基于最优估计神经网络的惯导系统初始对准研究

本文研究了一种基于卡尔曼滤波原理权值更新的多层神经网络学习算法，对此算法进行了详细的推证，并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性，既可获得与卡尔曼滤波器相同的对准精度，又提高了系统的实时性。从而得到了利用神经网络解决惯导系统初始对准问题的一种有效算法。     

卡尔曼滤波初始条件对捷联惯导对准的影响

针对捷联惯导对准卡尔曼滤波器初始条件无法很准确给定的情况,研究了卡尔曼滤波器初始条件对捷联惯导对准精度的影响。分析了错误先验假设条件下卡尔曼滤波算法的误差,推导了滤波器计算均方误差与实际均方误差的关系。对于一般多元回归系数估计问题,比较了卡尔曼滤波算法与最小二乘算法,给出了当先验假设不准确时卡尔曼滤波算法优于最小二乘算法的一个充分条件。对捷联惯导静基座对准问题进行了仿真,仿真结果表明:合理选择初始均方误差矩阵能大大改善卡尔曼滤波启动阶段性能。初始均方误差矩阵选择为真实初始均方误差矩阵的一个较小上界是合理的。     

基于支持向量机的惯导初始对准系统

针对平台式惯导系统的初始对准 ,提出了基于支持向量机 (SVM)网络的滤波器 ,并将其用于惯导初始对准中 ,代替初始对准系统中的闭环Kalman滤波器 ,可以确保系统的误差状态始终为小量 ,实现了惯导初始对准中的滤波与校正功能 ,并将其与神经网络滤波器、闭环Kalman滤波器进行对比。仿真结果表明 ,采用SVM网络滤波器简化了系统运算的代数结构 ,提高了系统状态估值运算的实时性 ,而对准系统的精度又与采用闭环Kalman滤波器的精度相当 ,并且SVM网络克服了神经网络的不足。     

基于RBF网络的惯导系统初始对准

建立了惯导系统（ＩＮＳ）初始对准的线性和非线性误差模型。分析了径向基函数（ＲＢＦ）网络的结构和工作原理。研究了ＲＢＦ网代替初始对准中的卡尔曼滤波器的实现方法。通过仿真表明，用神经网络进行初始对准，既可获得与卡尔曼滤波相同的对准精度，又提高了系统的实时性。     

Unscented卡尔曼滤波在SINS静基座大方位失准角初始对准中的应用研究

静基座大方位失准角的捷联惯导系统误差方程是非线性的，如何对静基座大方位失准角的捷联惯导系统进行初始对准是需要解决的问题。本文提出了基于Unscented转换的Unsented卡尔曼滤波进行捷联惯导系统对准的方法。分别通过扩展卡尔曼滤波和Unsented卡尔曼滤波进行仿真计算，结果验证了Unscented卡尔曼滤波的有效性与优越性。     

用渐消卡尔曼滤波器防止捷联惯导系统滤波发散

为有效防止捷联惯导系统滤波发散,根据卡尔曼滤波原理研究了滤波发散的原因,引入了渐消卡尔曼滤波和遗忘因子。对常规卡尔曼滤波器和渐消卡尔曼滤波器的滤波进行的仿真结果表明,采用渐消卡尔曼滤波器在工程上可解决捷联惯导系统滤波发散。     

一种快速精确的惯导系统多位置初始对准方法研究

传播的多位置初始对准方法虽然使惯导系数静基座初始对准的精度得到明显提高，但是用卡尔曼滤波器对其状态变量进行估计时，方位失准角收敛很慢。本文通过对惯导系统误差模型的合理简化，提出了一种快速精确的多位置估计方位失准角的方法，直接利用水平失准角快速收敛的特性估计方位失准角，从而提高了整个惯导系统静基座对准的精度和速度，计算机仿真结果验证了该方法的有效性。     

一种弹道修正弹SINS任意滚转角快速粗对准方法

针对弹道修正弹药出炮口后滚转角处于随机状态,捷联惯导系统(SINS)失准角过大时卡尔曼滤波收敛困难的问题,提出在卫星拒止环境下利用神经网络快速估计初始滚转角的改进方法。在炮口处布设少量导航信标,建立反向传播(BP)神经网络拟合初始滚转角与观测量间的非线性映射模型。针对信标辅助下姿态弱可观的问题,引入惯导测量参数作为输入,提高网络估计精度。采用主成分分析法进行特征提取,简化网络结构。仿真结果表明,与基于非线性卡尔曼滤波的对准方法相比,本算法可实现任意滚转角下的快速粗对准;对射角、初始俯仰角误差未在训练范围内以及存在布设误差等场景也进行了测试,与未优化的BP网络相比,对准精度更高,鲁棒性更好。     

多分辨分布滤波在惯导系统初始对准中的应用

论述了初始对准在惯性导航系统中的重要作用 ,给出了惯导系统初始对准的线性模型。基于小波变换 ,运用多分辨分布滤波对该问题进行了仿真研究。仿真结果表明 ,该方法虽然计算量比卡尔曼滤波计算量要大 ,但是对于组合导航系统或具有冗余传感器的惯导系统 ,它能够充分利用测量信息 ,大大提高初始对准精度 ,也能够满足低阶系统实时对准的需要     

惯导系统空中动基座对准精度的估计方法

为了对惯导系统空中动基座对准精度进行评估 ,文中提出了逆序递推滤波算法 ,利用对准结束后一段时间的主从惯导系统的导航数据 ,通过一次卡尔曼滤波运算 ,便可求出对准误差。经飞行实验结果处理证明 ,该方法有效 ,具有工程应用价值     

神经网络修正的速度约束辅助车载SINS定位算法

对于车载全球导航卫星系统(GNSS)/捷联惯性导航系统(SINS)组合导航系统,针对GNSS失效而SINS单独工作时仅使用速度约束辅助SINS其纵向位置误差逐渐发散的问题,提出一种神经网络修正的速度约束辅助车载SINS定位算法。通过径向基函数(RBF)神经网络预测SINS纵向位置误差修正系数,以提高SINS单独工作时的定位精度;此外,提出一种限定记忆指数加权实时估计量测噪声的自适应滤波算法。在人为设置GNSS失效以及真实隧道场景下进行车载试验,结果表明本文算法能够在不停车情况下在线修正SINS纵向位置误差,相比于速度约束与卡尔曼滤波相结合的常规算法,有效地提高了GNSS失效时的车载SINS定位精度。     

一种新的惯导平台静基座快速初始对准方法

提出了一种新的惯导平台静基座快速初始对准方法。用两步卡尔曼滤波算法替代常规算法估计水平误差角,根据水平误差角快速收敛的估计结果估计收敛较慢的方位误差角。给出了算法模型。理论分析和仿真结果表明:该算法对水平误差角的估计收敛速度可提高1倍,对方位误差角的收敛速度也相应提高,精度与常规方法一致,是一种有效的快速初始对准方法。     

组合导航系统初始对准的稳定性分析及其控制

针对INS/GPS组合导航系统的初始对准问题 ,对该组合系统的稳定性进行了理论分析和仿真研究。理论分析表明 ,该系统是稳定的 ;仿真结果说明 ,载体在外部周期激励作用下 ,如系统采样频率选择不当 ,状态变量的估计结果也出现周期性的振荡 ;如果是外部随机脉冲激励 ,状态变量的估计结果则呈现随机性。对于外部周期激励 ,采用改变采样频率或适当的线性状态反馈 ,可以较好的避免状态变量估计结果的振荡 ,满足对估计结果的精度要求。     

基于神经网络的SINS/GPS/TAN 容错组合导航系统设计

在联邦滤波器结构的基础上 ,设计了一种基于神经网络的天文惯性导航系统 /全球卫星定位系统 /战术导航系统 (SINS/GPS/TAN)容错组合导航系统。该系统首先在各子滤波器中用神经网络滤波 (NNF)代替传统的卡尔曼滤波 ,然后用模糊神经网络 (FNN)对各子系统进行故障检测 ,最后由神经元进行全局融合。通过仿真 ,验证了该方法的有效性