CN110632636A - 一种基于Elman神经网络的载体姿态估计方法 - Google Patents

Abstract

本发明公开了一种基于Elman神经网络的姿态估计方法，为了解决测姿系统中载波相位差分测姿易受干扰、惯性导航系统存在误差积累的问题，通过Elman神经网络，利用惯性导航系统的数据求出俯仰角、航向角和横滚角三个姿态角的校正值，并用此校正值去修正利用载波相位差分技术所求出的姿态角，测得所述修正值与所述未修正的姿态角相加即可得到精确的载体姿态。

Description

一种基于Elman神经网络的载体姿态估计方法

技术领域

本发明涉及姿态测量技术领域，尤其涉及一种基于Elman神经网络的载体姿态估计方法。

背景技术

对载体进行姿态测量是GNSS的重要技术应用之一，它可以实时提供载体的姿态信息，用三天线进行GNSS测姿，可以测量出载体的航向角、横滚角和俯仰角。载波相位差分测姿系统所产生的误差不会随时间积累，然而受限于GNSS系统，载波相位差分测姿系统精度较差；惯性导航系统具有很强的自主性，工作时不受外界干扰，但是惯性导航系统运行之前需要给定初始参数，并且在系统运行过程中需要实时矫正误差。

为了解决目前测姿系统精度较差的问题，本发明提出了一种基于Elman神经网络的姿态估计方法。

发明内容

本发明的目的在于提供一种载体姿态估计方法，旨在解决GNSS测姿系统精度相比较于精密惯导系统还存在一定差距，且不适用于高速动态和卫星信号遮挡的场景以及惯性导航系统运行之前需要给定初始参数，并且在系统运行过程中需要实时矫正误差这两种测姿方式的缺点。

本发明提供一种基于Elman神经网络的姿态估计方法，

初始化Elman神经网络各层权值；

采集历史样本数据，所述历史样本数据作为所述Elman神经网络的输入值；

所述历史样本数据通过各层初始连接权值计算所述Elman神经网络的各层输出值；

所述输出层输出值与输出层输出的期望值计算误差平方函数，所述误差平方函数达到设定阈值后，获得所述Elman神经网络最终各层连接权值；

以测量数据作为完成训练的所述Elman神经网络的输入，得到所述Elman神经网络输出的修正值；

用所述修正值与用载波相位差分技术测得的未修正的姿态角相加即可得到精确的载体姿态。

进一步地，所述Elman神经网络包括输入层、隐藏层、承接层和输出层。

进一步地，所述的Elman神经网络以历史样本数据作为网络输入，以所述姿态角的修正值作为网络输出。

进一步地，所述历史样本数据包括轴加速度值、轴角速度值及通过载波相位差分技术解算基线向量得到的姿态角。

进一步地，所述Elman神经网络获取各层数值步骤为：

所述隐藏层到所述输出层的连接权值与所述隐藏层数据之积为第一预设值，所述第一预设值进行第一函数处理后得到结果值，所述结果值等于输出层的输出值，所述第一预设值为x，所述第一函数为g(x)＝k·x+c；

所述输入层到所述隐藏层的连接权值与前一次迭代中输入数据之积为第二预设值，所述承接层到所述隐藏层的连接权值与所述承接层数据之积为第三预设值，所述第二预设值与所述第三预设值之和，通过第二函数处理得到所述隐藏层的输出值，所述第二函数为

所述承接层的输出值等于前一次迭代处理的所述隐藏层的输出值。

进一步地，所述误差平方函数达到设定阈值之前还包括：所述误差平方函数小于阈值，Elman神经网络各层的所述连接权值更新，所述历史样本数据带入更新后的各层所述连接权值进行迭代计算，直到所述误差平方函数达到阈值。

进一步地，所述测量数据是指所述载波相位差分技术求出的载体的所述未修正姿态角和惯性导航系统测量的载体的运动参数。

进一步地，所述惯性导航系统测得的载体运动数据包括载体的轴加速度和轴角速度。

进一步地，利用载波相位差分技术测得的所述未修正姿态角是指使用载波相位差分技术解算天线间的基线向量，并从所述基线向量中解算出载体的未修正姿态角。

本发明提供一种基于Elman神经网络的姿态估计方法，通过使用Elman神经网络有效地抑制惯性导航系统的误差累积，并且使用惯性导航系统测姿来辅助载波相位差分测姿，可以不考虑外部噪声对系统的影响，增强了系统的稳定性。Elman神经网络只需用历史数据训练学习即可获取最优网络连接权值，之后便可以用此权值带入输入值直接求解出姿态角修正值，在解算时以较少的计算复杂度完成高精度的姿态解算。

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，下面将对实施例或现有技术描述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是本发明基于Elman神经网络的姿态估计的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提供一种基于Elman神经网络的姿态估计方法，包括：

S101初始化Elman神经网络各层权值w₁、w₂、w₃；

S102选择事先采集的测量数据诸如三轴加速度、三轴角速度以及通过载波相位差分技术解算基线向量计算出来的姿态角作为网络输入；将俯仰角、航向角和横滚角三个姿态角的修正值作为网络输出；

S103应用所述测量数据计算所述Elman神经网络输入层输出x(t)、x_c(t)、y(t)；

所述Elman神经网络输入层输出x(t)、x_c(t)、y(t)基本数学模型为：

y(t)＝g(w₃x(t))

x(t)＝f(w₁x_c(t)+w₂(u(k-1)))

x_c(t)＝x(k-1)

各式中，y表示输出层数据，x表示隐藏层数据，u表示输入数据，x_c表示承接层数据。w₃为隐藏层到输出层的连接权值，w₂为输入层到隐藏层的连接权值，w₁为承接层到隐藏层的连接权值。g()函数计算输出层的结果，是对隐含层输出数据的线性加权，f()函数为隐藏层的传递函数。

S104应用所述输入层输出计算误差平方函数E(t)，如误差平方函数未达到所设定阈值，则计算各层连接权值更新值，所述测量数据使用所述各层连接权值更新值再一次进行计算，直到所述输入层输出计算的误差平方函数E(t)达到所设定阈值；如所述误差平方函数达到设定阈值，则Elman神经网络完成训练，获得最终网络连接权值。

S105如果权重的设定达到最佳状态，那么系统将不再进行调整。

S106Elman神经网络参数学习调整方法具体如下：

w(t+1)＝w(t)+Δw(t)

w为Elman神经网络各个层之间的连接权值，而Δw(t)为权值调整量，其求法如下所示：

推导各个连接权值的学习、调整过程，不难得到：

隐藏层到输出层的连接权值w₃的调整量为：

Δw_3，ij(t)＝η(y_d，i(t)-y_i(t))·g_i′(·)·x_j(t)

输入层到隐藏层的连接权值w₂的调整量为：

承接层到隐藏层的连接权值w₁的调整量为：

在上述的公式中，i代表输出层神经元的个数，j代表隐藏层神经元的个数，q代表输入层的神经元个数，l代表承接层神经元的个数。η为该神经网络的学习速率，f()取

g()取g(x)＝k·x+c。将各个调整量带入公式便可以通过训练学习得到各个网络连接权值的最优权值。

通过GNSS接收机获取观测值载波测量值，根据星历和伪距观测值估算出共视卫星空间坐标，组成双差观测方程：

其中

是主天线和从天线分别到卫星i和j的几何距离的双差值，由于卫星距离地面较远，并且主天线和从天线距离一般较近，同一颗观测卫星到主天线和从天线的几何距离可近似看做平行。

是载波双差值，

是双差观测噪声,λ是电磁波波长，

为双差整周模糊度。

基线长度和双差载波观测值的关系如下：

当主天线和从天线对M颗卫星进行观测时，总共能产生M-1个相互独立的双差观测值，由此可以组成式：

式中

代表主天线和从副天线到共视卫星的单位向量，由于星地距离远远大于天线之间的距离，所以主、从天线的卫星观测向量近似相等，

是主天线和从天线的向量。式中整周模糊度通过目前比较成熟的LAMBDA算法进行求解，求出整周模糊度之后，便可求出天线之间的基线向量。

此时以主天线做为原点，其余两个天线作为从天线，可以形成两组基线得到：

下标ANT表示天线坐标系下的基线向量。

将所述下标ANT转化为站心坐标系下的解的计算式为：

站心坐标系和载体坐标系之间的关系如下式：

其中

为分别绕X、Y、Z轴旋转的旋转矩阵，他们可以写成一个矩阵：

由站心坐标系和载体坐标系之间的关系，便可以得到航向角和俯仰角：

航向角和俯仰角确定后，从副天线的站心坐标

就可以通过分别绕Z轴

度和X轴θ度而得到，假设主天线和从副天线形成的基线长度为L₁₃，则它在载体坐标系中的坐标为经过旋转后，从副天线的直角坐标系坐标为

根据坐标旋转变换关系，有：

从而可以得到横滚角：

至此，便可利用载波相位差分技术解算出来的基线向量，并通过三个坐标系之间的转换关系获取载体的三个姿态角。

S107以所述载波相位差分技术求出的载体的所述未修正姿态角和所述惯性导航系统测量的载体的运动参数作为完成训练的所述Elman神经网络的输入，得到所述Elman神经网络输出的修正值。

S108用所述修正值与所述未修正的姿态角相加即可得到精确的载体姿态。

进一步的，将三个未修正的姿态角以及惯性导航系统数据输入到训练好的Elman神经网络中，得到姿态角修正值，所述姿态角修正值对所述姿态角修正并获取最终结果。使用神经网络进行载波相位差分测姿系统数据和惯性导航系统数据的融合，可以不关心不考虑外部噪声的具体形式，经过训练之后获取最优权值，只需将输入值带入网络简单计算即可完成姿态角的修正，提高姿态估计精度，降低姿态估计运算量。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (9)

1.一种基于Elman神经网络的姿态估计方法，其特征在于，包括：

初始化Elman神经网络各层权值；

采集历史样本数据，所述历史样本数据作为所述Elman神经网络的输入值；

所述历史样本数据通过各层初始连接权值获得所述Elman神经网络的各层输出值；

所述输出层输出值与输出层输出的期望值计算误差平方函数，所述误差平方函数达到设定阈值后，获得所述Elman神经网络最终各层连接权值；

以测量数据作为完成训练的所述Elman神经网络的输入，得到所述Elman神经网络输出的修正值；

用所述修正值与用载波相位差分技术测得的未修正的姿态角相加即可得到精确的载体姿态。

2.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，

所述Elman神经网络包括输入层、隐藏层、承接层和输出层。

3.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，

所述Elman神经网络以历史样本数据和测量数据作为网络输入，以所述姿态角的修正值作为网络输出。

4.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，

所述历史样本数据包括轴加速度值、轴角速度值及通过载波相位差分技术解算基线向量得到的姿态角。

5.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，所述Elman神经网络获取各层数值步骤为：

所述隐藏层到所述输出层的连接权值与所述隐藏层数据之积为第一预设值，所述第一预设值进行第一函数处理后得到结果值，所述结果值等于输出层的输出值，所述第一预设值为x，所述第一函数为g(x)＝k·x+c；

所述输入层到所述隐藏层的连接权值与前一次迭代中输入数据之积为第二预设值，所述承接层到所述隐藏层的连接权值与所述承接层数据之积为第三预设值，所述第二预设值与所述第三预设值之和，通过第二函数处理得到所述隐藏层的输出值，所述第二函数为

所述承接层的输出值等于前一次迭代处理的所述隐藏层的输出值。

6.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，

所述误差平方函数达到设定阈值之前还包括：所述误差平方函数小于阈值，Elman神经网络各层的所述连接权值更新，所述历史样本数据带入更新后的各层所述连接权值进行迭代计算，直到所述误差平方函数达到阈值。

7.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，

所述测量数据是指所述载波相位差分技术求出的载体的所述未修正姿态角和惯性导航系统测量的载体的运动参数。

8.如权利要求7所述的一种基于Elman神经网络的姿态估计方法，其特征在于，

所述惯性导航系统测得的载体运动数据包括载体的轴加速度和轴角速度。

9.如权利要求8所述的一种基于Elman神经网络的姿态估计方法，其特征在于，利用载波相位差分技术测得的所述未修正姿态角是指使用载波相位差分技术解算天线间的基线向量，并从所述基线向量中解算出载体的未修正姿态角。

Images