应分解层数；

根据所述关系式，计算相关系数阈值。

3.根据权利要求1所述的捷联惯导信号提取方法，其特征在于，所述对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号，具体包括：

将所述剩余的模态函数分量进行相加，得到捷联惯导输出信号；其中，所述剩余的模态函数分量为相关系数高于所述相关系数阈值的模态函数分量。

4.根据权利要求1所述的捷联惯导信号提取方法，其特征在于，在采用时间延迟补偿算法，对所述捷联惯导输出信号进行时间延迟补偿之前，所述捷联惯导信号提取方法还包括：

确定EEMD抗模态混叠分解次数和所述混合信号的数据长度。

5.根据权利要求4所述的捷联惯导信号提取方法，其特征在于，所述EEMD抗模态混叠分解次数为10次。

6.根据权利要求4所述的捷联惯导信号提取方法，其特征在于，所述混合信号的数据长度为100S。

7.根据权利要求1所述的捷联惯导信号提取方法，其特征在于，所述采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，具体包括：

获取未采用盲分离算法而得到的第一失准角；

获取采用盲分离算法而得到的第二失准角；

计算所述第一失准角与所述第二失准角的偏差值；

将所述偏差值代入速度与姿态误差方程，得到速度偏差值和姿态偏差值；

根据所述速度偏差值和所述姿态偏差值对当前时刻的速度与姿态进行补偿，得到补偿后的失准角。

8.根据权利要求7所述的捷联惯导信号提取方法，其特征在于，所述获取未采用盲分离算法而得到的第一失准角，具体包括：

采用有参数辨识法或者卡尔曼滤波法，对所述混合信号进行精对准处理，得到第一失准角。

9.根据权利要求7所述的捷联惯导信号提取方法，其特征在于，所述获取采用盲分离算法而得到的第二失准角，具体包括：

根据所述捷联惯导输出信号，提取第二失准角。

10.一种基于盲分离算法的捷联惯导信号提取系统，其特征在于，所述捷联惯导信号提取系统包括：

混合信号分解模块，用于对输出的混合信号进行EEMD分解，得到不同的模态函数分量；

相关系统计算模块，用于采用相关系数法，计算每个所述模态函数分量与所述混合信号的相关系数；

相关系统阈值计算模块，用于根据EEMD自适应分解层数，计算相关系数阈值；

捷联惯导输出信号得到模块，用于根据所述相关系数阈值，将相关系数低于所述相关系数阈值的模态函数分量剔除，并对剩余的模态函数分量进行重构，得到提取后的捷联惯导输出信号；

失准角补偿模块，用于采用时间延迟补偿算法，对所述捷联惯导输出信号进行补偿，得到补偿后的失准角，并将所述补偿后的失准角作为初始失准角进行导航。