CN110487271A - 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 - Google Patents

Abstract

本发明公开了一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，以惯性和GNSS紧组合导航系统模型为基础，针对GNSS信号失锁时的紧组合导航问题，动态Elman神经网络预测模型，来对惯导的误差模型和GNSS的补偿模型进行学习；当GNSS信号缺失时，利用训练好的神经网络预测出GNSS的输出误差并补偿惯导的输出，使误差不会急剧发散，让系统继续进行组合导航。最后利用设计的低成本下的紧组合导航模块进行实地测量，将采集的信息进行预处理，组成训练神经网络的样本数据对Elman神经网络模型进行训练。本算法能在GNSS信号缺失100s的情况进行预测，使系统仍然能进行紧组合导航。

Description

一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法

技术领域

本发明涉及一种紧组合导航方法，特别是一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，属于导航技术领域。

背景技术

惯导系统可以全面自主的提供的导航信息，但在低成本设备下，惯导系统其误差会随着时间不断积累。GNSS的定位范围广、精度高，其缺点是容易发生信号遮挡及干扰。因此惯导和GNSS特征具有互补性，将惯导和GNSS进行紧组合能够充分发挥这两个系统的优点。紧组合还能提高导航系统的精度与可靠性。但对于紧组合导航系统来说，当有遮挡或干扰等原因导致卫星信号短时间不可用时，系统只能工作在纯惯性导航的方式下，此时的导航精度决定于惯导器件精度和GNSS失效前一时刻紧组合导航的精度。由于低成本惯导系统误差随时间积累且得不到校正，导航精度将会迅速降低甚至完全不可用。

紧组合导航系统在GNSS失效时精度快速降低的主要因为缺乏外部观测的辅助条件下，先验来确定的惯导误差模型难以符合实际的情况。假如得到了当前时刻惯导的准确的误差模型，即便在GNSS信号受阻时，亦可使用此模型来计算惯导系统的误差，最终实现对惯导的误差补偿。神经网络具有良好的非线性映射能力，能模拟实际模型的输入输出。传统的神经网络例如：BP神经网络、多层感知器的神经网络、径向基函数的神经网络等都可以来推导惯导的误差模型，但这些神经网络都属于静态网络。这些神经网络结构不易准确地描述非线性系统的动态特性。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种能够准确描述非线性系统的动态特性的GNSS信号受阻时Elman神经网络辅助紧组合导航方法，Elman神经网络是一种典型的多层动态递归神经网络，可对GNSS信号短暂受阻时的惯导误差信号进行预测，并用预测的数据来补偿修正惯性导航的输出。来期望在GNSS信号短暂缺失时，组合导航系统能继续提供导航数据。

为解决上述技术问题，本发明的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，包括以下步骤：

步骤1：构建Elman神经网络模型并选择Elman神经网络隐藏层传递函数；

步骤2：设计Elman学习算法；

步骤3：构建紧组合卡尔曼滤波数学模型；

步骤4：当GNSS信号可用时，神经网络处于训练模式，将惯导系统输出的三维位置信息作为步骤2得到的神经网络训练的输入样本；将经过步骤3中卡尔曼滤波数学模型器融合后输出的惯导误差补偿值作为网络训练的期望输出样本，带入步骤2得到的Elman神经网络进行训练，当Elman神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用步骤2中的Elman神经网络算法得到网络权值的更新值，直至网络的实际输出与期望的输出之间的误差小于设定的阈值；

步骤5：当GNSS信号缺失时，神经网络进入预测模式，以惯导系统输出的导航位置信息作为步骤4训练后的网络的输入，利用步骤4训练后的神经网络模型预测出惯导系统的误差值，利用该误差值修正惯导的导航输出，得到修正后的导航信息。

本发明还包括：

1.Elman神经网络包括输入层、隐藏层、连接层与输出层，Elman神经网络的数学模型为：

x_h(k)＝f(W₁P(k)+W₃x(k))

x_c(k)＝αx_h(k-1)

y(k)＝g(W₂x(k))

式中向量P(k)表示Elman神经网络在k时间的输入向量，隐藏层的神经元在k时间下输出向量用x_h(k)表示，x_c(k)表示连接层在k时间的输出向量，y(k)表示整个网络输出层在k时间下的输出向量，W₁,W₂,W₃分别是输入层到隐藏层，隐藏层到输出层，连接层到隐藏层的之间的连接权值，f(·)与g(·)分別是隐藏层和输出层的传递函数，α为连接反馈增益因子。

2.步骤1所述Elman神经网络隐藏层传递函数为S型正切函数。

3.步骤2具体为：

Elman神经网络计算过程分如下两步：工作信号的正向传播过程与误差反向传播，工作信号正向传播过程的计算过程和Elman神经网络数学模型一致，计算出网络输出的信号y(k)；

误差反向传播具体为：假设k时间下网络实际输出为y(k)，同时网络的期望输出响应为y_d(k)，则定义网络的误差表达式为：

分别求出误差函数对每个连接权值偏导数，然后将误差函数E_k对隐藏层到输出层的链接权值W₂求出偏导可以得到如下式：

式中i表示从第i个隐藏层神经元，为W₂权值矩阵的i行，j表示第j个输出层神经元，为W₂权值矩阵的j列；

令则

将E_k对输入层到隐藏层的连接权值W₁求偏导数可得到：

令则

将E_k对连接层到隐藏层的连接权值W₃求偏导数可以得到：

其中，l为连接层的第l个神经元；

有可以得到各个权值的更新值：

其中：

4.步骤3具体为：

选取系统状态变量为15维分别为：

其中δpos为ECEF坐标系三个轴向上位置误差，δV为东北天坐标系下三个轴向上分别速度误差，为惯导系统下三个轴向上分别姿态误差，ε为三个姿态角误差，为3个方向加速度零偏，b_clk为钟差，d_clk为钟漂；

利用惯导系统推算得到的伪距与伪距率信息与GNSS每颗卫星的伪距与伪距的量测信息之差Z作为外部观测量，系统的量测方程如下：

H为观测矩阵，V为观测噪声，伪距为ρ，伪距率为

利用扩展卡尔曼滤波对组合导航进行滤波计算，具体过程如下：

状态的一步预测：

X_k,k-1＝φ_k,k-1X_k-1

状态估计：

X_k＝X_k,k-1+K_k[Z_k-h_k(X_k,k-1)]

一步预测误差方差阵：

滤波增益矩阵：

估计误差方差阵：

P_k＝(I-K_kH_K)P_k,k-1

式中φ为误差的状态转移矩阵，K为卡尔曼增益矩阵，P为误差协方差阵，R为噪声协方差阵；

经过上述卡尔曼滤波计算，得到经过修正以后的3个方向上的位置信息X，把修正前后的位置之差带入设计好的Elman神经网络中，作为神经网络训练时的输出量。

5.步骤4具体为：网络训练时，网络的输入、输出神经元数选取ECEF坐标系下三个方向上的位置参数个数，即m＝3；隐藏层中神经元个数取I＝3；网络的输入值是组合导航系统的纯惯性导航输出的位置信息网络目标输出值是紧组合系统滤波后的补偿惯性导航位置ΔE，根据输入输出的样本训练网络，带入步骤2中构建完成的Elman神经网络中的y(k)与y_d(k)中进行训练，训练完成后则可以获得神经网络修正后的输出值关系如下：

将ΔE中的数据保存到Elman神经网络模型中，在修正时，调取相应的采样时刻的误差数据ΔE，完成神经网络对惯导的误差进行修正：

要进行预测时，需要的补偿的是惯导误差后的ECEF坐标系下3个方向位置为所以

根据训练完成的网络对组合导航中状态预报估值进行实时修正，修正过程中，利用代替组合系统EKF滤波器的状态变量

本发明有益效果：Elman神经网络是一种典型的多层动态递归神经网络，可对GNSS信号短暂受阻时的惯导误差信号进行预测，并用预测的数据来补偿修正惯性导航的输出。来期望在GNSS信号短暂缺失时，组合导航系统能继续提供导航数据。

本发明针对GNSS信号受阻时的紧组合导航问题，动态Elman神经网络预测模型，来对惯导的误差模型和GNSS的补偿模型进行学习；当GNSS信号缺失时，利用训练好的神经网络预测出GNSS的输出误差并补偿惯导的输出，使误差不会急剧发散，让系统继续进行组合导航。最后利用设计的低成本下的紧组合导航模块进行实地测量，将采集的信息进行预处理，组成训练神经网络的样本数据对Elman神经网络模型进行训练。本算法能在GNSS信号缺失100s的情况进行预测，使系统仍然能进行紧组合导航。

附图说明

图1为Elman神经网络拓扑图；

图2为S型对数函数；

图3为S型正切函数；

图4为线性函数；

图5为Elman神经网络训练；

图6为Elman神经网络预报过程；

图7为GNSS受阻前X轴位置误差图；

图8为GNSS受阻前Y轴位置误差图；

图9为GNSS受阻前Z轴位置误差图；

图10为GNSS受阻后X轴位置误差图；

图11为GNSS受阻后Y轴位置误差图；

图12为GNSS受阻后Z轴位置误差图；

图13为Elman学习次数与精度图；

图14为GNSS受阻后Elman神经网络预测X轴位置误差图；

图15为GNSS受阻后Elman神经网络预测Y轴位置误差图；

图16为GNSS受阻后Elman神经网络预测Z轴位置误差图；

具体实施方式

下面结合附图对本发明具体实施方式做进一步说明。

本发明提出的是一种在GNSS信号受阻下Elman神经网络辅助紧组合算法，为了在GNSS信号短暂缺失时，组合导航系统能继续提供导航数据。采取合适的隐藏层函数构建Elman神经网络模型。在GNSS信号受阻情况下利用Elman神经网络模型继续完成紧组合的导航定位。

具体的步骤如下：

步骤一：构建Elman神经网络模型并选择Elman神经网络隐藏层传递函数。

步骤二：设计Elman学习算法。

步骤三：构建紧组合卡尔曼滤波数学模型。

步骤四：将步骤三中构建好紧组合的卡尔曼滤波输入与输出带入步骤二中进行学习，学习完成后在GNSS信号受阻下带入惯导位置信息进入神经网络中，获得输出后完成Elman神经网络辅助紧组合算法。

(1)步骤一的具体内容如下：

附图1所示为本文设计的Elman神经网络结构。Elman神经网络属于反馈型的神经网络，它主要由输入层、隐藏层、连接层与输出层四层构成。连接层主要性质是连接了隐藏层的输出与输入，它的实际作用是将隐藏层的前一时刻的输出进行记忆并且保存下来，并且在当前时刻与新的输入一起作为隐藏层的输入，作用相当于一阶的延迟算子。通过连接层的延迟算子，会使得网络对历史数据变得敏感，增强了系统处理动态信息的能力。正因为有了连接层的存在，才让Elman神经网络拥有动态的记忆能力，使之能有对时变特性的系统进行学习。

Elman神经网络的数学模型可以表示为：

xh(k)＝f(W₁P(k)+W₃x(k)) (1)

x_c(k)＝αx_h(k-1) (2)

y(k)＝g(W₂x(k)) (3)

式中向量P(k)表示Elman神经网络在k时间的输入向量，隐藏层的神经元在k时间下输出向量用x_h(k)表示，x_c(k)表示连接层在k时间的输出向量，y(k)表示整个网络输出层在k时间下的输出向量，W₁,W₂,W₃分别是输入层到隐藏层，隐藏层到输出层，连接层到隐藏层的之间的连接权值矩阵。f(·)与g(·)分別是隐藏层和输出层的传递函数，α为连接反馈增益因子。

传递函数主要用来限制神经元的输出，让神经元输出值保持在一定范围内，所以也被称为压制函数。能用于神经网络中的传递函数有很多类型，例如附图2-图4中通常使用的S型对数函数，S型正切函数和线性函数等。从图中可以发现三个传递函数的输入值可以是任意范围的数值，他们区别在于输出的振幅压缩的范围不同。一般来说，传递函数通常是根据应用的需求来选择的。在本发明中神经网络的输入是惯导推算的位置坐标信息，输出是经过GNSS补偿位置信息。因此输入和输出数据有正有负，将原始数据归一化后，坐标分量是分布在[-1,1]之间的，所以隐含层神经元的输出也必须在[-1,1]之间，这里选择隐含层神经元的传递函数则选为S型正切函数。

(2)步骤二具体内容如下：

Elman神经网络主要的计算过程分如下两步：工作信号的正向传播过程与误差反向传播。工作信号正向传播过程的计算过程和它的数学模型一致，可计算出网络输出的信号y(k)。误差反向传播具体为：假设k时间下网络实际输出为y(k)，同时网络的期望输出响应为y_d(k)，则定义网络的误差表达式为：

分别求出误差函数对隐藏层、输出层等不同层之间权值偏导数：误差函数E_k对隐藏层到输出层的链接权值W₂矩阵求出偏导可以得到如下式

式中i表示从第i个隐藏层神经元，为W₂权值矩阵的i行，j表示第j个输出层神经元，为W₂权值矩阵的j列

令则

将E_k对输入层到隐藏层的连接权值W₁求偏导数可得到：

令则

类似的，将E_k对连接层到隐含层的连接权值W₃求偏导数可以得到：

l为连接层的第l个神经元。

有可以得到各个权值的更新值：

其中：

(3)步骤三具体内容如下：

设计完成Elman的网络结构，然后设计INS与GPS紧组合中的卡尔曼滤波。以便把滤波前后位置信息作为神经网络的输入与输出来训练神经网络。根据紧组合中INS与GPS误差方程，首先设计紧组合的卡尔曼滤波方程。选取系统状态变量为15维分别为：

其中δpos为ECEF坐标系三个下位置误差，δV为东北天坐标系下速度误差，为惯导系统下3个姿态误差ε为三个姿态角误差，为3个方向加速度零偏，b_clk为钟差d_clk为钟漂。

利用惯导系统推算得到的伪距与伪距率信息与GNSS每颗卫星的伪距与伪距率的量测信息之差Z作为外部观测量，可得系统的量测方程如下：

H为观测矩阵，V为观测噪声，伪距为ρ，伪距率为

因为惯导与GNSS组合导航系统本身是非线性系统，如果误差较小，惯导姿态误差一般会使用线性误差的状态方程，但是当惯性设备精度差或者惯性导航系统角度误差偏大时，则导航系统中的非线性因素不容忽视，就需要利用非线性的滤波算法对组合导航进行处理。EKF(Extended Kalman Filter，扩展卡尔曼滤波)通过扩展方法线性化进行组合滤波计算。具体过程如下：

状态的一步预测

X_k,k-1＝φ_k,k-1X_k-1 (17)

状态估计

X_k＝X_k,k-1+K_k[Z_k-h_k(X_k,k-1)] (18)

一步预测误差方差阵

滤波增益矩阵

估计误差方差阵

P_k＝(I-K_kH_K)P_k,k-1 (21)

式中φ为误差的状态转移矩阵，K为卡尔曼增益矩阵，P为误差协方差阵，R为噪声协方差阵。

经过上述卡尔曼滤波计算，便可得到经过修正以后的3个方向上的位置信息X，把修正前后的位置之差以后带入设计好的Elman神经网络中，作为神经网络训练时的输出量。

(4)步骤四具体内容如下：

网络训练时，网络的输入、输出神经元数选取ECEF坐标系下三个方向上的位置参数个数，即m＝3。隐藏层中神经元个数取I＝3。网络的输入值是组合导航系统的纯惯性导航输出的位置信息网络目标输出值是紧组合系统滤波后的补偿惯性导航位置ΔE。根据输入输出的样本训练网络，带入步骤二中构建完成的Elman神经网络中的y(k)与y_d(k)中进行训练，训练完成后则可以获得神经网络修正后的输出值关系如下：

将ΔE中的数据保存到Elman神经网络模型中。在修正时，只需要调取相应的采样时刻的误差数据ΔE即可，就能实现神经网络对惯导的误差进行修正：

要进行预测时，需要的补偿的是惯导误差后的ECEF坐标系下3个方向位置为所以

根据训练完成的网络对组合导航中状态预报估值进行实时修正，修正过程中，利用代替组合系统EKF滤波器的状态变量的修正。具体过程如附图5所示。

当GNSS信号可用时，神经网络处于训练模式，将惯导系统输出的三维位置信息作为网络训练的输入样本；将经过Kalman滤波器融合后输出的惯导误差补偿值作为网络训练的期望输出样本。当实际输出与期望输出之间的误差值大于设定的阈值(本专利设置为10^-2满足导航误差要求)，利用(2)中的网络权值更新算法更新各个神经元之间的权值信息，直到获得一组最优的权值集合，使得网络的实际输出与期望的输出之间的误差小于设定的阈值。

神经网络的预测过程如附图6所示。当GNSS信号缺失时，神经网络将进入预测模式，同样地，它以惯导系统输出的导航位置信息作为网络的输入；利用之前训练好的神经网络模型预测出惯导系统的误差值，并利用该误差值修正惯导的导航输出，为移动载体提供修正后的导航信息。

为了验证算法在实际应用中的可靠性，进行了实际测试实验，通过分析GNSS在信号受阻情况下的误差和在本发明的机器学习下，组合导航误差，最终结果验证了本算法的实际应用价值。

以下描述本发明的实施例：

为验证本文提出的基于外水平阻尼的双轴旋转惯导系统随机误差抑制技术对随机误差的抑制效果，本实验由GNSS模块ublox6、惯导模块HWT901和核心板STM32F4完成：

本次课题利用由维特智能公司将陀螺仪/磁强计/加速度计封装在一起的HWT901B模块与ublox的接收机相连，两个模块将数据通过串口发送到STM32F4，最后发送到电脑进行处理，保证了两个传感器时间对齐。HWT901B模块具体硬件指标如表1所示：

表1HWT901B模块具体硬件指标

实验一共采集500s数据，屏蔽后100s数据，以此来模拟信号受阻情况，屏蔽之前的位置误差如附图7-9所示：

屏蔽以后误差如附图10-图12：

从图中可以发现在400s时卫星信号受阻，因为采用低成本惯导器件，器件本身精度较低，只依靠惯导进行推位的导航系统开始迅速发散，误差增大致使系统完全无法定位。然后使用Elman神经网络算法进行学习，结果如附图13：

从图中可以看出，当学习次数到100次时，精度已经达到10^-2，已接可以完全满足预测需要。本文设计的学习算法可以选择学习次数与到达精度，即使减少训练时间，选择50次，精度也可以达到10^-1。当所有的样本实例的输出误差满足允许的范围时，网络训练结束。并且可以使用训练好的神经网络进行预测。预测完成位置误差结果如附图14-图16。

从图中可以发现，当GNSS信号受阻时，基于Elman预测三个方向位置误差与前面时刻相近，虽然到后面有一定的发散情况，但误差预测修正的位置误差仍在可接受范围内。这表明本文设计的GNSS信号受阻时，Elman补偿惯导信息效果明显，未出现图11-13中误差迅速发散的情况。实验验证了算法在实际应用中的可行性，可以充分的满足船舶的导航精度要求。

Claims (6)

1.一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于，包括以下步骤：

步骤1：构建Elman神经网络模型并选择Elman神经网络隐藏层传递函数；

步骤2：设计Elman学习算法；

步骤3：构建紧组合卡尔曼滤波数学模型；

步骤4：当GNSS信号可用时，神经网络处于训练模式，将惯导系统输出的三维位置信息作为步骤2得到的神经网络训练的输入样本；将经过步骤3中卡尔曼滤波数学模型器融合后输出的惯导误差补偿值作为网络训练的期望输出样本，带入步骤2得到的Elman神经网络进行训练，当Elman神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用步骤2中的Elman神经网络算法得到网络权值的更新值，直至网络的实际输出与期望的输出之间的误差小于设定的阈值；

步骤5：当GNSS信号缺失时，神经网络进入预测模式，以惯导系统输出的导航位置信息作为步骤4训练后的网络的输入，利用步骤4训练后的神经网络模型预测出惯导系统的误差值，利用该误差值修正惯导的导航输出，得到修正后的导航信息。

2.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：

Elman神经网络包括输入层、隐藏层、连接层与输出层，Elman神经网络的数学模型为：

x_h(k)＝f(W₁P(k)+W₃x(k))

x_c(k)＝αx_h(k-1)

y(k)＝g(W₂x(k))

式中向量P(k)表示Elman神经网络在k时间的输入向量，隐藏层的神经元在k时间下输出向量用x_h(k)表示，x_c(k)表示连接层在k时间的输出向量，y(k)表示整个网络输出层在k时间下的输出向量，W₁,W₂,W₃分别是输入层到隐藏层，隐藏层到输出层，连接层到隐藏层的之间的连接权值，f(·)与g(·)分別是隐藏层和输出层的传递函数，α为连接反馈增益因子。

3.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤1所述Elman神经网络隐藏层传递函数为S型正切函数。

4.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤2具体为：

Elman神经网络计算过程分如下两步：工作信号的正向传播过程与误差反向传播，工作信号正向传播过程的计算过程和Elman神经网络数学模型一致，计算出网络输出的信号y(k)；

误差反向传播具体为：假设k时间下网络实际输出为y(k)，同时网络的期望输出响应为y_d(k)，则定义网络的误差表达式为：

分别求出误差函数对每个连接权值偏导数，然后将误差函数E_k对隐藏层到输出层的链接权值W₂求出偏导可以得到如下式：

式中i表示从第i个隐藏层神经元，为W₂权值矩阵的i行，j表示第j个输出层神经元，为W₂权值矩阵的j列；

令则

将E_k对输入层到隐藏层的连接权值W₁求偏导数可得到：

令则

将E_k对连接层到隐藏层的连接权值W₃求偏导数可以得到：

其中，l为连接层的第l个神经元；

有可以得到各个权值的更新值：

其中：

5.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤3具体为：

选取系统状态变量为15维分别为：

其中δpos为ECEF坐标系三个轴向上位置误差，δV为东北天坐标系下三个轴向上分别速度误差，为惯导系统下三个轴向上分别姿态误差，ε为三个姿态角误差，▽为3个方向加速度零偏，b_clk为钟差，d_clk为钟漂；

利用惯导系统推算得到的伪距与伪距率信息与GNSS每颗卫星的伪距与伪距的量测信息之差Z作为外部观测量，系统的量测方程如下：

H为观测矩阵，V为观测噪声，伪距为ρ，伪距率为

利用扩展卡尔曼滤波对组合导航进行滤波计算，具体过程如下：

状态的一步预测：

X_k,k-1＝φ_k,k-1X_k-1

状态估计：

X_k＝X_k,k-1+K_k[Z_k-h_k(X_k,k-1)]

一步预测误差方差阵：

滤波增益矩阵：

估计误差方差阵：

P_k＝(I-K_kH_K)P_k,k-1

式中φ为误差的状态转移矩阵，K为卡尔曼增益矩阵，P为误差协方差阵，R为噪声协方差阵；

经过上述卡尔曼滤波计算，得到经过修正以后的3个方向上的位置信息X，把修正前后的位置之差带入设计好的Elman神经网络中，作为神经网络训练时的输出量。

6.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤4具体为：网络训练时，网络的输入、输出神经元数选取ECEF坐标系下三个方向上的位置参数个数，即m＝3；隐藏层中神经元个数取I＝3；网络的输入值是组合导航系统的纯惯性导航输出的位置信息网络目标输出值是紧组合系统滤波后的补偿惯性导航位置ΔE，根据输入输出的样本训练网络，带入步骤2中构建完成的Elman神经网络中的y(k)与y_d(k)中进行训练，训练完成后则可以获得神经网络修正后的输出值关系如下：

将ΔE中的数据保存到Elman神经网络模型中，在修正时，调取相应的采样时刻的误差数据ΔE，完成神经网络对惯导的误差进行修正：

要进行预测时，需要的补偿的是惯导误差后的ECEF坐标系下3个方向位置为所以

根据训练完成的网络对组合导航中状态预报估值进行实时修正，修正过程中，利用代替组合系统EKF滤波器的状态变量