CN113052297B - 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络融合EKF的拖缆姿态解算方法及系统。该融合方法包括：通过多个传感器测得原始姿态数据；将原始姿态的九轴数据解算为角度数据；构建卷积神经网络与EKF融合模型，将上述角度数据作为模型的输入；使用原始角度数据训练卷积神经网络与EKF融合模型，让模型可以根据原始数据自主调整EKF的参数，找到最优的滤波参数模型；将滤波后的姿态角度数据作为卷积神经网络与EKF融合模型的输出进行输出。本发明的融合解算方法，提高了姿态角度数据的测量精度。

Description

基于卷积神经网络融合EKF的拖缆姿态解算方法及系统

技术领域

本发明属于神经网络融合扩展卡尔曼滤波的技术领域，具体涉及一种基于卷积神经网络融合EKF的拖缆姿态解算方法及系统。

背景技术

扩展卡尔曼滤波(Extended Kalman Filter，EKF)是标准卡尔曼滤波在非线性情形下的一种扩展形式，它是一种高效率的递归滤波器(自回归滤波器)。EKF的基本思想是利用泰勒级数展开将非线性系统线性化，然后采用卡尔曼滤波框架对信号进行滤波，因此它是一种次优滤波。

在许多实际问题，遇到的系统模型都是非线性的，因此，扩展卡尔曼滤波器应用广泛。扩展卡尔曼滤波即先进行模型的局部线性化近似，再利用卡尔曼滤波公式得到结果。EKF在函数的非线性不是很剧烈的情形下，能够具有很不错的滤波效果。但是EKF也有它的不足之处：引入了线性化误差，对非线性强的系统，容易导致滤波结果下降。神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好弥补了EKF的不足之处。而针对神经网络与卡尔曼滤波融合方法的研究也已经成为许多工业应用领域最关键的问题之一。

相关技术中公开了一种小波神经网络与EKF的姿态解算方法，采用小波神经网络结合卡尔曼滤波来进行姿态解算，最终得到校准的姿态信息。

相关技术中公开了一种基于BP神经网络融合卡尔曼滤波算法的无人机目标跟踪方法，该控制方法使用融合BP神经网络与卡尔曼滤波算法预测被遮挡目标中心的位置坐标，发送给飞行模式下的无人机飞行控制系统实现目标跟踪。

上述相关技术具有以下缺陷：(1)扩展卡尔曼滤波器只有在系统噪声和测量噪声已知的情况下才能达到最优的结果，并且EKF方法在泰勒展开后，需要忽略二阶及以上高阶项，在复杂模型中误差相对较大；(2)基于小波神经网络融合EKF的姿态解算，姿态检测的误差较大，数据融合精度有待进一步的提高。而对于一般的神经网络算法，在实际应用中，随着传感器数量的增加，会产生由于参数量增大而引起计算量变大的问题，在神经网络的收敛性和时间特性上无法达到最优。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本新型的目的在于提出一种基于卷积神经网络融合EKF的拖缆姿态解算方法。为了实现上述目的，本发明所要解决的技术问题在于提供一种基于卷积神经网络融合EKF的拖缆姿态解算方法及系统。

采用如下的方案：

一种基于卷积神经网络融合EKF的拖缆姿态解算方法，包括：

通过多个传感器测得原始姿态数据；

将原始姿态数据解算为原始角度数据；

构建卷积神经网络与EKF融合模型，将原始角度数据作为卷积神经网络与EKF融合模型的输入；

使用原始角度数据训练卷积神经网络与EKF融合的模型，让卷积神经网络根据原始角度数据自主调整EKF的滤波参数，找到最优的滤波参数，将最优的滤波参数输入至EKF滤波后输出角度数据；

将滤波后的角度数据作为卷积神经网络与EKF融合模型的输出。

进一步地，所述多个传感器包括：陀螺仪、加速度计和磁力计，所述原始姿态数据解算后的原始角度数据包括：俯仰角、翻滚角和航向角。

进一步地，所述EKF通过上一时刻的角度数据X(k)预测更新下一时刻的角度数据X(k-1)；包括：

建立离散线性系统的状态方程为：

X(k)＝F(X(k-1))+ΓW(k-1) (1)

式中，X(k)是系统在k时刻的状态，n维状态序列；F是n×n维状态转移矩阵；W(k)是系统的白噪声，r维状态序列；Γ为n×r维噪声驱动矩阵；

建立离散线性系统的观测方程为：

Z(k)＝H·X(k)+V(k) (2)

式中，Z(k)是对应X(k)的观测信号，是m维观测序列；V(k)是观测的测量噪声，m维状态序列；H是单位矩阵，m×n维观测矩阵；

按以下步骤进行系统状态的预测、更新：

①状态一步预测：

式中，

为利用上一时刻状态预测的结果；

为上一时刻的最优预测值；F为系统参数矩阵；

②协方差矩阵一步预测：

P(k|k-1)＝F·P(k-1|k-1)·F^T+ГQГ^T (4)

式中，P(k|k-1)为

对应的协方差矩阵，同时也是P(k-1|k-1)协方差矩阵的估计，Q为系统噪声；

③卡尔曼滤波增益的更新：

K(k)＝P(k|k-1)·H^T/(H·P(k|k-1)·H^T+R) (5)

式中，K(k)为卡尔曼增益；R为观测噪声的协方差矩阵；

④状态的更新：

式中Z(k)为观测矩阵；

⑤协方的更新：

P(k|k)＝(E-K(k)·H)·P(k|k-1) (7)

式中E为单位矩阵。

进一步地，构建卷积神经网络与EKF融合模型，将原始姿态数据解算的角度数据作为卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出，具体包括：

构建卷积神经网络的输入层，所述输入层的输入数据为所述多个传感器测得的原始姿态数据解算后的角度数据，所述原始角度数据为m×n矩阵，m为角度种类，n为时间序列采样数；

构建卷积神经网络的第一卷积层，并设置所述第一卷积层的过滤器大小和数量，通过所述第一卷积层的过滤器对所述输入层的输入数据进行卷积运算；

构建卷积神经网络的第一池化层，并设置所述第一池化层的过滤器大小和数量，采用均值池化对所述第一卷积层输出的数据进行运算；

构建卷积神经网络的第二卷积层，设置所述第二卷积层的过滤器大小和数量，通过所述第二卷积层的过滤器对所述第一池化层的输出数据进行卷积运算；

构建卷积神经网络的第二池化层，设置所述第二池化层的过滤器大小和数量，采用均值池化对所述第二卷积层输出的数据进行运算；

构建卷积神经网络的第三卷积层，设置所述第三卷积层的过滤器大小和数量，通过所述第三卷积层的过滤器对所述第二池化层的输出数据进行卷积运算；

构建卷积神经网络的第三池化层，设置所述第三池化层的过滤器大小和数量，采用均值池化对所述第三卷积层输出的数据进行运算；

构建卷积神经网络的输出层，通过所述输出层的全连接层和所述第一激活函数将所述第三池化层输出的数据转化为一维向量进行输出。

进一步地，所述第一激活函数和第二激活函数均为tanh，所述tanh的函数表达式为：

其中，z为所述第一激活函数和第二激活函数的输入；以及所述z的函数表达式为：

其中，

表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；

表示第l层的第j个神经元的偏置；

表示第l层的第j个神经元的输入。

一种基于卷积神经网络融合EKF的拖缆姿态解算系统，包括：

采集单元，通过多个传感器测得原始姿态数据；

EKF数据构建单元，用于将原始姿态数据解算为原始角度数据；构建扩展卡尔曼滤波所需的数据，

卷积神经网络融合EKF模型单元，根据原始角度数据自主调整EKF的滤波参数，找到最优的滤波参数，将最优的滤波参数输入至EKF滤波后输出角度数据；

获取单元，用于获取激活函数；

激活函数优化单元，用于卷积神经网络融合EKF模型进行优化以输出姿态角度数据,以提高输出姿态角度数据的精度。

进一步地，构建卷积神经网络与EKF融合模型，将原始姿态数据解算的角度数据作为卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出，具体包括：

构建卷积神经网络的输入层，所述输入层的输入数据为所述多个传感器测得的原始姿态数据解算后的角度数据，所述原始角度数据为m×n矩阵，m为角度种类，n为时间序列采样数；

构建卷积神经网络的第一卷积层，并设置所述第一卷积层的过滤器大小和数量，通过所述第一卷积层的过滤器对所述输入层的输入数据进行卷积运算；

构建卷积神经网络的第一池化层，并设置所述第一池化层的过滤器大小和数量，采用均值池化对所述第一卷积层输出的数据进行运算；

构建卷积神经网络的第二卷积层，设置所述第二卷积层的过滤器大小和数量，通过所述第二卷积层的过滤器对所述第一池化层的输出数据进行卷积运算；

构建卷积神经网络的第二池化层，设置所述第二池化层的过滤器大小和数量，采用均值池化对所述第二卷积层输出的数据进行运算；

构建卷积神经网络的第三卷积层，设置所述第三卷积层的过滤器大小和数量，通过所述第三卷积层的过滤器对所述第二池化层的输出数据进行卷积运算；

构建卷积神经网络的第三池化层，设置所述第三池化层的过滤器大小和数量，采用均值池化对所述第三卷积层输出的数据进行运算；

构建卷积神经网络的输出层，通过所述输出层的全连接层和所述第一激活函数将所述第三池化层输出的数据转化为一维向量进行输出。

进一步地，所述第一激活函数和第二激活函数均为tanh，所述tanh的函数表达式为：

其中，z为所述第一激活函数和第二激活函数的输入；以及所述z的函数表达式为：

其中，

表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；

表示第l层的第j个神经元的偏置；

表示第l层的第j个神经元的输入。

本发明的有益效果：

(1)本发明提供的基于卷积神经网络融合EKF的拖缆姿态解算方法，通过将卷积神经网络和扩展卡尔曼滤波器进行有效结合，并通过预设的通用核结构对激活函数优化，最终提高了姿态角度数据的测量精度；与传统的数据解算方法相比，本发明采用卷积神经网络(Convolutional Neural Networks，简写为CNN)，通过对已知数据集的反复学习训练，逐步调整改变神经元连接权重，达到处理信息、模拟输入输出之间关系的目的，实现姿态数据的解算，解决了传统姿态解算存在的精度低、数据误差较大等缺点。

(2)本发明提供的基于卷积神经网络融合EKF的拖缆姿态解算方法，与传统的拖缆姿态解算方法相比，有较好的鲁棒适应性，可以根据不同的传感器数据，形成多样化的数学模型。

(3)本发明提供的基于卷积神经网络融合EKF的拖缆姿态解算方法，对拖缆姿态进行解算，其包含非线性关系，卷积层作为很好的非线性函数逼近器，可以很好的确定姿态传感器数据特征，卷积层的计算方式可以很大提高计算效率，降低了训练层数和训练难度，实现了在较少参数设计下，达到更优的神经网络模型，并且可以减少部分的计算量。

本发明的附加方面和优点将在下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1示出了本发明的一个实施例的基于卷积神经网络融合EKF的拖缆姿态解算方法的示意流程图；

图2示出了本发明的另一个实施例的基于卷积神经网络融合EKF的拖缆姿态解算方法的总体设计示意图；

图3示出了本发明的一个实施例的卡尔曼滤波算法的基本原理；

图4示出了本发明的一个实施例的卷积神经网络的结构示意图；

图5示出了本发明的一个实施例的激活函数的示意图(a)和(b)分别示出了ReLU函数、tanh函数的激活函数的曲线示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。

图1示出了本发明的一个实施例的基于卷积神经网络融合EKF的拖缆姿态解算方法的示意流程图。如图1所示，一种基于卷积神经网络融合EKF的拖缆姿态解算方法，包括：

步骤102，通过多个传感器测得原始姿态九轴数据；

步骤104，将原始姿态九轴数据解算为原始角度数据；

步骤106，构建卷积神经网络与EKF融合模型，将上述原始角度数据作为模型的输入；

步骤108，使用原始角度数据训练卷积神经网络与EKF融合模型，让卷积神经网络根据原始数据自主调整EKF的参数，找到最优的滤波参数输入对EKF角度数据进行滤波；

步骤110，将滤波后的姿态角度数据作为卷积神经网络与EKF融合模型的输出进行输出。

图2示出了本发明的另一个实施例的基于卷积神经网络融合EKF的拖缆姿态解算方法的总体设计示意图。如图2所示，一种基于卷积神经网络融合EKF的拖缆姿态解算方法主要内容是扩展卡尔曼滤波(EKF)与卷积神经网络融合来解算姿态数据。

本发明采用基于扩展卡尔曼滤波进行运算。EKF是一种建立系统状态方程、观测方程进行递归推算，通过上一时刻的角度数据X(k)预测更新下一时刻的角度数据X(k-1)。

建立离散线性系统的状态方程为：

X(k)＝F(X(k-1))+ΓW(k-1) (1)

式中，X(k)是系统在k时刻的状态，n维状态序列；F是n×n维状态转移矩阵；W(k)是系统的白噪声，r维状态序列；Γ为n×r维噪声驱动矩阵。

建立离散线性系统的观测方程为：

Z(k)＝H·X(k)+V(k) (2)

式中，Z(k)是对应X(k)的观测信号，是m维观测序列；V(k)是观测的测量噪声，m维状态序列；H是单位矩阵，m×n维观测矩阵。

按以下步骤进行系统状态的预测、更新：

A状态一步预测：

式中，

为利用上一时刻状态预测的结果；

为上一时刻的最优预测值；F为系统参数矩阵。

B协方差矩阵一步预测：

P(k|k-1)＝F·P(k-1|k-1)·F^T+ΓQΓ^T (4)

式中，P(k|k-1)为

对应的协方差矩阵，同时也是P(k-1|k-1)协方差矩阵的估计，Q为系统噪声。

C卡尔曼滤波增益的更新：

K(k)＝P(k|k-1)·H^T/(H·P(k|k-1)·H^T+R) (5)

式中，K(k)为卡尔曼增益；R为观测噪声的协方差矩阵。

D状态的更新：

式中Z(k)为观测矩阵。

E协方的更新：

P(k|k)＝(E-K(k)·H)·P(k|k-1) (7)

式中E为单位矩阵。

利用扩展卡尔曼滤波，只需给定初值的X和P，就可以通过递推计算得到k时刻的状态估计值

如图3所示，观测向量是陀螺仪原始数据解算出来的三轴数据。状态向量包括原始加速度计、磁力计数、陀螺仪数据结算分别得到的三轴数据，通过四元数互补滤波姿态解算的角度值，包括通过四元数法求出来的欧拉角，根据欧拉角可以求出翻滚角、俯仰角、航向角，但这里是欧拉角，还没有求出翻滚角、俯仰角以及航向角。通过四元数法解出的角度数据含有噪声，通过EKF调整参数进行噪声滤除，观测向量就是陀螺仪数据可以帮助修正噪声。

卡尔曼滤波的更新过程分为两步：分别是时间更新过程和量测更新过程。式(3)是利用k-1时刻的状态估计来预测k时刻状态的方法，式(4)对预测的结果进行了定量的描述。上述两个公式的运算仅与动态特性的信息相关。其它的式子属于量测更新过程，利用量测向量Z(k)来计算预测值的修正量。所有这些方程的目的都是合理地利用观测Z(k)，来对状态值的更新进行修正。

在本实施例中，激活函数为tanh，tanh的函数表达式为：

其中，z为激活函数的输入；以及z的函数表达式为：

其中，

表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；

表示第l层的第j个神经元的偏置；

表示第l层的第j个神经元的输入。

在本发明的一个实施例中，构建卷积神经网络，将原始姿态数据作为所述卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为卷积神经网络的输出，具体包括：构建卷积神经网络的输入层，输入层的输入数据为原始姿态九轴数据解算后的角度数据，角度数据为m×n矩阵，m为数据的种类数，n为时间序列采样数；构建卷积神经网络的第一卷积层，并设置第一卷积层的过滤器大小和数量，通过所述第一卷积层的过滤器对所述输入层的输入数据进行卷积运算；构建卷积神经网络的第一池化层，并设置所述第一池化层的过滤器大小和数量，采用均值池化对所述第一卷积层输出的数据进行运算；构建卷积神经网络的第二卷积层，设置所述第二卷积层的过滤器大小和数量，通过所述第二卷积层的过滤器对所述第一池化层的输出数据进行卷积运算；构建卷积神经网络的第二池化层，设置所述第二池化层的过滤器大小和数量，采用均值池化对所述第二卷积层输出的数据进行运算；构建卷积神经网络的第三卷积层，设置所述第三卷积层的过滤器大小和数量，通过所述第三卷积层的过滤器对所述第二池化层的输出数据进行卷积运算；构建卷积神经网络的第三池化层，设置所述第三池化层的过滤器大小和数量，采用均值池化对所述第三卷积层输出的数据进行运算；构建卷积神经网络的输出层，通过所述输出层的全连接层和所述第一激活函数将所述第三池化层输出的数据转化为一维向量进行输出。

在本实施例中，通过构建卷积神经网络的核心层数为6层，包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层，再通过将原始姿态九轴数据解算后的角度数据作为卷积神经网络的输入，最后构建卷积神经网络的输出层，通过对卷积池化后的特征数据经过该输出层的全连接层和第一激活函数，将二维特征数据转化为一维的向量进行输出。

图4示出了本发明的一个实施例的卷积神经网络的结构示意图；如图2所示，通过加速度计、磁力计和陀螺仪产生原始姿态数据；通过EKF，将原始姿态数据解算为角度数据；进一步地，构建卷积神经网络(Convolutional Neural Network，简称CNN)与EKF融合的神经网络模型，通过使用卷积神经网络根据输入的原始角度数据输出EKF的调节参数，被EKF直接使用，以将所述原始角度数据作为所述神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述神经网络的输出进行输出；最后输出包括俯仰角、横滚角和航向角的姿态角度数据，通过将卷积神经网络和EKF进行有效结合，最终提高了姿态角度数据的测量精度。

进一步地，图4示出了本发明的一个实施例的卷积神经网络的结构示意图。如图4所示，卷积神经网络的层数共有5层，具体包括：层1、层2、层3、层4和层5。层1为卷积神经网络的输入层，层2包括：第一卷积层和第一池化层，层3包括：第二卷积层和第二池化层，层4包括：第三卷积层和第三池化层，层5为卷积神经网络的输出层，该卷积神经网络的输出层包括全连接层，通过输出层的全连接层将第三池化层输出的数据转化为一维向量进行输出，最后通过输出层进行数据输出。

进一步地，图4所示的卷积神经网络过程如下：

(1)输入层：输入数据为M，具体为多个传感器产生地原始姿态数据，定义为m×n矩阵，m取值3，为原始角度数(包括翻滚角、俯仰角、航向角)，n取值13，为时间序列采样数，所以输入数据大小为(3×13)矩阵。

(2)输入层到第一卷积层：过滤器C1(f1×f1×1)对输入数据M进行卷积运算。设置过滤器数量为32，每个大小为3×3。则单个过滤器卷积运算输出矩阵的元素计算表达式为：

其中，C1_ij为过滤器内第i行第j个元素，Mc1_ij为输入数据对应框内第i行第j个元素，n₁为卷积输出矩阵的一个元素。通过一定的卷积步长s，重复公式(12)，输出新的二维矩阵。

矩阵大小计算公式为：

其中，n为输入数据矩阵大小；此处为13，p为对输入数据填充(padding)大小，在卷积神经网络进行卷积或者池化操作时，操作过程中过滤器可能不能将某个方向上的数据刚好处理完，造成部分原始数据的丢失，所以需要对输入数据的矩阵边缘进行补“0”操作，但是在本网络结构中不存在上述部分数据尚未利用的情况。所以不需要进行填充操作，即此处p的值为0；f为过滤器大小，此处为3；s为卷积步长，此处为1；c1为输出矩阵大小。

所以，c1＝13-3+1＝11，输出矩阵大小为(11×11×32)。

(3)第一卷积层到第一池化层：由于在相邻时间段内的姿态数据是类似或近乎不变，因此采用均值池化，在缩减数据量的同时保留该时间段内主要数据特征。在此CNN结构中本池化层过滤器大小为(2×2)，则输出矩阵元素的计算表达式为：

其中，P1_ij为池化过滤器内第i行第j个元素，Mp1_ij为输入数据对应框内第i行第j个元素。p₁为池化输出矩阵的一个元素。通过一定的步长s，重复公式(12)，输出新的二维矩阵。池化层通道数为32，由公式(11)可得池化后输出矩阵大小为：

[(11-2+1)×(11-2+1)]，即(10×10×32)。

(4)第一池化层到第二卷积层：以第一池化层的输出作为该层输入，每个过滤器(3×3)对其进行卷积。其矩阵元素和大小计算与第一卷积层一致。本层过滤器个数为64，由公式(13)可得输出矩阵大小为：

[(10-3+1)×(10-3+1)]，即(8×8×64)。

(5)第二卷积层到第二池化层：与第一池化层相同，也为均值池化，其矩阵元素和大小计算与第一池化层一致。本层过滤器个数为64，设置过滤器大小为2，步长为1；由公式(13)计算，池化后输出矩阵大小为：

[(8-3+1)×(8-3+1)]，即(6×6×64)。

(6)第二池化层到第三卷积层：以第二池化层的输出作为该层输入，每个过滤器(3×3)对其进行卷积。其矩阵元素和大小计算与第一卷积层一致。本层过滤器个数为128，由公式(13)可得输出矩阵大小为：

[(6-3+1)×(6-3+1)]，即(4×4×128)。

(7)第三卷积层到第三池化层：与第一池化层相同，也为均值池化，其矩阵元素和大小计算与第一池化层一致。本层过滤器个数为128，设置过滤器大小为3，步长为1；由公式(13)计算，池化后输出矩阵大小为：

[(4-3+1)×(4-3+1)]，即(2×2×128)。

(8)全连接层：将上述输出的数据集(2×2×128)转化为一维向量，即(512×1)，并经过第一激活函数进行输出。

进一步地，图5(a)和(b)示出了ReLU函数、tanh函数的激活函数的曲线示意图。由于本实施例中将原始姿态九轴数据解算后的角度数据作为输入时，其数据有正有负，而图5中只有tanh函数具有有正有负的函数特点，因此本实施例中的所述第一激活函数为tanh。

以上所述仅为本发明的优选实施例而已，并不用于限制本本发明，对于本领域的技术人员来说，本本发明可以有各种更改和变化。凡在本本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本本发明的保护范围之内。

Claims (2)

1.一种基于卷积神经网络融合EKF的拖缆姿态解算方法，其特征在于，包括：

通过多个传感器测得原始姿态数据；

将原始姿态数据解算为原始角度数据；

构建卷积神经网络与EKF融合模型，将原始角度数据作为卷积神经网络与EKF融合模型的输入；

使用原始角度数据训练卷积神经网络与EKF融合的模型，让卷积神经网络根据原始角度数据自主调整EKF的滤波参数，找到最优的滤波参数，将最优的滤波参数输入至EKF滤波后输出角度数据；

将滤波后的角度数据作为卷积神经网络与EKF融合模型的输出；所述多个传感器包括：陀螺仪、加速度计和磁力计，所述原始姿态数据解算后的原始角度数据包括：俯仰角、翻滚角和航向角；所述EKF通过上一时刻的角度数据X(k)预测更新下一时刻的角度数据X(k-1)；包括：

建立离散线性系统的状态方程为：

X(k)＝F(X(k-1))+ГW(k-1) (1)

式中，X(k)是系统在k时刻的状态，n维状态序列；F是n×n维状态转移矩阵；W(k)是系统的白噪声，r维状态序列；Γ为n×r维噪声驱动矩阵；

建立离散线性系统的观测方程为：

Z(k)＝H·X(k)+V(k) (2)

式中，Z(k)是对应X(k)的观测信号，是m维观测序列；V(k)是观测的测量噪声，m维状态序列；H是单位矩阵，m×n维观测矩阵；

按以下步骤进行系统状态的预测、更新：

①状态一步预测：

式中，

为利用上一时刻状态预测的结果；

为上一时刻的最优预测值；F为系统参数矩阵；

②协方差矩阵一步预测：

P(k|k-1)＝F·P(k-1|k-1)·F^T+ΓQΓ^T (4)

式中，P(k|k-1)为

对应的协方差矩阵，同时也是P(k-1|k-1)协方差矩阵的估计，Q为系统噪声；

③卡尔曼滤波增益的更新：

K(k)＝P(k|k-1)·H^T/(H·P(k|k-1)·H^T+R) (5)

式中，K(k)为卡尔曼增益；R为观测噪声的协方差矩阵；

④状态的更新：

式中Z(k)为观测矩阵；

⑤协方的更新：

P(k|k)＝(E-K(k)·H)·P(k|k-1) (7)

式中E为单位矩阵；构建卷积神经网络与EKF融合模型，将原始姿态数据解算的角度数据作为卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出，具体包括：

构建卷积神经网络的输入层，所述输入层的输入数据为所述多个传感器测得的原始姿态数据解算后的角度数据，所述原始角度数据为m×n矩阵，m为角度种类，n为时间序列采样数；

构建卷积神经网络的第一卷积层，并设置所述第一卷积层的过滤器大小和数量，通过所述第一卷积层的过滤器对所述输入层的输入数据进行卷积运算；

构建卷积神经网络的第一池化层，并设置所述第一池化层的过滤器大小和数量，采用均值池化对所述第一卷积层输出的数据进行运算；

构建卷积神经网络的第二卷积层，设置所述第二卷积层的过滤器大小和数量，通过所述第二卷积层的过滤器对所述第一池化层的输出数据进行卷积运算；

构建卷积神经网络的第二池化层，设置所述第二池化层的过滤器大小和数量，采用均值池化对所述第二卷积层输出的数据进行运算；

构建卷积神经网络的第三卷积层，设置所述第三卷积层的过滤器大小和数量，通过所述第三卷积层的过滤器对所述第二池化层的输出数据进行卷积运算；

构建卷积神经网络的第三池化层，设置所述第三池化层的过滤器大小和数量，采用均值池化对所述第三卷积层输出的数据进行运算；

构建卷积神经网络的输出层，通过所述输出层的全连接层和所述第一激活函数将所述第三池化层输出的数据转化为一维向量进行输出；所述第一激活函数和第二激活函数均为tanh，所述tanh的函数表达式为：

其中，z为所述第一激活函数和第二激活函数的输入；以及所述z的函数表达式为：

其中，

表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；

表示第l层的第j个神经元的偏置；

表示第l层的第j个神经元的输入。

2.一种基于卷积神经网络融合EKF的拖缆姿态解算系统，其特征在于，包括：

采集单元，通过多个传感器测得原始姿态数据；

EKF数据构建单元，用于将原始姿态数据解算为原始角度数据；构建扩展卡尔曼滤波所需的数据，

卷积神经网络融合EKF模型单元，根据原始角度数据自主调整EKF的滤波参数，找到最优的滤波参数，将最优的滤波参数输入至EKF滤波后输出角度数据；

获取单元，用于获取激活函数；

激活函数优化单元，用于卷积神经网络融合EKF模型进行优化以输出姿态角度数据,以提高输出姿态角度数据的精度；构建卷积神经网络与EKF融合模型，将原始姿态数据解算的角度数据作为卷积神经网络的输入，将经过卷积层、池化层、全连接层和第一激活函数后输出的姿态数据作为所述卷积神经网络的输出，具体包括：

构建卷积神经网络的输入层，所述输入层的输入数据为所述多个传感器测得的原始姿态数据解算后的角度数据，所述原始角度数据为m×n矩阵，m为角度种类，n为时间序列采样数；

构建卷积神经网络的第一卷积层，并设置所述第一卷积层的过滤器大小和数量，通过所述第一卷积层的过滤器对所述输入层的输入数据进行卷积运算；

构建卷积神经网络的第一池化层，并设置所述第一池化层的过滤器大小和数量，采用均值池化对所述第一卷积层输出的数据进行运算；

构建卷积神经网络的第二卷积层，设置所述第二卷积层的过滤器大小和数量，通过所述第二卷积层的过滤器对所述第一池化层的输出数据进行卷积运算；

构建卷积神经网络的第二池化层，设置所述第二池化层的过滤器大小和数量，采用均值池化对所述第二卷积层输出的数据进行运算；

构建卷积神经网络的第三卷积层，设置所述第三卷积层的过滤器大小和数量，通过所述第三卷积层的过滤器对所述第二池化层的输出数据进行卷积运算；

构建卷积神经网络的第三池化层，设置所述第三池化层的过滤器大小和数量，采用均值池化对所述第三卷积层输出的数据进行运算；

构建卷积神经网络的输出层，通过所述输出层的全连接层和所述第一激活函数将所述第三池化层输出的数据转化为一维向量进行输出；所述第一激活函数和第二激活函数均为tanh，所述tanh的函数表达式为：

其中，z为所述第一激活函数和第二激活函数的输入；以及所述z的函数表达式为：

其中，

表示第(l-1)层的第k个神经元连接到第l层的第j个神经元的权重；

表示第l层的第j个神经元的偏置；

表示第l层的第j个神经元的输入。

Images