CN111504305A - 一种水声通信-mems传感器协同导航定位方法及系统 - Google Patents

Abstract

本发明涉及一种水声通信‑MEMS传感器协同导航定位方法及系统。该方法包括：获取水声通信单向测距数据；将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型；通过MEMS传感器获取低精度导航定位信息；获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子；将所述导航定位非几何解析模型、所述低精度导航定位信息和各所述信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息；根据所述多源融合信息，确定水声通信‑MEMS传感器协同导航定位信息。本发明能够提高导航定位精准度。

Description

一种水声通信-MEMS传感器协同导航定位方法及系统

技术领域

本发明涉及导航定位领域，特别是涉及一种水声通信-MEMS传感器协同导航定位方法及系统。

背景技术

水声通信单向测距辅助导航定位包含两部分：水声通信单向测距信息和惯性导航信息。现有的高精度捷联惯导系统具有较大的尺寸、高昂的价格、数十瓦的功耗，制约了其在深远海长航程AUV、Glider上的应用。微型化、低成本的MEMS传感器正在快速发展，正好契合了深远海水下航行器低成本、长航时、集群化的发展方向。

MEMS传感器惯性测量单元(IMU)通常包含三个正交加速度计、陀螺和磁力计，分别用于测量线性加速度、角速度和磁场强度。因此，IMU可以作为一个姿态传感器来确定水下航行器的姿态，同时作为一个导航传感器来对线性加速度积分获水下航行器取速度和位置。然而，与光纤陀螺为代表的高端惯性导航系统相比，MEMS传感器的主要缺点是噪声较大、精度较低，线性加速度的双积分可能使得位置误差随时间发生严重漂移。

此外，与现有的水声定位方法不同，水声通信单向测距只能提供一个距离测量，而不是一个绝对的位置，即水声通信单向测距辅助导航定位属于欠约束问题。水声通信信号不可避免地受到海洋环境噪声、强干扰源等影响，以及在快速上浮、下潜时多普勒效应带来测距过量误差。

发明内容

本发明的目的是提供一种水声通信-MEMS传感器协同导航定位方法及系统，能够提高导航定位精准度。

为实现上述目的，本发明提供了如下方案：

一种水声通信-MEMS传感器协同导航定位方法，包括：

获取水声通信单向测距数据；

将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型；

通过MEMS传感器获取低精度导航定位信息；

获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子；

将所述导航定位非几何解析模型、所述低精度导航定位信息和各所述信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息；

根据所述多源融合信息，确定水声通信-MEMS传感器协同导航定位信息。

可选的，所述将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型，具体包括：

将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法进行编码、解码和决策反馈处理，得到导航定位非几何解析模型：

其中，

是水声通信单向测距数据，f(·)是决策反馈降噪自编码网络中降噪编码层网络，ω_1i是该网络层中第i神经元节点的计算权值，b₁是降噪编码层神经元加权和的偏置，t(y)是降噪编码后隐层输出变量；g(·)是决策反馈降噪自编码网络中解码层网络，ω_2j是该网络层中第j神经元节点的计算权值，b₂是降噪编码层神经元加权和的偏置，

是经过降噪自编码之后的恢复数据。

可选的，所述获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子，具体包括：

获取水声通信单向测距的信任度和MEMS传感器导航的信任度；

根据所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度，分别设定水声通信单向测距的信任因子和MEMS传感器导航的信任因子；所述水声通信单向测距的信任因子和所述MEMS传感器导航的信任因子之和为1。

可选的，所述将所述导航定位非几何解析模型、所述低精度导航定位信息和各所述信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息，具体包括：

利用卡尔曼自适应滤波算法对所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度进行预滤波；

在所述各信任度可靠基础之上，再次构建融合卡尔曼算法，对来自多源信息的所述水声通信单向测距信任因子、所述MEMS传感器导航的信任因子、所述导航定位非几何解析模型和所述低精度导航定位信息进行融合估计，得到多源融合信息。

一种水声通信-MEMS传感器协同导航定位系统，包括：

水声通信单向测距数据获取模块，用于获取水声通信单向测距数据；

导航定位非几何解析模型确定模块，用于将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型；

低精度导航定位信息获取模块，用于通过MEMS传感器获取低精度导航定位信息；

信任因子获取模块，用于获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子；

多源融合信息确定模块，用于将所述导航定位非几何解析模型、所述低精度导航定位信息和各所述信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息；

导航定位信息确定模块，用于根据所述多源融合信息，确定水声通信-MEMS传感器协同导航定位信息。

可选的，所述导航定位非几何解析模型确定模块，具体包括：

导航定位非几何解析模型确定单元，用于将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法进行编码、解码和决策反馈处理，得到导航定位非几何解析模型：

其中，

是水声通信单向测距数据，f(·)是决策反馈降噪自编码网络中降噪编码层网络，ω_1i是该网络层中第i神经元节点的计算权值，b₁是降噪编码层神经元加权和的偏置，t(y)是降噪编码后隐层输出变量；g(·)是决策反馈降噪自编码网络中解码层网络，ω_2j是该网络层中第j神经元节点的计算权值，b₂是降噪编码层神经元加权和的偏置，

是经过降噪自编码之后的恢复数据。

可选的，所述信任因子获取模块，具体包括：

信任度获取单元，用于获取水声通信单向测距的信任度和MEMS传感器导航的信任度；

信任因子确定单元，用于根据所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度，分别设定水声通信单向测距的信任因子和MEMS传感器导航的信任因子；所述水声通信单向测距的信任因子和所述MEMS传感器导航的信任因子之和为1。

可选的，所述多源融合信息确定模块，具体包括：

预滤波单元，用于利用卡尔曼自适应滤波算法对所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度进行预滤波；

信息融合单元，用于在所述各信任度可靠基础之上，再次构建融合卡尔曼算法，对来自多源信息的所述水声通信单向测距信任因子、所述MEMS传感器导航的信任因子、所述导航定位非几何解析模型和所述低精度导航定位信息进行融合估计，得到多源融合信息。

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：

本发明通过基于卡尔曼滤波的自适应融合算法，利用水声通信单向测距信息来约束MEMS传感器的发散。利用基于决策反馈降噪自编码算法，建立水下航行器导航定位非几何解析模型，将水声通信单向测距辅助欠约束的问题转换为正常约束问题，从而解决了MEMS传感器精度低、水声通信单向测距辅助欠约束的问题，提高了导航定位精准度。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明水声通信-MEMS传感器协同导航定位方法流程图；

图2为本发明决策反馈降噪自编码模型示意图；

图3为本发明自适应卡尔曼滤波框架示意图；

图4为本发明水声通信-MEMS传感器协同导航定位系统结构图。

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水声通信-MEMS传感器协同导航定位方法及系统，能够提高导航定位精准度。

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。

虽然基于声速剖面耦合模型/等梯度声速剖面快速算法的水声通信单向测距方法，可以实现水平距离快速精确估计，但是在实际水声通信单向测距过程中的仍然不可避免存在误差(波浪滑翔器位置误差、声速剖面耦合误差、传播时延测量误差、时钟漂移误差等)。水下航行器携带有MEMS传感器，利用MEMS传感器观测量可以得到精度较低的水下航行器导航定位数据。为此，提出以决策反馈降噪自编码算法代替传统几何解析导航定位方法。

为了实现对水下航行器的高精度导航定位，设计一种基于改进卡尔曼滤波的多源信息融合算法，通过调整自适应信任因子，对来自波浪滑翔器的水声通信单向测距信息和来自MEMS传感器的导航信息进行融合，由此构成本发明提供的一种水声通信-MEMS传感器协同导航定位方法。图1为本发明水声通信-MEMS传感器协同导航定位方法流程图。如图1所示，一种水声通信-MEMS传感器协同导航定位方法包括：

步骤101：获取水声通信单向测距数据。

步骤102：将水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型，具体包括：

将水声通信单向测距数据采用基于决策反馈降噪自编码算法进行编码、解码和决策反馈处理，得到导航定位非几何解析模型：

其中，

是水声通信单向测距数据，f(·)是决策反馈降噪自编码网络中降噪编码层网络，ω_1i是该网络层中第i神经元节点的计算权值，b₁是降噪编码层神经元加权和的偏置，t(y)是降噪编码后隐层输出变量；g(·)是决策反馈降噪自编码网络中解码层网络，ω_2j是该网络层中第j神经元节点的计算权值，b₂是降噪编码层神经元加权和的偏置，

是经过降噪自编码之后的恢复数据。

水下航行器在利用波浪滑翔器-水声通信单向测距进行协同导航定位过程中，水声通信信号不可避免地受到海洋环境噪声、强干扰源等影响，以及在快速上浮、下潜时多普勒效应带来测距过量误差。此外，水声通信单向测距仅能提供一个距离约束，而不是一个绝对位置约束。由此带来基于水声通信单向测距辅助MEMS传感器属于欠约束问题。

决策反馈降噪自编码(DB-DAE)算法分为编码、解码和决策反馈三个部分，算法将目标位置解算构建成导航定位非几何解析模型。

DB-DAE分为离线训练和在线定位两个阶段。在离线训练阶段，编码器的输入

是水声通信单向测距数据。这些测距数据均包含了在实际测距过程中干扰或者过量噪声。当自编码神经网络在将低维度信息映射到高纬度空间时，为了降低数据中噪声的影响，将会在降噪层以一定的比例删除数据或减去符合某个高斯分布的函数值。降噪之后的测距数据被传递至隐层，隐层能够对噪声数据进行权重求和以及偏移。隐层在解码阶段，会根据最小化损失函数对其参数进行迭代。在编码和解码阶段，隐层是相互独立的，其权重系数w分别表示为ω_1i和ω_2j(i，j＝1，2，…，d)。在解码阶段，神经网络结构能够对隐层数据ω(y)进行交织计算，使其重构成为

即预处理层的数据。在训练过程中，为了提高定位算法具有自适应能力，设计其在降噪阶段的删除数据比例或高斯分布可以根据决策判定阶段的差距进行调整。在线导航定位过程中，已经训练好的导航定位模型将代替基于纯测距的几何导航定位解算，即决策反馈的过程，同时其降噪比将根据实时干扰影响自我调整，完成实时、精确的深远海水下航行器协同导航定位任务。图2为本发明决策反馈降噪自编码模型示意图。

步骤103：通过MEMS传感器获取低精度导航定位信息。

步骤104：获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子，具体包括：

获取水声通信单向测距的信任度和MEMS传感器导航的信任度。

根据水声通信单向测距的信任度和MEMS传感器导航的信任度，分别设定水声通信单向测距的信任因子和MEMS传感器导航的信任因子，水声通信单向测距的信任因子和MEMS传感器导航的信任因子之和为1。

步骤105：将导航定位非几何解析模型、低精度导航定位信息和各信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息，具体包括：

利用卡尔曼自适应滤波算法对所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度进行预滤波。从而避免导航定位非几何解析模型和MEMS传感器导航模型不稳定带来的可靠性偏差。

在所述各信任度可靠基础之上，再次构建融合卡尔曼算法，对来自多源信息的所述水声通信单向测距信任因子、所述MEMS传感器导航的信任因子、所述导航定位非几何解析模型和所述低精度导航定位信息进行融合估计，得到多源融合信息，为确定水声通信-MEMS传感器协同导航定位信息提供依据。

图3为本发明自适应卡尔曼滤波框架示意图。为了更好的理解自适应融合过程，把多源信息导航定位构建成一个控制过程，通过一个线性随机微分方程描述：

X(k)＝AX(k-1)+BU(k)+W(k)

Z(k)＝HX(k)+V(k)

式中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，它们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。它们被假设成高斯白噪声，其协方差分别是Q，R。由于系统中一般不太有控制量，所以B这个参数一般为0，也就是没有U(k)。

首先利用系统过程模型来预测系统下一个状态，设在k时刻的系统状态为X(k)，可以根据系统模型，由上一时刻预测现在状态：

X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中，X(k|k-1)为根据上一时刻状态对现在时刻状态的预测，X(k-1|k-1)是上一时刻状态的最优结果，U(k)为当前时刻状态的控制量，在融合算法即为由水声通信单向测距和MEMS传感器所得到的导航定位信息。

系统的状态已经更新，现在需要更新系统的误差估计协方差矩阵，用P(k|k-1)表示误差估计协方差矩阵：

P(k|k-1)＝AP(k-1|k-1)A^T+Q

其中，P(k|k一1)是在k时刻由上一状态对此状态的预测，P(k-1|k-1)是X(k-1|k-1)对应的误差估计协方差矩阵，Q表示系统过程噪声的协方差。现在得到了预测结果，然后根据得到的现在状态的测量值进行修正得到最优的估计量X(k|k)：

X(k|k)＝X(k|k-1)+Kg(k)*(Z(k)-HX(k|k-1))

式中，Kg(k)未知，则需要对其求解，就引出下式：

Kg(k)＝P(k|k-1)*H^T/(H*P(k|k-1)*H^T+R)

到现在，可以得出的k时刻的系统状态的最优值X(k|k)，为了让卡尔曼滤波器不断地进行下去，需要更新X(k|k)对应的P(k|k)：

P(k|k)＝(I-Kg(k)*H)*P(k|k-1)

在融合卡尔曼滤波过程中，测量矩阵H为动态变化的，根据对水声通信单向测距和MEMS传感器导航的信任度，分别设定信任因子为α和β，其中α+β＝1。在自适应调整过程中，计算两种定位所得信息与融合定位信息的距离调整下一次计算的α和β的值。假设当前计算两个距离分别为l₁和的l₂，则更新信任因子为：

步骤106：根据多源融合信息，确定水声通信-MEMS传感器协同导航定位信息。

针对MEMS传感器噪声较大、精度较低，线性加速度的双积分使得位置误差随时间发生严重漂移的缺点，通过基于卡尔曼滤波的自适应融合算法，利用水声通信单向测距信息来约束MEMS传感器的发散。由于水声通信单向测距只能提供一个距离测量，而不是一个绝对的位置，即水声通信单向测距辅助导航定位属于欠约束问题。对这个问题，利用基于决策反馈降噪自编码算法，建立水下航行器导航定位非几何解析模型，将水声通信单向测距辅助欠约束的问题转换为正常约束问题。

对应于本发明提供的一种水声通信-MEMS传感器协同导航定位方法，本发明还提供一种水声通信-MEMS传感器协同导航定位系统，图4为本发明水声通信-MEMS传感器协同导航定位系统结构图。如图4所示，一种水声通信-MEMS传感器协同导航定位系统包括：

水声通信单向测距数据获取模块201，用于获取水声通信单向测距数据。

导航定位非几何解析模型确定模块202，用于将水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型。

低精度导航定位信息获取模块203，用于通过MEMS传感器获取低精度导航定位信息。

信任因子获取模块204，用于获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子。

多源融合信息确定模块205，用于将导航定位非几何解析模型、低精度导航定位信息和各信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息。

导航定位信息确定模块206，用于根据多源融合信息，确定水声通信-MEMS传感器协同导航定位信息。

导航定位非几何解析模型确定模块202，具体包括：

导航定位非几何解析模型确定单元，用于将水声通信单向测距数据采用基于决策反馈降噪自编码算法进行编码、解码和决策反馈处理，得到导航定位非几何解析模型：

其中，

是水声通信单向测距数据，f(·)是决策反馈降噪自编码网络中降噪编码层网络，ω_1i是该网络层中第i神经元节点的计算权值，b₁是降噪编码层神经元加权和的偏置，t(y)是降噪编码后隐层输出变量；g(·)是决策反馈降噪自编码网络中解码层网络，ω_2j是该网络层中第j神经元节点的计算权值，b₂是降噪编码层神经元加权和的偏置，

是经过降噪自编码之后的恢复数据。

信任因子获取模块204，具体包括：

信任度获取单元，用于获取水声通信单向测距的信任度和MEMS传感器导航的信任度。

信任因子确定单元，用于根据水声通信单向测距的信任度和MEMS传感器导航的信任度，分别设定水声通信单向测距的信任因子和MEMS传感器导航的信任因子，水声通信单向测距的信任因子和MEMS传感器导航的信任因子之和为1。

多源融合信息确定模块205，具体包括：

预滤波单元，用于利用卡尔曼自适应滤波算法对所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度进行预滤波。从而避免导航定位非几何解析模型和MEMS传感器导航模型不稳定带来的可靠性偏差。

信息融合单元，用于在所述各信任度可靠基础之上，再次构建融合卡尔曼算法，对来自多源信息的所述水声通信单向测距信任因子、所述MEMS传感器导航的信任因子、所述导航定位非几何解析模型和所述低精度导航定位信息进行融合估计，得到多源融合信息。能够为确定水声通信-MEMS传感器协同导航定位信息提供依据。

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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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 (8)

1.一种水声通信-MEMS传感器协同导航定位方法，其特征在于，包括：

获取水声通信单向测距数据；

将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型；

通过MEMS传感器获取低精度导航定位信息；

获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子；

将所述导航定位非几何解析模型、所述低精度导航定位信息和各所述信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息；

根据所述多源融合信息，确定水声通信-MEMS传感器协同导航定位信息。

2.根据权利要求1所述的水声通信-MEMS传感器协同导航定位方法，其特征在于，所述将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型，具体包括：

将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法进行编码、解码和决策反馈处理，得到导航定位非几何解析模型：

其中，

是水声通信单向测距数据，f(·)是决策反馈降噪自编码网络中降噪编码层网络，ω_1艨是该网络层中第艨神经元节点的计算权值，b₁是降噪编码层神经元加权和的偏置，t(y)是降噪编码后隐层输出变量；g(·)是决策反馈降噪自编码网络中解码层网络，ω_2j是该网络层中第j神经元节点的计算权值，b₂是降噪编码层神经元加权和的偏置，

是经过降噪自编码之后的恢复数据。

3.根据权利要求1所述的水声通信-MEMS传感器协同导航定位方法，其特征在于，所述获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子，具体包括：

获取水声通信单向测距的信任度和MEMS传感器导航的信任度；

根据所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度，分别设定水声通信单向测距的信任因子和MEMS传感器导航的信任因子；所述水声通信单向测距的信任因子和所述MEMS传感器导航的信任因子之和为1。

4.根据权利要求3所述的水声通信-MEMS传感器协同导航定位方法，其特征在于，所述将所述导航定位非几何解析模型、所述低精度导航定位信息和各所述信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息，具体包括：

利用卡尔曼自适应滤波算法对所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度进行预滤波；

在所述各信任度可靠基础之上，再次构建融合卡尔曼算法，对来自多源信息的所述水声通信单向测距信任因子、所述MEMS传感器导航的信任因子、所述导航定位非几何解析模型和所述低精度导航定位信息进行融合估计，得到多源融合信息。

5.一种水声通信-MEMS传感器协同导航定位系统，其特征在于，包括：

水声通信单向测距数据获取模块，用于获取水声通信单向测距数据；

导航定位非几何解析模型确定模块，用于将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法，得到导航定位非几何解析模型；

低精度导航定位信息获取模块，用于通过MEMS传感器获取低精度导航定位信息；

信任因子获取模块，用于获取水声通信单向测距的信任因子和MEMS传感器导航的信任因子；

多源融合信息确定模块，用于将所述导航定位非几何解析模型、所述低精度导航定位信息和各所述信任因子采用基于卡尔曼滤波的自适应融合算法进行融合，得到多源融合信息；

导航定位信息确定模块，用于根据所述多源融合信息，确定水声通信-MEMS传感器协同导航定位信息。

6.根据权利要求5所述的水声通信-MEMS传感器协同导航定位系统，其特征在于，所述导航定位非几何解析模型确定模块，具体包括：

导航定位非几何解析模型确定单元，用于将所述水声通信单向测距数据采用基于决策反馈降噪自编码算法进行编码、解码和决策反馈处理，得到导航定位非几何解析模型：

其中，

是水声通信单向测距数据，f(·)是决策反馈降噪自编码网络中降噪编码层网络，ω_1i是该网络层中第艨神经元节点的计算权值，b₁是降噪编码层神经元加权和的偏置，t(y)是降噪编码后隐层输出变量；g(·)是决策反馈降噪自编码网络中解码层网络，ω_2j是该网络层中第j神经元节点的计算权值，b₂是降噪编码层神经元加权和的偏置，

是经过降噪自编码之后的恢复数据。

7.根据权利要求5所述的水声通信-MEMS传感器协同导航定位系统，其特征在于，所述信任因子获取模块，具体包括：

信任度获取单元，用于获取水声通信单向测距的信任度和MEMS传感器导航的信任度；

信任因子确定单元，用于根据所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度，分别设定水声通信单向测距的信任因子和MEMS传感器导航的信任因子；所述水声通信单向测距的信任因子和所述MEMS传感器导航的信任因子之和为1。

8.根据权利要求7所述的水声通信-MEMS传感器协同导航定位系统，其特征在于，所述多源融合信息确定模块，具体包括：

预滤波单元，用于利用卡尔曼自适应滤波算法对所述水声通信单向测距的信任度和所述MEMS传感器导航的信任度进行预滤波；

信息融合单元，用于在所述各信任度可靠基础之上，再次构建融合卡尔曼算法，对来自多源信息的所述水声通信单向测距信任因子、所述MEMS传感器导航的信任因子、所述导航定位非几何解析模型和所述低精度导航定位信息进行融合估计，得到多源融合信息。

Images