本发明专利技术公开了一种适用于GNSS微弱信号的组合导航数据融合方法，1)采用EMD对GNSS和INS输出的位置、速度进行尺度分解，并重构差分序列作为EKF的量测输入；2)GNSS正常工作时，将速度、姿态角以及更新周期内的速度变化、角速度变化作为PSO-ELM模型输入变量，EKF输出位置误差作为期望输出，此时INS校正量为EKF滤波器输出；卫星导航失效时，以惯性测量单元输出速度、角速度变化量及INS输出的姿态、速度为输入变量,通过PSO-ELM模型预测载体当前动态情况下的位置偏差量，并将其用于INS系统位置误差的校正。本发明专利技术能够在于弱信号环境下GNSS失效时，对GNSS/INS系统的输出定位误差进行有效的补偿。
【技术实现步骤摘要】
本专利技术涉及一种适用于GNSS微弱信号的组合导航数据融合方法，属于组合导航 领域。
技术介绍
全球卫星导航系统（GNSS)与惯性导航系统（INS)具有优势互补特性，联立两者构 造的组合导航系统能增强导航系统的定位能力、提高输出数据的更新率。在城市峡谷、地下 以及高动态等复杂定位环境中，可能出现GNSS无法工作进而导致GNSS导航信息缺失的情 况，此时由于INS导航解算过程的误差随时间增加，必须引入外部辅助观测量消除INS的误 差，确保GNSS失效时组合导航系统输出可靠的定位信息。改善量测缺失情况下GNSS/INS 输出精度方法主要包括（1)采用较高精度的惯性器件，提高INS单独工作时的定位输出精 度，并有效延长GNSS失效时导航系统可靠定位的时间；（2)采用建模方法对INS误差模型 进行逼近，并在其单独工作时，将该模型预测输出的误差量用以校正INS输出量测。由于 提高惯性器件的精度需要较高的时间和工艺成本，现有方法多采用神经网络、支持向量机 等人工智能方法对INS误差传播模型进行训练逼近，然而上述大多数情况下存在收敛速度 慢、训练时间长以及模型参数确定繁琐等问题，且没有考虑到弱GNSS信号环境下组合导航 子系统量测噪声的相关性等问题。 针对模型参数确定繁琐问题，许多学者提出了采用遗传、粒子群（PSO)等最优化 方法获取最优参数的方法，然而该类方法与传统的神经网络结合存在寻优时间长的缺点， 再加上模型训练本身的时间消耗，使得其无法用于需要实时更新模型参数的场合。
技术实现思路
本专利技术的技术解决问题是：在于弱信号环境下GNSS失效时，对GNSS/INS系统的输 出定位误差进行有效的补偿。 为了解决上述技术问题不足，本专利技术提供了一种适用于GNSS微弱信号的组合导 航数据融合方法，包括以下步骤： 步骤1，采用经验模态分解EMD分别对GNSS与惯导系统INS解算的GNSS输出位置 Pp INS输出位置？:与GNSS输出速度V p INS输出速度V1进行尺度分解，将两者分解结果在 对应尺度差分并重构得到输出位置差分序列量A P、输出速度差分序列量AV，将得到的输 出位置差分序列量A P、输出速度差分序列量A V作为量测序列输入扩展卡尔曼滤波器EKF 中进行输出位置偏差A Pk、速度偏差A Vk、姿态偏差△ (^的估计； 步骤2,采用粒子群PSO算法优化的极限学习机ELM逼近载体运行过程中惯导系统 导航参数误差； 当k时刻GNSS系统有效时，以惯导系统INS输出的载体速度Vk i、姿态角（K i以 M 及更新周期T = tk-tk 惯性测量单元IMU输出的速度变化量、角速度变化量作 为PSO-ELM模型的输入，以步骤1中扩展卡尔曼滤波器EKF估计的输出位置偏差△ Pk作为 PSO-ELM模型期望输出进行PSO-ELM模型学习训练；将扩展卡尔曼滤波器EKF估计的输出 位置偏差APk、速度偏差AVk、姿态偏差Δ (J)k补偿惯导系统INS导航参数误差，得到惯导 系统INS在k时刻输出的位置Pk+ Δ Pk、速度Vk+ Δ Vk和姿态Φ k+ Δ φ k; k+1时刻GNSS系统失效时，以更新周期tk+1_tkft惯性测量单元IMU输出的角速度 变化量? ?、速度变化量J1 ?以及惯导系统INS在k时刻输出的速度Vk和姿态Φ k作为k时 【X tk- 刻训练好的PSO-ELM模型的输入，进而通过训练好的PSO-ELM模型预测当前的INS位置偏 差APk+1，将位置偏差APk+1补偿此时刻惯导系统INS位置误差，进而得到惯导系统INS在 k+Ι时刻输出的位置Pk+1+APk+1、速度Vk+1和姿态Φ k+1。 所述步骤1中INS输出位置PjP INS输出速度V满EMD分解结果： 其中，ΡΛ INS输出位置，V# INS输出速度，a ；^为INS位置序列的第λ阶模态， 1^为INS速度序列的第λ阶模态，p」ns为对应的位置序列分解的余项，v_i ns为对应的 速度序列分解的余项； GNSS输出位置Pti和GNSS输出速度V 的EMD分解结果： 其中，Ps为GNSS输出位置，Vs为GNSS输出速度，c ；^为GNSS位置序列的第λ阶模 态，dxSGNSS速度序列的第λ阶模态，p_gnss为对应的位置序列分解的余项，v_gnss为 对应速度序列分解的余项； 输出位置重构差分序列量Δ P、输出速度重构差分序列量Δ V为： 其中，Δ P为输出位置重构差分序列量，Δ V为输出速度重构差分序列量，i为信号 重构时选择的输出位置信号主导模态边界索引，j为信号重构时选择的输出速度信号主导 模态边界索引，m为位置序列分解的模态总数，η为速度序列分解的模态总数。 信号重构时选择的输出位置信号主导模态边界索引i，信号重构时选择的输出速 度信号主导模态边界索引j的选择方法如下：如果信号噪声强度强，i，j均为3或者i，j均 为4,否则选择i，j均为2,如果GNSS输出速度或者位置序列与INS输出的速度或者位置序 列分解的模态总数不一致，基于cU的大小分组累加模态得到相同数目的模态分量。 所述EMD分解GNSS输出位置的方法如下： 步骤11，根据GNSS位置数据的采样时刻、位置数据采样值、EMD算法的时间窗长度 得到 GNSS 输出位置序列 P(t)，P(t) = {p(t-N)，p(t-N+l)，*"，p(t-l)}，其中，t 为位置数 据的采样时刻，P (t)为位置数据采样值，N为EMD算法的时间窗长度，进而得到初始化余项 R(t)，R(t) = P (t)，计算R(t)初始概率密度函数F。(g)，其中g为位置数据的可能取值； 步骤12,找出R(t)的所有极值点，用三次样条插值构造 R(t)的上下包络线，并计 算包络均值M (t)，将R (t) -M (t)作为新R (t); 步骤13,判断步骤12中得到的新R(t)是否满足本征模态函数頂F的定义条件，如 果满足，则得到对应阶数的本征模态函数IMF，否则将新R(t)赋值给R(t)并返回步骤12 ; 步骤14,得到1阶本征模态函数頂F后，计算R(t)的概率密度函数序列Fa (g)，其 中λ为本征模态函数頂F序列的索引，根据FJg)与FJg)得到FJg)与FJg)的距离cU， 保存其值并筛选出下1阶IMF，如果存在(1λ = max{d λ丨，(1λ, (1λ+1}，其中max{x}为取序列X 的最大值函数，停止后续的分解过程，记m= λ为本征模态函数頂F总个数，即最终EMD分 解结果为 类似的可以计算出GNSS输出速度Vp INS输出位置PjP INS输出速度V :的EMD 分解结果。 所述PSO-ELM模型的学习训练方法如下： 步骤21，初始化种群规模为S，选择ELM模型输入变量的个数为L，将体现载体运 动状态的速度、姿态以及更新周期内的速度变化、角速度变化作为模型输入，则L = 4,利 用PSO迭代优化ELM模型的输入权值和隐层神经元偏置，所以设每个粒子的长度为D = (L+1) · ζ，其中ζ为隐藏神经元的个数； 步骤22,初始化粒子ζ对应的速度Vz、位置1? ef，其中1彡ζ彡S，为D维实 数空间，采用初始的Pjll练ELM模型，并计算其适应度值f z，1 <本文档来自技高网...
【技术保护点】
一种适用于GNSS微弱信号的组合导航数据融合方法，其特征在于，包括以下步骤：步骤1，采用经验模态分解EMD分别对GNSS与惯导系统INS解算的GNSS输出位置PG、INS输出位置PI与GNSS输出速度VG、INS输出速度VI进行尺度分解，将两者分解结果在对应尺度差分并重构得到输出位置差分序列量ΔP、输出速度差分序列量ΔV，将得到的输出位置差分序列量ΔP、输出速度差分序列量ΔV作为量测序列输入扩展卡尔曼滤波器EKF中进行输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk的估计；步骤2，采用粒子群PSO算法优化的极限学习机ELM逼近载体运行过程中惯导系统导航参数误差；当k时刻GNSS系统有效时，以惯导系统INS输出的载体速度Vk‑1、姿态角φk‑1以及更新周期T＝tk‑tk‑1内惯性测量单元IMU输出的速度变化量角速度变化量作为PSO‑ELM模型的输入，以步骤1中扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk作为PSO‑ELM模型期望输出进行PSO‑ELM模型学习训练；将扩展卡尔曼滤波器EKF估计的输出位置偏差ΔPk、速度偏差ΔVk、姿态偏差Δφk补偿惯导系统INS导航参数误差，得到惯导系统INS在k时刻输出的位置Pk+ΔPk、速度Vk+ΔVk和姿态φk+Δφk；k+1时刻GNSS系统失效时，以更新周期tk+1‑tk内惯性测量单元IMU输出的角速度变化量速度变化量以及惯导系统INS在k时刻输出的速度Vk和姿态φk作为k时刻训练好的PSO‑ELM模型的输入，进而通过训练好的PSO‑ELM模型预测当前的INS位置偏差ΔPk+1，将位置偏差ΔPk+1补偿此时刻惯导系统INS位置误差，进而得到惯导系统INS在k+1时刻输出的位置Pk+1+ΔPk+1、速度Vk+1和姿态...
【技术特征摘要】
【专利技术属性】
技术研发人员：陈熙源，崔冰波，宋锐，杨阳，方琳，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。