神经网络辅助的GPS/INS组合导航滤波算法研究AET

关键词:卡尔曼滤波;组合导航;GPS/INS;BP神经网络

0引言

GPS/INS组合导航系统由于其高精度、高可靠性、具有全天候工作能力等突出优点,成为组合导航系统的主要发展方向之一,被广泛应用于军事和民用等领域的导航。

卡尔曼滤波技术和BP神经网络技术都是现今发展较为成熟的技术,但其单独作为组合导航系统滤波算法时,都存在一些不足。卡尔曼滤波技术是现今发展较好的组合导航系统滤波技术,大量应用于生产生活中,其设计简单、适用性好、精度高的特点受到人们的青睐。然而,在高空高速条件下,GPS信号容易失锁,从而造成卡尔曼滤波器发散等问题。BP神经网络本身具有非线性、自组织和自学习能力,适合于解决非线性问题,但是,将其单独应用于组合导航滤波时,精度相对较低,不能满足导航精度要求。

本文将BP神经网络辅助卡尔曼滤波算法应用于GPS/INS组合导航系统,其精度要明显优于两者单独采用时的滤波器。两者的组合方式分为松散组合和紧密组合两种,其各有优缺点。紧密组合的导航精度虽然较松散组合更高,但当GPS卫星失锁完全无信号输出时,该组合方式失效,不能起到滤波作用。另外,采用紧密组合方式结构复杂,计算量大,故本文采用了松散组合方式。此方式具有结构简单、可靠性高、容错能力强等优点,是动态测量质量的可靠保证。

1系统结构

基于BP神经网络辅助卡尔曼滤波的GPS/INS组合导航系统结构如图1所示。组合导航系统滤波分为2种模式:卡尔曼滤波模式和BP神经网络预测模式。当GPS信号锁定时,组合导航系统采用卡尔曼滤波模式,卡尔曼滤波器的输入为INS和GPS的速度、位置差值,经过卡尔曼滤波之后,输出量为:

式中:[ΔVEΔVNΔVU]为东向、北向、天向速度误差,[ΔλΔLΔh]为经度、纬度、高度误差。

卡尔曼滤波的输出量与INS的输出量相组合,得到组合导航系统的最终输出,并用该最终输出对INS和GPS子导航系统进行反馈校正。与此同时,对BP神经网络进行在线训练。

BP神经网络在线训练时,为了避免训练过程中的交叉耦合,提高训练精度和速度,减少神经网络权值不必要的调整,本文采用了多BP神经网络并行结构,训练BP神经网络时的输入分别为INS的3个速度分量和3个位置分量,以及其与前一时刻的速度分量、位置分量的差值,组合导航系统的最终输出作为训练神经网络的目标,对BP神经网络进行在线训练。

当GPS信号失锁不可用时,卡尔曼滤波模式发散,精度严重下降,故采用BP神经网络预测模式。

2卡尔曼滤波设计

卡尔曼滤波的状态方程和量测方程分别为:

式中,ΦK,K-1为一步转移阵,ΓK-1为系统噪声驱动阵,HK为量测阵;VK为量测噪声序列;WK为系统激励噪声序列。

在组合导航系统滤波算法设计时,将GPS的位置、速度信号和INS的位置、速度信号的差值作为卡尔曼滤波器的观测量,XK按下面方程求解[1]:

3BP神经网络设计

BP神经网络具有非线性、自组织和自学习能力,适合于解决非线性问题,是现今发展较为成熟的技术。理论研究表明,单隐层的BP神经网络可以进行任意的曲线逼近,结构简单,效果明显。

3.1BP神经网络模型设计

BP神经网络拓扑结构分为输入层、隐含层、输出层,如图2所示。其中,隐含层为非线性层,采用sigmoid函数:

而输出层为线性层,采用的函数为线性函数。

BP神经网络的前向计算公式为[2]:

式中,w为神经元之间的权值,M为输出层节点数,H为隐层节点数,N为输入层节点数,b为神经元内的阈值。

本文采用的神经网络输入层有2个神经元,输出层为1个神经元。隐含层神经元数目由式(7)确定:

式中,k为训练样本个数。

3.2神经网络的工作模式

本文设计的神经网络主要有在线训练模式和预测输出模式。当GPS信号锁定时,利用组合导航系统最终输出对神经网络的在线实时训练,当GPS信号失锁时,组合导航系统只剩下INS输出,这时,采用神经网络预测模式,对INS输出进行调整,达到减少组合导航系统误差、提高导航精度的目的。

4仿真验证

由以上参数设置得到纯惯导的速度误差、位置误差的仿真图像如图3、图4所示。

在仿真中,设置t=700s之前组合导航系统锁定GPS,所用的滤波算法为卡尔曼滤波,同时,在线实时训练神经网络,700s之后,仿真设置为对GPS信号失锁,滤波算法采用训练好的神经网络,所得到的速度误差如图5、图6、图7所示。

通过速度误差分析不难发现:卫星失锁后,东向速度最大误差小于0.5m/s,北向速度误差也小于1m/s,天向速度误差也小于0.5m/s,采用神经网络辅助方法滤波的速度误差几乎能比拟在卫星锁定时的速度误差。各个方向的速度误差与纯惯导的速度误差相比有较大改善,充分证明了算法的有效性。

通过仿真进一步得到组合导航的经度误差、纬度误差以及高度误差,如图8、图9、图10所示。

5结论

参考文献

[1]秦永元.卡尔曼滤波与组合导航原理[M].西安:西北工业大学出版社,2007.

[2]陈燃,刘繁明.基于BP神经网络对INS/GPS组合导航数据融合技术的研究[D].哈尔滨:哈尔滨工程大学,2009.

[3]严恭敏,秦永元.捷联惯导算法及车载组合导航系统研究[D],西安:西北工业大学,2004.

[4]崔留争.神经网络辅助卡尔曼滤波在组合导航中的应用[J].光学精密工程,2014,22(5).

[5]张敏虎,任章.神经网络辅助高动态GPS/INS组合导航融合算法[C].Proceedingsofthe27thChineseControlConferenceJuly16-18,2008,KunmingYunnan,China.

[6]林雪原,鞠建波.利用神经网络预测的GPS/SINS组合导航系统算法研究[J].武汉大学学报信息科学版,2011,36(5).

[7]耿世松,裴福俊,崔平远.基于神经网络辅助观测的连续组合导航算法研究[J].高技术通讯,2009,19(1).

THE END
1.BP神经网络入门实践:使用Python实现BP神经网络简介:BP神经网络,即反向传播神经网络,是一种用于监督学习的典型人工神经网络模型。本压缩包包含了一个基于Python的简单BP神经网络实现,为初学者提供了一个理解神经网络基本原理和编程技能的平台。该实现涵盖关键概念如激活函数、损失函数、梯度下降法以及反向传播算法。学生可以通过实践了解网络结构定义、权重初始化、前向https://blog.csdn.net/weixin_42509507/article/details/142975625
2.神经网络学习之BP神经网络腾讯云开发者社区神经网络学习 之 BP神经网络 大家好,又见面了,我是你们的朋友全栈君。 上一次我们讲了M-P模型,它实际上就是对单个神经元的一种建模,还不足以模拟人脑神经系统的功能。由这些人工神经元构建出来的网络,才能够具有学习、联想、记忆和模式识别的能力。BP网络就是一种简单的人工神经网络。 本文具体来介绍一下一种https://cloud.tencent.com/developer/article/2091134
3.在线网课学习课堂《神经网络理论及应用(北工商)》单元测试考核在线网课学习课堂《神经网络理论及应用(北工商)》单元测试考核答案.docx,注:不含主观题 第1题 判断题 (1分) 人工神经元是一个多输入、多输出的信息处理单元 第2题 判断题 (1分) 人工神经元数学模型决定该节点本身的信息处理能力 第3题 单选题 (1分) 人工神经网络的激活函数https://max.book118.com/html/2022/0429/8132040142004075.shtm
4.机器学习.周志华《5神经网络》2> 确定神经网络参数,常用算法为BP算法。 足够多的隐含层神经元的RBF可以以任意精度逼近任意连续函数。 自适应谐振理论(ART)网络 ART(Adaptive Resonance Theory)自适应谐振理论网络是竞争型学习的重要代表,无监督学习策略,该网络由比较层、识别层、识别层阈值和重置模块构成。ART比较好的缓解了竞争型学习中的“可塑性http://681314.com/A/gxXXJnNdP3
5.bp神经网络shap模型bp神经网络模型应用1、神经网络BP模型 一、BP模型概述 误差逆传播(Error Back-Propagation)神经网络模型简称为BP(Back-Propagation)网络模型。 Pall Werbas博士于1974年在他的博士论文中提出了误差逆传播学习算法。完整提出并被广泛接受误差逆传播学习算法的是以Rumelhart和McCelland为首的科学家小组。他们在1986年出版“Parallel Distributedhttps://blog.51cto.com/u_16213711/8114595
6.简单易学的机器学习算法—神经网络之BP神经网络在知道了BP神经网络的特点后,我们需要依据信号的前向传播和误差的反向传播来构建整个网络。 1、网络的初始化 假设输入层的节点个数为n,隐含层的节点个数为 ,输出层的节点个数为m。输入层到隐含层的权重,隐含层到输出层的权重为wjk,输入层到隐含层的偏置为aj,隐含层到输出层的偏置为bk。学习速率为 https://www.cda.cn/view/20626.html
7.深入理解BP神经网络对神经网络进行训练,我们应该尽量将net的值尽量控制在收敛比较快的范围内。 四、揭秘有监督的BP神经网络学习过程: 流程图 初始化和样本随机选取 计算隐含层相关数据 误差计算1 误差计算2 反向传播1 反向传播2 全局误差和迭代 五、BP算法直观解释 情况1 https://www.jianshu.com/p/6ab6f53874f7
8.深度学习之美BP算法双向传,链式求导最缠绵(入门系列之八8.1 BP神经网络极简史 在神经网络(甚至深度学习)参数训练中,BP(Back Propagation)算法非常重要,它都占据举足轻重的地位。在提及BP算法时,我们常将它与杰弗里?辛顿(Geoffrey Hinton)的名字联系在一起。但实际上,辛顿还真不是第一个提出BP算法的人,就像爱迪生不是第一个发明电灯的人一样。但人们记住的,永远都是https://maimai.cn/article/detail?fid=1606544098&efid=DO6xH595x1H7XbUijSEk8w
9.基于数值模拟和机器学习的汽车碰撞代理模型采用机器学习算法建立代理模型,可以大幅度提高计算效率。目前尚未见到采用代理模型预测汽车碰撞过程的碰撞力-位移关系的报道。笔者以某型皮卡车为对象,建立整车三维有限元模型,模拟汽车对刚性墙碰撞和两车相向对撞的动态过程,得到碰撞力-位移曲线,并基于BP神经网络和数值模拟结果建立代理模型。采用碰撞代理模型,可以快速得到http://qks.cqu.edu.cn/html/cqdxzrcn/2021/2/20210209.htm