利用神经网络算法补偿和修正的GPS INS组合导航方法及系统技术方案

本发明专利技术公开一种利用神经网络算法补偿和修正的GPSINS组合导航方法及系统：构建基于GPS与惯性导航模块的组合导航模型，设计Kalman滤波器对组合导航模型的组合导航数据进行滤波，输出惯性导航模块的导航误差数据；在GPS信号正常状态下，惯性导航数据作为神经网络模型的训练样本的输入数据，Kalman滤波器对导航数据滤波后的输出数据作为神经网络模块的训练样本的输出数据，对神经网络模型进行训练；在GPS信号丢失状态下，持续利用训练好的神经网络模型来预测惯性导航模块的输出误差，并用该预测的输出误差对惯性导航进行补偿和修正。本发明专利技术利用神经网络算法补偿和修正GPSINS组合导航模型，实现GPS信号丢失情况下，惯性导航系统在神经网络算法的辅助下输出精确的导航数据。

GPS INS integrated navigation method and system compensating and correcting by using neural network algorithm

The invention discloses a GPSINS navigation method using neural network algorithm and correction and compensation system: to construct the integrated navigation model GPS and inertial navigation module based on Kalman filter design integrated navigation data of the navigation model filtering inertial navigation navigation error data output module; the GPS signal in the normal state, inertial navigation the data as input data of the neural network model of training samples, the Kalman filter on the output data of the navigation data after filtering as the output data of neural network module of training samples, the neural network model was trained in GPS; the loss of signal condition, the output error sustained by the trained neural network model to predict the inertial navigation module. The inertial navigation is compensated and corrected by the output error of the forecast. The invention uses the neural network algorithm to compensate and correct the GPSINS integrated navigation model and realizes the loss of the GPS signal, and the inertial navigation system outputs accurate navigation data with the assistance of the neural network algorithm.

【技术实现步骤摘要】
利用神经网络算法补偿和修正的GPSINS组合导航方法及系统
本专利技术涉及卫星导航和惯性导航领域，具体涉及一种利用神经网络算法对无人机GPS信号丢失情况下的组合导航进行补偿校正的方法及系统。
技术介绍
在导航技术方面，目前应用得最多，最成熟的导航方式有惯性导航和卫星导航。GPS卫星导航的优点是具有全球性、全天候、长时间定位精度高的特点，但缺点是信号易受干扰和遮挡，在强电磁环境下和有高楼遮挡时，信号质量变差，并且其输出频率有限，一般为1—10Hz，输出不连续，在需要快速更新信息的场合，如机动性和实时性要求较高的无人机系统上，GPS卫星导航的缺点便凸显出来。而INS惯性导航系统是一种全自主式的导航方式，因此具有很强的隐蔽性和抗干扰的能力，并且输出信息连续，短时间内定位精度高。但由于微机电惯性导航系统(MEMSinertialnavigationsystem,MEMS-INS)器件自身的特点，陀螺仪和加速度计有初始零偏、随机漂移等误差，随着时间的累计作用，其误差越来越大，长时间定位精度较差，最终无法准确反映无人机的姿态和位置信息。通常的做法是将卫星导航与惯性导航信号经过kalman滤波将两本文档来自技高网...

【技术保护点】
一种利用神经网络算法补偿和修正的GPS INS组合导航方法，其特征在于，包括步骤如下：步骤S1,构建基于GPS与惯性导航模块的组合导航模型，设计Kalman滤波器对所述组合导航模型的组合导航数据进行Kalman滤波，输出惯性导航模块的导航误差数据；所述组合导航数据包括惯性导航模块输出的包括载体位置与速度的惯性导航数据、GPS输出的包括载体位置与速度的卫星导航数据；步骤S2，在GPS信号正常状态下，惯性导航数据作为神经网络模型的训练样本的输入数据，Kalman滤波器对导航数据滤波后的输出数据作为神经网络模块的训练样本的输出数据，对神经网络模型进行训练；步骤S3，在GPS信号丢失状态下，持续利用训...

【技术特征摘要】
1.一种利用神经网络算法补偿和修正的GPSINS组合导航方法，其特征在于，包括步骤如下：步骤S1,构建基于GPS与惯性导航模块的组合导航模型，设计Kalman滤波器对所述组合导航模型的组合导航数据进行Kalman滤波，输出惯性导航模块的导航误差数据；所述组合导航数据包括惯性导航模块输出的包括载体位置与速度的惯性导航数据、GPS输出的包括载体位置与速度的卫星导航数据；步骤S2，在GPS信号正常状态下，惯性导航数据作为神经网络模型的训练样本的输入数据，Kalman滤波器对导航数据滤波后的输出数据作为神经网络模块的训练样本的输出数据，对神经网络模型进行训练；步骤S3，在GPS信号丢失状态下，持续利用训练好的神经网络模型来预测惯性导航模块的输出误差，并用该预测的输出误差对惯性导航进行补偿和修正。2.根据权利要求1所述的利用神经网络算法补偿和修正的GPSINS组合导航方法，其特征在于，步骤S2所述神经网络模型包括输入层、隐含层、输出层和连接层，所述输入层向隐含层输入样本数据，所述隐含层向输出层传输样本数据的权值信息，所述连接层将隐含层输出权值信息传递到输入层，以更新隐含层收到的样本数据；所述对神经网络模块的训练是通过连接层的循环次数设置。3.根据权利要求2所述的利用神经网络算法补偿和修正的GPSINS组合导航方法，其特征在于，所述神经网络模块的训练步骤如下：步骤S21,随机初始化权值矩阵W1,W2,W3；所述权值矩阵W1存储了输入层到隐含层的权值信息；所述权值矩阵W2存储了隐含层到输出层的权值信息，其为m×n的矩阵；所述权值矩阵W3存储了连接层到隐含层的权值信息，其为n×n的矩阵；步骤S22,向神经网络模块的输入层输入样本数据为3×1向量P，根据样本数据更新输入层的输出向量netI(k)＝P(k)，其中P(k)是第k时刻连接层传递的输入层输入样本数据的向量P；步骤S23，更新隐含层的输出向量：neth(k)＝tansig(W1(k)*netI(k)+W3(k)*netc(k-1))，其中neth(k)是第k时刻连接层传递的隐含层的输出向量，netI(k)是输入层更新后的输出向量，netc(k-1)是连接层在第k-1时刻连接层传递的输出向量；步骤S24,根据公式：netc(k)＝tansig(neth(k)+α*netc(k-1))更新连接层的输出向量netc(k)，其中α为用来对上一时刻的连接层的输出数据进行记忆的记忆系数；步骤S25，根据公式：neto(k)＝purelin(W2*neth(k))更新输出层的输出向量neto(k)；步骤S26，计算输出层的误差方程：E＝∑[neto(k)-d(k)]2，其中d(k)是训练样本中的期望值，用来在训练阶段对权值进行修正；步骤S27，更新权值向量：其中i为1、2或3，η是学习率，一般为0至1之间的数值。4.根据权利要求3所述的利用神经网络算法补偿和修正的GPSINS组合导航方法，其特征在于，所述基于GPS与惯性导航模块的组合导航模型的状态方程和观测方程分别为：其中XI表示导航系统的...

【专利技术属性】
技术研发人员：郑武略，尚涛，张富春，张蔓，翁珠奋，焦炯，焦海龙，赵付亮，赵雪峰，金钊，梁伟昕，林翔，宋丹，马智，梁超，刘延超，李如凰，贾培亮，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司广州局，
类型：发明
国别省市：广东,44