一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法技术

本发明专利技术公开了一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，以惯性和GNSS紧组合导航系统模型为基础，针对GNSS信号失锁时的紧组合导航问题，动态Elman神经网络预测模型，来对惯导的误差模型和GNSS的补偿模型进行学习；当GNSS信号缺失时，利用训练好的神经网络预测出GNSS的输出误差并补偿惯导的输出，使误差不会急剧发散，让系统继续进行组合导航。最后利用设计的低成本下的紧组合导航模块进行实地测量，将采集的信息进行预处理，组成训练神经网络的样本数据对Elman神经网络模型进行训练。本算法能在GNSS信号缺失100s的情况进行预测，使系统仍然能进行紧组合导航。

Elman neural network assisted tight integrated navigation method when GNSS signal is blocked

The invention discloses an Elman neural network assisted tight integrated navigation method when the GNSS signal is blocked. Based on the model of inertial and GNSS tight integrated navigation system, aiming at the problem of tight integrated navigation when the GNSS signal is unlocked, the dynamic Elman neural network prediction model is used to learn the error model of inertial navigation and the compensation model of GNSS; when the GNSS signal is missing, the trained neural network is used The output error of GNSS is predicted by the network, and the output of INS is compensated, so that the error will not diverge sharply, and the system can continue the integrated navigation. Finally, using the designed tight integrated navigation module for field measurement, the collected information is preprocessed, and the sample data of the training neural network is used to train the Elman neural network model. This algorithm can predict the situation of GNSS signal missing for 100s, so that the system can still carry out tight integrated navigation.

【技术实现步骤摘要】
一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法
本专利技术涉及一种紧组合导航方法，特别是一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，属于导航

技术介绍
惯导系统可以全面自主的提供的导航信息，但在低成本设备下，惯导系统其误差会随着时间不断积累。GNSS的定位范围广、精度高，其缺点是容易发生信号遮挡及干扰。因此惯导和GNSS特征具有互补性，将惯导和GNSS进行紧组合能够充分发挥这两个系统的优点。紧组合还能提高导航系统的精度与可靠性。但对于紧组合导航系统来说，当有遮挡或干扰等原因导致卫星信号短时间不可用时，系统只能工作在纯惯性导航的方式下，此时的导航精度决定于惯导器件精度和GNSS失效前一时刻紧组合导航的精度。由于低成本惯导系统误差随时间积累且得不到校正，导航精度将会迅速降低甚至完全不可用。紧组合导航系统在GNSS失效时精度快速降低的主要因为缺乏外部观测的辅助条件下，先验来确定的惯导误差模型难以符合实际的情况。假如得到了当前时刻惯导的准确的误差模型，即便在GNSS信号受阻时，亦可使用此模型来计算惯导系统的本文档来自技高网...

【技术保护点】
1.一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于，包括以下步骤：/n步骤1：构建Elman神经网络模型并选择Elman神经网络隐藏层传递函数；/n步骤2：设计Elman学习算法；/n步骤3：构建紧组合卡尔曼滤波数学模型；/n步骤4：当GNSS信号可用时，神经网络处于训练模式，将惯导系统输出的三维位置信息作为步骤2得到的神经网络训练的输入样本；将经过步骤3中卡尔曼滤波数学模型器融合后输出的惯导误差补偿值作为网络训练的期望输出样本，带入步骤2得到的Elman神经网络进行训练，当Elman神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用步骤2中的Elman...

【技术特征摘要】
1.一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于，包括以下步骤：
步骤1：构建Elman神经网络模型并选择Elman神经网络隐藏层传递函数；
步骤2：设计Elman学习算法；
步骤3：构建紧组合卡尔曼滤波数学模型；
步骤4：当GNSS信号可用时，神经网络处于训练模式，将惯导系统输出的三维位置信息作为步骤2得到的神经网络训练的输入样本；将经过步骤3中卡尔曼滤波数学模型器融合后输出的惯导误差补偿值作为网络训练的期望输出样本，带入步骤2得到的Elman神经网络进行训练，当Elman神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用步骤2中的Elman神经网络算法得到网络权值的更新值，直至网络的实际输出与期望的输出之间的误差小于设定的阈值；
步骤5：当GNSS信号缺失时，神经网络进入预测模式，以惯导系统输出的导航位置信息作为步骤4训练后的网络的输入，利用步骤4训练后的神经网络模型预测出惯导系统的误差值，利用该误差值修正惯导的导航输出，得到修正后的导航信息。


2.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：
Elman神经网络包括输入层、隐藏层、连接层与输出层，Elman神经网络的数学模型为：
xh(k)＝f(W1P(k)+W3x(k))
xc(k)＝αxh(k-1)
y(k)＝g(W2x(k))
式中向量P(k)表示Elman神经网络在k时间的输入向量，隐藏层的神经元在k时间下输出向量用xh(k)表示，xc(k)表示连接层在k时间的输出向量，y(k)表示整个网络输出层在k时间下的输出向量，W1,W2,W3分别是输入层到隐藏层，隐藏层到输出层，连接层到隐藏层的之间的连接权值，f(·)与g(·)分別是隐藏层和输出层的传递函数，α为连接反馈增益因子。


3.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤1所述Elman神经网络隐藏层传递函数为S型正切函数。


4.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤2具体为：
Elman神经网络计算过程分如下两步：工作信号的正向传播过程与误差反向传播，工作信号正向传播过程的计算过程和Elman神经网络数学模型一致，计算出网络输出的信号y(k)；
误差反向传播具体为：假设k时间下网络实际输出为y(k)，同时网络的期望输出响应为yd(k)，则定义网络的误差表达式为：



分别求出误差函数对每个连接权值偏导数，然后将误差函数Ek对隐藏层到输出层的链接权值W2求出偏导可以得到如下式：



式中i表示从第i个隐藏层神经元，为W2权值矩阵的i行，j表示第j个输出层神经元，为W2权值矩阵的j列；
令则

<...

【专利技术属性】
技术研发人员：赵琳，彭子航，丁继成，王坤，柏亚国，张永超，王仁龙，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23