CN111323049A - 一种粒子群算法的粗对准方法 - Google Patents
一种粒子群算法的粗对准方法 Download PDFInfo
- Publication number
- CN111323049A CN111323049A CN202010196578.4A CN202010196578A CN111323049A CN 111323049 A CN111323049 A CN 111323049A CN 202010196578 A CN202010196578 A CN 202010196578A CN 111323049 A CN111323049 A CN 111323049A
- Authority
- CN
- China
- Prior art keywords
- matrix
- coordinate system
- particle swarm
- attitude
- carrier
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Abstract
Description
技术领域
本发明涉及一种粒子群算法的粗对准方法,属于导航技术领域。
背景技术
初始对准技术是惯性导航系统在正式工作之前的重要准备工作,而粗对准又是初始对准的关键,具有广阔的应用前景。从理论上来说,对准速度是粗对准最为重要的指标之一,粗对准时间的长短直接影响初始对准的优劣。因此,如何在现有条件下,在保障粗对准精度的同时,对粗对准算法进行优化,进一步缩小对准的时间,是初始对准方向需要深入研究的问题。目前针对摇摆基座的粗对准主要采取构造辅助矢量,求解常值矩阵,最终求解姿态矩阵,对准时间有待进一步缩小。
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提高对摇摆基座粗对准的快速性的粒子群算法的粗对准方法。
为解决上述技术问题,本发明的一种粒子群算法的粗对准方法,包括以下步骤:
步骤一:通过多矢量定姿方法,求解水平姿态,具体为:
其中,L为载体所在位置的纬度;
其中,ωie为地球自转角速度,Δt=t-t0为距对准起始时刻的时间间隔;
捷联惯导比力方程如下所示:
对比力方程进行变形得:
将上式两边在[t0,tk]内积分得:
由于gn=[0 0 -g]T,则重力加速度在地心惯性系下的投影为:
对上式进行积分得:
整理变形得:
Q(C)=Q′-tr(CBT)
其中
对B进行奇异值分解,得
式中:U1和U2为正交矩阵;S=diag(s1,s2,s3),s1≥s2≥s3≥0;
使Q取最小值的最优解:
其中:
步骤二:建立粒子群算法模型,具体为:通过事先设置一群粒子,并让群体中的每个粒子通过不断的跟踪两个极值和来更新自己的位置和速度其中,称为个体最优,是每个粒子自身找到的最优解;称为全局最优,是整个种群目前找到的最优解,每个粒子的速度和位置迭代计算公式为:
式中,k=1,2,...,G,G表示最大的迭代次数;i=1,2,...,Size,Size表示种群规模,r1和r2表示0到1之间的随机数;c1表示局部学习因子,代表个体学习能力,c2表示全局学习因子,代表社会学习能力,二者的取值范围为[0,2];ω(t)表示惯性权重,其值越大越有利于展开全局寻优,越小越有利于局部寻优,取值范围为(0,1);Vi表示第i个粒子的速度;Xi表示第i个粒子的位置;pi表示个体最优位置;BestSi表示群体最优位置;
选择误差量的平方和作为粒子群算法适应度函数,适应度函数如下:
f=z(1)2+z(2)2+z(3)2
利用粒子群算法不断更新载体航向角,使得适应度函数达到最小值,得到当前时刻最优的航向角;
步骤四:解决粒子早熟收敛问题,具体为:利用设置的载体艏摇最大角速率b_w与计算的当前时刻艏摇角速度w_k相比较,当计算的当前时刻艏摇角速度大于设置的最大艏摇角速度时,则去除掉当前时刻全局最优解所求的利用前一时刻全局最优解所求的代替;
本发明的有益效果:本发明充分考虑粒子群算法适应度函数的构造难度,采取多矢量定姿算法求解水平姿态和粒子群算法求解航向角的策略,对捷联惯导系统粗对准的优化方法进行了研究。现在常用的方法是构造惯性系下的矢量来完成惯导系统的粗对准任务,但是粗对准的时间仍然比较长,需要进一步缩短。
针对惯性系对准算法航向收敛速度慢的问题,本发明在多矢量定姿算法的基础上,考虑到粒子群算法估计参数较多时,对适应度函数要求较高等因素,而且惯性系对准算法水平姿态收敛较快,本发明采用多矢量定姿算法对水平姿态进行计算,然后将载体的航向作为粒子群算法的待估参数进行估计,最终实现摇摆基座的粗对准。本发明可用于捷联惯导系统摇摆基座粗对准领域。
本发明的主要优点体现在:
一、本发明充分利用惯性系对准算法水平姿态收敛较快的特点,极大降低了构造粒子群算法适应度函数的难度。
二、本发明利用粒子群算法的快速估计能力,将粒子群算法应用到惯性系的粗对准之中,极大缩短了摇摆基座的对准时间。
附图说明
图1为本发明的流程图;
图2本发明的航行误差仿真图;
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
结合图1,本发明包括以下步骤:
步骤一:建立多矢量定姿模型,求解水平姿态;
L为载体所在位置的纬度。
ωie为地球自转角速度,Δt=t-t0为距对准起始时刻的时间间隔。
捷联惯导比力方程如下所示:
对比力方程进行变形得:
为了减低加速度计测量干扰的影响,将式(9)两边在[t0,tk]内积分得
由于gn=[0 0 -g]T,则重力加速度在地心惯性系下的投影为
对上式进行积分得
整理变形得
Q(C)=Q′-tr(CBT) (14)
其中
式(16)与C无关。
对B进行奇异值分解,得
B=U1SU2 T (17)
式中:U1和U2为正交矩阵;S=diag(s1,s2,s3),s1≥s2≥s3≥0。
使Q取最小值的最优解:
其中
步骤二:建立粒子群算法模型;
粒子群算法通过事先设置一群粒子,并让群体中的每个粒子通过不断的跟踪两个极值和来更新自己的位置和速度,从而降低参数辨识过程中初始值选取的不恰当对收敛速度的影响,最终提高系统初始对准的速度。其中,称为个体最优,是每个粒子自身找到的最优解;称为全局最优,是整个种群目前找到的最优解。每个粒子的速度和位置迭代计算公式如下:
式中,k=1,2,...,G,G表示最大的迭代次数;i=1,2,...,Size,Size表示种群规模,r1和r2表示0到1之间的随机数;c1表示局部学习因子,代表个体学习能力,c2表示全局学习因子,代表社会学习能力,二者的取值范围通常为[0,2];ω(t)表示惯性权重,其值越大越有利于展开全局寻优,越小越有利于局部寻优,取值范围通常为(0,1);Vi表示第i个粒子的速度;Xi表示第i个粒子的位置;pi表示个体最优位置;BestSi表示群体最优位置。
步骤三:构建粒子群适应度函数;
针对惯性系对准算法航向收敛速度慢的问题,考虑到粒子群算法估计参数较多时,对适应度函数要求较高等因素,而且惯性系对准算法水平姿态收敛较快,本发明采用惯性系对准算法对水平姿态进行估计,将载体的航向作为粒子群算法的待估参数,由姿态角计算得到姿态矩阵由公式(21)计算得到
选择误差量的平方和作为粒子群算法适应度函数,适应度函数如下:
f=z(1)2+z(2)2+z(3)2 (24)
利用粒子群算法不断更新载体航向角,使得适应度函数达到最小值,得到当前时刻最优的航向角。
步骤四:粒子早熟收敛问题的解决;
对于粒子群中的任意粒子,其最终收敛位置将是整个粒子群找到的全局极值.如果粒子群找到的全局极值只有一个,那么所有粒子都会“聚集”到该位置;如果全局极值不止一个,那么粒子将随机聚集在这几个全局极值位置.全局极值是所有粒子在算法运行过程中找到的最佳粒子位置,该位置并不一定就是搜索空间中的全局最优点.若该位置为全局最优点,则算法达到全局收敛;否则算法陷入早熟收敛。本发明粒子早熟收敛问题的解决方法:利用设置的载体艏摇最大角速率b_w与计算的当前时刻艏摇角速度w_k相比较,当计算的当前时刻艏摇角速度大于设置的最大艏摇角速度时,则去除掉当前时刻全局最优解所求的利用前一时刻全局最优解所求的代替。
通过仿真验证对准方案的可行性、快速性;如图2所示,本发明的粗对准方法航向角误差收敛的快速性优于多矢量法。
Claims (1)
1.一种粒子群算法的粗对准方法,其特征在于,包括以下步骤:
步骤一:通过多矢量定姿方法,求解水平姿态,具体为:
其中,L为载体所在位置的纬度;
其中,ωie为地球自转角速度,Δt=t-t0为距对准起始时刻的时间间隔;
捷联惯导比力方程如下所示:
对比力方程进行变形得:
将上式两边在[t0,tk]内积分得:
由于gn=[0 0 -g]T,则重力加速度在地心惯性系下的投影为:
对上式进行积分得:
整理变形得:
Q(C)=Q′-tr(CBT)
其中
对B进行奇异值分解,得
B=U1SU2 T
式中:U1和U2为正交矩阵;S=diag(s1,s2,s3),s1≥s2≥s3≥0;
使Q取最小值的最优解:
其中:
步骤二:建立粒子群算法模型,具体为:通过事先设置一群粒子,并让群体中的每个粒子通过不断的跟踪两个极值和来更新自己的位置和速度其中,称为个体最优,是每个粒子自身找到的最优解;称为全局最优,是整个种群目前找到的最优解,每个粒子的速度和位置迭代计算公式为:
式中,k=1,2,...,G,G表示最大的迭代次数;i=1,2,...,Size,Size表示种群规模,r1和r2表示0到1之间的随机数;c1表示局部学习因子,代表个体学习能力,c2表示全局学习因子,代表社会学习能力,二者的取值范围为[0,2];ω(t)表示惯性权重,其值越大越有利于展开全局寻优,越小越有利于局部寻优,取值范围为(0,1);Vi表示第i个粒子的速度;Xi表示第i个粒子的位置;pi表示个体最优位置;BestSi表示群体最优位置;
选择误差量的平方和作为粒子群算法适应度函数,适应度函数如下:
f=z(1)2+z(2)2+z(3)2
利用粒子群算法不断更新载体航向角,使得适应度函数达到最小值,得到当前时刻最优的航向角;
步骤四:解决粒子早熟收敛问题,具体为:利用设置的载体艏摇最大角速率b_w与计算的当前时刻艏摇角速度w_k相比较,当计算的当前时刻艏摇角速度大于设置的最大艏摇角速度时,则去除掉当前时刻全局最优解所求的利用前一时刻全局最优解所求的代替;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196578.4A CN111323049B (zh) | 2020-03-19 | 2020-03-19 | 一种粒子群算法的粗对准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196578.4A CN111323049B (zh) | 2020-03-19 | 2020-03-19 | 一种粒子群算法的粗对准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111323049A true CN111323049A (zh) | 2020-06-23 |
CN111323049B CN111323049B (zh) | 2021-04-20 |
Family
ID=71171686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196578.4A Active CN111323049B (zh) | 2020-03-19 | 2020-03-19 | 一种粒子群算法的粗对准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111323049B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112284418A (zh) * | 2020-10-19 | 2021-01-29 | 中国人民解放军空军工程大学 | 一种基于优化pso的双轴旋转调制转停方案参数选取方法 |
CN113503891A (zh) * | 2021-04-22 | 2021-10-15 | 中国人民解放军海军工程大学 | 一种sinsdvl对准校正方法、系统、介质及设备 |
CN114459501A (zh) * | 2021-12-10 | 2022-05-10 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种惯导安装误差自动标定方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544525A (zh) * | 2013-10-17 | 2014-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
CN106921365A (zh) * | 2017-02-28 | 2017-07-04 | 西安电子科技大学 | 一种设计有限长脉冲响应数字低通滤波器的方法 |
CN107664511A (zh) * | 2017-09-06 | 2018-02-06 | 哈尔滨工程大学 | 基于速度信息的摇摆基座粗对准方法 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
CN108400614A (zh) * | 2018-03-02 | 2018-08-14 | 广东工业大学 | 一种基于粒子群算法的微电网能源控制方法及装置 |
-
2020
- 2020-03-19 CN CN202010196578.4A patent/CN111323049B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544525A (zh) * | 2013-10-17 | 2014-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
CN106921365A (zh) * | 2017-02-28 | 2017-07-04 | 西安电子科技大学 | 一种设计有限长脉冲响应数字低通滤波器的方法 |
CN107664511A (zh) * | 2017-09-06 | 2018-02-06 | 哈尔滨工程大学 | 基于速度信息的摇摆基座粗对准方法 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
CN108400614A (zh) * | 2018-03-02 | 2018-08-14 | 广东工业大学 | 一种基于粒子群算法的微电网能源控制方法及装置 |
Non-Patent Citations (2)
Title |
---|
孙立江等: "激光捷联惯导多矢量定姿法晃动基座粗对准", 《压电与声光》 * |
谢祖辉等: "基于粒子群参数辨识法的SINS初始对准方法", 《航空兵器》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112284418A (zh) * | 2020-10-19 | 2021-01-29 | 中国人民解放军空军工程大学 | 一种基于优化pso的双轴旋转调制转停方案参数选取方法 |
CN113503891A (zh) * | 2021-04-22 | 2021-10-15 | 中国人民解放军海军工程大学 | 一种sinsdvl对准校正方法、系统、介质及设备 |
CN114459501A (zh) * | 2021-12-10 | 2022-05-10 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种惯导安装误差自动标定方法及装置 |
CN114459501B (zh) * | 2021-12-10 | 2023-08-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种惯导安装误差自动标定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111323049B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111323049B (zh) | 一种粒子群算法的粗对准方法 | |
CN110398257B (zh) | Gps辅助的sins系统快速动基座初始对准方法 | |
CN106871928B (zh) | 基于李群滤波的捷联惯性导航初始对准方法 | |
CN107289933B (zh) | 基于mems传感器和vlc定位融合的双卡尔曼滤波导航装置和方法 | |
WO2020220729A1 (zh) | 基于角加速度计/陀螺/加速度计的惯性导航解算方法 | |
CN110702143B (zh) | 基于李群描述的sins捷联惯性导航系统动基座快速初始对准方法 | |
CN109141475B (zh) | 一种dvl辅助sins鲁棒行进间初始对准方法 | |
CN109931957B (zh) | 基于lgmkf的sins捷联惯性导航系统自对准方法 | |
CN109163735B (zh) | 一种晃动基座正向-正向回溯初始对准方法 | |
CN109931955B (zh) | 基于状态相关李群滤波的捷联惯性导航系统初始对准方法 | |
CN110595503A (zh) | 基于李群最优估计的sins捷联惯性导航系统晃动基座自对准方法 | |
CN105180937A (zh) | 一种mems-imu初始对准方法 | |
CN108759870B (zh) | 一种基于新型鲁棒广义高阶容积卡尔曼滤波的传递对准方法 | |
CN108731700B (zh) | 一种视觉惯性里程计中的加权欧拉预积分方法 | |
CN110455301A (zh) | 一种基于惯性测量单元的动态场景slam方法 | |
CN115855049B (zh) | 基于粒子群优化鲁棒滤波的sins/dvl导航方法 | |
CN109211230A (zh) | 一种基于牛顿迭代法的炮弹姿态和加速度计常值误差估计方法 | |
CN110851776A (zh) | 一种高动态变转速载体的姿态解算方法 | |
CN110929402A (zh) | 一种基于不确定分析的概率地形估计方法 | |
CN110926465A (zh) | 一种mems/gps松组合导航方法 | |
CN109211231A (zh) | 一种基于牛顿迭代法的炮弹姿态估计方法 | |
CN111207773A (zh) | 一种用于仿生偏振光导航的姿态无约束优化求解方法 | |
CN109813316B (zh) | 一种基于地形辅助的水下载体紧组合导航方法 | |
CN113108781B (zh) | 一种应用于无人船行进间的改进粗对准方法 | |
CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |