一种基于极限学习机网络补偿的卫星高精度联合定姿方法技术

本发明专利技术属于遥感测绘技术领域，公开了一种基于极限学习机网络补偿的卫星高精度联合定姿方法；根据卫星姿态运动学模型和陀螺误差模型构建系统状态方程；根据星敏感器误差模型构建系统量测方程；采用AKF模型对姿态参数进行估计；根据滤波过程量及滤波结果构建数据集，随机选取部分数据集作为训练集；搭建极限学习机网络模型，利用训练集对极限学习机网络离线训练，得到网络参数；设置不同的星敏感器测量误差参数，将AKF滤波过程量输入到训练好的极限学习机网络，得到姿态参数补偿量，对AKF结果补偿；利用固定区间平滑算法平滑处理；修正姿态四元数和陀螺角速度。本发明专利技术极限学习机模型简单、训练参数少、泛化能力强，有效提升定姿精度。

A Satellite High Precision Joint Attitude Determination Method Based on Extreme Learning Machine Network Compensation

【技术实现步骤摘要】
一种基于极限学习机网络补偿的卫星高精度联合定姿方法
本专利技术属于遥感测绘
，尤其涉及一种基于极限学习机网络补偿的卫星高精度联合定姿方法。
技术介绍
目前，最接近的现有技术：在无地面控制点卫星摄影测量中，外方位角元素是影响定位精度的关键因素之一。测绘卫星上配置了星敏感器与陀螺组成卫星姿态测量系统。当前主要采用动态估计法对星敏感器和陀螺的测量信息进行融合滤波处理，动态估计法利用一系列连续时刻的测量信息，采用姿态运动学模型等理论，融合多种姿态设备的测量信息来计算姿态信息。常用的算法有扩展卡尔曼滤波算法(EKF)、无迹卡尔曼滤波算法(UKF)、粒子滤波算法(PF)等。EKF对卫星的非线性状态方程和量测方程做泰勒级数展开并保留线性项，之后再利用传统卡尔曼滤波进行处理。UKF将UT变换和卡尔曼滤波框架进行结合，避免了雅克比矩阵的求解，比EKF算法稳定性更强，精度更高。PF基于蒙特卡洛方法，对噪声的分布没有限制，粒子数越多估计精度就越高，但计算量随之增大。上述算法在建模和滤波处理时需要知道精确的观测噪声统计特性才能取得良好的估计精度。但在卫星在轨运行中，星敏感器受到各种因素(温度、震荡等)的影响，实际测量值的噪声特性是时刻变化的、是未知的，这会导致上述算法性能下降甚至滤波发散。因此自适应卡尔曼滤波算法(AKF)被提出。自适应卡尔曼滤波算法在扩展卡尔曼滤波算法的基础上，不断估计和修正量测噪声协方差矩阵，使得模型的量测噪声逐渐逼近真实噪声，从而提升姿态估计的精度。自适应卡尔曼滤波算法具有原理简单、计算量小等优点。但AKF在构建模型时，往往需要对模型进行离散化和线性化处理，这不可避免地引入了模型误差，影响姿态精度。另外，AKF算法通常假设当前时刻的状态仅与当前时刻的观测及上一时刻的状态有关，与其他时刻状态无关，即假设姿态为一阶马尔科夫过程。综上所述，现有技术存在的问题是：现有算法存在模型误差，且滤波过程不具有全局性。解决上述技术问题的难度：上述技术问题的难度之一是在难以消除模型误差的情况下，如何利用适当的方法对模型误差进行修正和补偿，使姿态精度得以提升。上述技术问题的难度之二是如何利用所有的信息而不是一两个时刻的信息进行滤波处理，提升姿态精度。解决上述技术问题的意义：由于当前测绘影像定位尤其是无控制点定位时非常依赖卫星的姿态信息，因此解决上述技术问题，提升卫星姿态精度，有助于提升测绘影像无控定位精度。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于极限学习机网络补偿的卫星高精度联合定姿方法。本专利技术是这样实现的，一种基于极限学习机网络补偿的卫星高精度联合定姿方法，所述基于极限学习机网络补偿的卫星高精度联合定姿方法包括：首先根据卫星姿态运动学模型和陀螺误差模型构建系统状态方程；根据星敏感器误差模型构建系统量测方程；设置星敏感器测量误差参数，采用AKF模型对姿态参数进行估计；然后根据滤波过程量以及滤波结果构建数据集，随机选取部分数据集作为训练集；搭建极限学习机网络模型，设置其隐含层层数，利用训练集对极限学习机网络进行离线训练，得到网络参数；接着在实时滤波过程，设置不同的星敏感器测量误差参数，将AKF滤波过程量输入到训练好的极限学习机网络，得到姿态参数补偿量，对AKF结果进行补偿；利用固定区间平滑算法进行平滑处理；最后修正姿态四元数和陀螺角速度，得到高精度姿态。进一步，所述基于极限学习机网络补偿的卫星高精度联合定姿方法具体包括以下步骤：第一步，根据卫星姿态运动学模型和陀螺误差模型构建系统状态方程：陀螺的误差模型表示如下：ωg＝ω+b+d+ng；其中ωg为陀螺的输出值；ω为陀螺的真实值；b为陀螺的常值漂移噪声，且ηb为白噪声；d为陀螺的随机漂移噪声，Dτ与时间常数有关，ηd为白噪声；ng为测量噪声；构建基于状态X＝[Δq1Δq2Δq3ΔbxΔbyΔbz]T的微分形式的系统状态方程其中，Δq＝[Δq1,Δq2,Δq3]T为误差四元数的矢量部分；Δb＝[ΔbxΔbyΔbz]T为陀螺常值漂移误差；为卫星角速度矢量叉乘；对状态方程进行离散化处理，得到最终的状态方程：Xk＝Φk-1Xk-1+Wk-1；其中，Φk,k-1＝I+F(t-1)Δt+0.5F2(t-1)Δt2；Δt为陀螺的当前时刻减去前一时刻；Wk是系统噪声，服从均值为零向量，协方差矩阵为Qk的高斯分布；第二步，根据星敏感器误差模型构建系统量测方程：滤波器的量测量是指由星敏感器获取的姿态四元数和陀螺测量的姿态四元数二者之间的差值，具体表示为：其中qmeas为星敏感器输出的姿态四元数，qg为陀螺计算输出的四元数；将离散化处理后得到最终的量测方程：Zk＝Hk·Xk+Vk；其中Hk＝[I3×303×3]；Vk是量测噪声，服从均值为零向量，协方差矩阵为Rk的高斯分布；第三步，采用AKF模型对姿态参数进行估计，具体包括：以星敏感器量测值、陀螺量测值、星敏感器测量误差为输入；以估计误差四元数、估计陀螺常值漂移为输出；1)设置初始状态变量X0、初始状态协方差矩阵P0、系统噪声协方差矩阵Q；根据星敏感器测量误差计算初始量测噪声协方差矩阵R0；2)预测k时刻的姿态，得到姿态预测值qk,k-1；3)时间更新，得到k时刻的状态预测Xk,k-1，k时刻的状态协方差矩阵预测Pk,k-1；4)量测更新，计算滤波增益矩阵Kk，更新k时刻状态估计值Xk和状态协方差矩阵Pk，更新量测噪声协方差矩阵第四步，根据滤波过程量以及滤波结果构建ELM网络数据集，选取部分数据集作为训练集，具体包括：ELM网络的输入应该为AKF滤波过程中比较重要的参数；ELM网络的输出为真实姿态四元数和估计姿态四元数之间的差值；按照一定比例划分训练数据集；第五步，搭建极限学习机网络模型，设置其隐含层层数；利用训练集对极限学习机网络进行离线训练，得到网络参数，利用测试集进行测试，若不达精度要求，增加训练数据集比例，反复训练，直到满足精度要求；第六步，设置不同的星敏感器测量误差参数，将AKF滤波过程量输入到训练好的极限学习机网络，得到姿态参数补偿量，对AKF结果Δqk进行补偿，得到新的误差四元数估计值，具体包括：1)设置不同的星敏感器测量误差参数，进行第三步所述的AKF滤波过程；2)将AKF滤波过程量输入到训练好的ELM中，得到姿态参数补偿量ΔqELM；3)计算新的误差四元数估计值：4)将AKF滤波结果Xk中的误差四元数Δqk用Δqk_new代替；第七步，利用固定区间平滑RTS算法进行平滑处理，具体包括：将计算得到的一步预测值Xk,k-1，一步预测协方差矩阵Pk,k-1，状态转移矩阵Φk,k-1，状态估计值Xk，估计协方差矩阵Pk保存下来；把滤波的最后估计值XN和PN作为RTS平滑的初始值进行平滑解算：Ck＝PkΦkTPk+1-1其中k＝N-1,N-2,…1，第八步，修正姿态四元数与陀螺角速度，得到高精度姿态四元数qk以及陀螺角速度ωk，具体包括：bk＝bk-1-Δbk；ωk＝ωmeas-bk；其中，Δqk为状态估计值中的四元数部分；Δbk为状态估计值中的陀螺常值漂移部分；ωmeas为陀螺量测值。进一步，所述第一步中基于四元数的姿态运动学方程表示如下：其中ω＝[ωx,ωy,ωz]T是卫星的角速度。进一步，所述第二步中星敏感本文档来自技高网...

【技术保护点】
1.一种基于极限学习机网络补偿的卫星高精度联合定姿方法，其特征在于，所述基于极限学习机网络补偿的卫星高精度联合定姿方法包括：首先根据卫星姿态运动学模型和陀螺误差模型构建系统状态方程；根据星敏感器误差模型构建系统量测方程；设置星敏感器测量误差参数，采用AKF模型对姿态参数进行估计；然后根据滤波过程量以及滤波结果构建数据集，随机选取部分数据集作为训练集；搭建极限学习机网络模型，设置其隐含层层数，利用训练集对极限学习机网络进行离线训练，得到网络参数；接着在实时滤波过程，设置不同的星敏感器测量误差参数，将AKF滤波过程量输入到训练好的极限学习机网络，得到姿态参数补偿量，对AKF结果进行补偿；利用固定区间平滑算法进行平滑处理；最后修正姿态四元数和陀螺角速度，得到高精度姿态。

【技术特征摘要】
1.一种基于极限学习机网络补偿的卫星高精度联合定姿方法，其特征在于，所述基于极限学习机网络补偿的卫星高精度联合定姿方法包括：首先根据卫星姿态运动学模型和陀螺误差模型构建系统状态方程；根据星敏感器误差模型构建系统量测方程；设置星敏感器测量误差参数，采用AKF模型对姿态参数进行估计；然后根据滤波过程量以及滤波结果构建数据集，随机选取部分数据集作为训练集；搭建极限学习机网络模型，设置其隐含层层数，利用训练集对极限学习机网络进行离线训练，得到网络参数；接着在实时滤波过程，设置不同的星敏感器测量误差参数，将AKF滤波过程量输入到训练好的极限学习机网络，得到姿态参数补偿量，对AKF结果进行补偿；利用固定区间平滑算法进行平滑处理；最后修正姿态四元数和陀螺角速度，得到高精度姿态。2.如权利要求1所述的基于极限学习机网络补偿的卫星高精度联合定姿方法，其特征在于，所述基于极限学习机网络补偿的卫星高精度联合定姿方法具体包括以下步骤：第一步，根据卫星姿态运动学模型和陀螺误差模型构建系统状态方程：陀螺的误差模型表示如下：ωg＝ω+b+d+ng；其中ωg为陀螺的输出值；ω为陀螺的真实值；b为陀螺的常值漂移噪声，且ηb为白噪声；d为陀螺的随机漂移噪声，Dτ与时间常数有关，ηd为白噪声；ng为测量噪声；构建基于状态X＝[Δq1Δq2Δq3ΔbxΔbyΔbz]T的微分形式的系统状态方程其中，Δq＝[Δq1,Δq2,Δq3]T为误差四元数的矢量部分；Δb＝[ΔbxΔbyΔbz]T为陀螺常值漂移误差；为卫星角速度矢量叉乘；对状态方程进行离散化处理，得到最终的状态方程：Xk＝Φk-1Xk-1+Wk-1；其中，Φk,k-1＝I+F(t-1)Δt+0.5F2(t-1)Δt2；Δt为陀螺的当前时刻减去前一时刻；Wk是系统噪声，服从均值为零向量，协方差矩阵为Qk的高斯分布；第二步，根据星敏感器误差模型构建系统量测方程：滤波器的量测量是指由星敏感器获取的姿态四元数和陀螺测量的姿态四元数二者之间的差值，具体表示为：其中qmeas为星敏感器输出的姿态四元数，qg为陀螺计算输出的四元数；将离散化处理后得到最终的量测方程：Zk＝Hk·Xk+Vk；其中Hk＝[I3×303×3]；Vk是量测噪声，服从均值为零向量，协方差矩阵为Rk的高斯分布；第三步，采用AKF模型对姿态参数进行估计，具体包括：以星敏感器量测值、陀螺量测值、星敏感器测量误差为输入；以估计误差四元数、估计陀螺常值漂移为输出；1)设置初始状态变量X0、初始状态协方差矩阵P0、系统噪声协方差矩阵Q；根据星敏感器测量误差计算初始量测噪声协方差矩阵R0；2)预测k时刻的姿态，得到姿态预测值qk,k-1；3)时间更新，得到k时刻的状态预测Xk,k-1，k时刻的状态协方差矩阵预测Pk,k-1；4)量测更新，计算滤波增益矩阵Kk，更新k时刻状态估计值Xk和状态协方差矩阵Pk，更新量测噪声协方差矩阵第四步，根据滤波过程量以及滤波结果构建ELM网络数据集，选取部分数据集作为训练集，具体包括：ELM网络的输入应该为AKF滤波过程中比较重要的参数；ELM网络的输出为真实姿态四元数和估计姿态四元数之间的差值；按照一定比例划分训练数据集；第五步，搭建极限学习机网络模型，设置其隐含层层数；利用训练集对极限学习机网络进行离线训练，得到网络参数，利用测试集进行测试，若不达精度要求，增加训练数据集比例，反复训练，直...

【专利技术属性】
技术研发人员：宋锐，蒋唯娇，曹锴郎，李娇娇，李云松，王养利，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61