神經(jīng)網(wǎng)絡(luò)輔助的GNSS-SINS超緊組合導(dǎo)航系統(tǒng)研究.pdf

1、采用全球衛(wèi)星定位系統(tǒng)（GPS）和捷聯(lián)慣性導(dǎo)航系統(tǒng)（SINS）進(jìn)行數(shù)據(jù)融合的組合導(dǎo)航系統(tǒng)能夠克服各自的缺點(diǎn)提供可靠的導(dǎo)航性能，因此得到廣泛研究和應(yīng)用。但目前GPS/SINS組合導(dǎo)航也存在一些問題：卡爾曼濾波進(jìn)行誤差預(yù)測時(shí)需要精確的SINS和GPS誤差模型，但SINS的傳感器誤差很難精確建模；常用的松組合導(dǎo)航系統(tǒng)與緊組合導(dǎo)航系統(tǒng)沒有對(duì)GPS的多普勒頻移進(jìn)行校正，在高動(dòng)態(tài)和弱信號(hào)情況下導(dǎo)航性能差；GPS/SINS超緊組合導(dǎo)航系統(tǒng)在GPS信號(hào)失

2、鎖期間，SINS誤差會(huì)隨時(shí)間累積。針對(duì)以上問題，本文展開以下方面的研究：
　　建立組合導(dǎo)航系統(tǒng)的誤差模型。對(duì)SINS的工作原理和組成結(jié)構(gòu)進(jìn)行了分析，分別給出SINS的位置誤差、姿態(tài)誤差、速度誤差、平臺(tái)角誤差、陀螺漂移和加速度計(jì)的誤差模型，對(duì)GPS的工作原理以及GPS信號(hào)捕獲和跟蹤的過程進(jìn)行研究。
　　基于人工神經(jīng)網(wǎng)絡(luò)的原理和訓(xùn)練過程，對(duì)兩種常見的前饋式人工神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)（BPNN）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）分別

3、進(jìn)行了研究，并對(duì)兩者的非線性隨機(jī)問題建模的訓(xùn)練和預(yù)測過程進(jìn)行仿真，通過分析比較發(fā)現(xiàn)RBFNN在訓(xùn)練時(shí)間以及預(yù)測精度方面要優(yōu)于BPNN。
　　針對(duì)松組合導(dǎo)航系統(tǒng)與緊組合導(dǎo)航系統(tǒng)在高動(dòng)態(tài)和弱信號(hào)情況下導(dǎo)航性能差的問題，采用超緊組合結(jié)構(gòu)實(shí)現(xiàn)對(duì)GPS跟蹤過程進(jìn)行輔助。由于超緊組合導(dǎo)航系統(tǒng)的誤差模型是非線性的，標(biāo)準(zhǔn)卡爾曼濾波無法處理，因此采用非線性的無跡卡爾曼濾波（UKF）方法。針對(duì)樣本中存在野值時(shí)，UKF濾波發(fā)散的問題，提出RBFNN輔助

4、的RBF-UKF改進(jìn)算法，并對(duì)UKF算法和RBF-UKF進(jìn)行仿真驗(yàn)證，結(jié)果表明RBF-UKF精度高于UKF，并且改善了UKF濾波發(fā)散的問題。
　　針對(duì)GPS失鎖期間SINS精度下降的問題，提出了RBFNN輔助的級(jí)聯(lián)式超緊組合結(jié)構(gòu)。RBFNN通過對(duì)輸入的SINS的加速度計(jì)和陀螺儀的測量值進(jìn)行訓(xùn)練，訓(xùn)練輸出為SINS的誤差信息。在GPS正常工作時(shí)，RBFNN處于訓(xùn)練模式，在GPS失鎖期間，神經(jīng)網(wǎng)絡(luò)通過之前訓(xùn)練好的模型對(duì)SINS系統(tǒng)進(jìn)行