一种智能化机载导弹动基座对准及标定方法技术

本发明专利技术涉及一种智能化机载导弹动基座对准及标定方法，其特征是针对在动基座条件下捷联惯性导航系统模型的时变性特点，给出了一种适用于动基座对准和标定的神经网络输入输出样本构造方法，同时，为了解决导弹悬挂在机翼下与自由飞行时子惯导系统量测信息不一致问题，通过在神经网络训练前首先进行主子惯导之间误差角的估计及补偿，从而使网络训练样本可真实的模拟导弹实际自由飞行时的状态。本发明专利技术具有快速性及智能化的优点，可用于提高机载、舰载及车载导弹武器的导航精度。

【技术实现步骤摘要】

本专利技术涉及，可用于提高机载、舰载及车载导弹武器的导航精度。技术背景 初始对准误差是惯性导航系统(INS)的主要误差源之一，初始对准精度和速度直 接关系到武器系统的打击命中精度及快速反应能力。通常，卡尔曼滤波用于解决INS的初 始对准问题，它可以从被噪声污染的观测值中估计出系统的状态值。然而由于卡尔曼滤波 器的运算时间与系统阶次的三次方成正比，所以当系统阶次较高时，滤波器的实时性就很 难保证。虽然采用分布式卡尔曼滤波器可以提高滤波的实时性，但其代数结构复杂，且对系 统构成有所限制。 考虑到神经网络具有自学习功能和可以逼近任何非线性函数的能力，以及神经网 络处理数据的快速性和并行性特点。因此，人们希望利用神经网络代替卡尔曼滤波器的功 能，以提高INS对准过程的实时性及智能化。近年来，研究人员在此方面进行了相应的研 究工作，利用不同的神经网络算法代替卡尔曼滤波器，以实现INS静基座初始对准的实时 性问题。然而，到目前为止，涉及研究如何利用神经网络实现动基座对准问题的文献却极 少。这是由于在静基座对准时，INS可以看作为定常系统，而BP等神经网络实际上是静态 网络，它所能完成的功能只是从一个空间到另一个空间的映射。因此，神经网络用预先取得 的卡尔曼滤波估值及相应的观测值进行训练，当网络输出与样本值间的误差在允许范围之 内时，就可以用此神经网络独立对系统进行精确估值并补偿，从而达到INS在静基座条件 下的快速对准及标定的目的。但在动基座条件下，由于这时位置、速度、姿态等导航参数都 将随时间变化，系统模型是时变的。这时如果直接利用卡尔曼滤波的测量值和滤波结果作 为输入输出样本来训练神经网络，由于导弹随载机飞行网络训练所用样本与导弹自由飞行 时实际应用样本之间不一致，因此基于静基座对准及标定条件构造及训练的网络将无法应 用于动基座情况。
技术实现思路
本专利技术的技术解决问题是克服现有技术的不足，提供一种智能化机载导弹动基 座对准及标定方法，该方法提高了机载导弹武器INS动基座初始对准和标定的速度，并具 有智能化的特点。 本专利技术的技术解决方案为，其特点 在于包括下列步骤 (1)根据分析主惯导和子惯导之间的安装误差角、弹性变形角和弹性变形角速率 误差特性，建立主惯导和子惯导之间误差的系统状态方程和量测方程； (2)在构造神经网络输入输出样本时，选择将弹载子惯导陀螺仪和加速度计的输 出值作为输入样本，机载主惯导陀螺仪和加速度计的输出值与输入样本之间的差值作为输出样本，训练神经网络； (3)在导弹的自由飞行阶段，将弹载子惯导的陀螺仪和加速度计的测量值实时输 入神经网络滤波器，通过神经网络滤波器进行对准和标定后能够消除陀螺仪和加速度计测 量值中由确定性误差和失准角引起的测量误差； (4)最后将校正后的陀螺仪和加速度计的测量值送入导航计算机，完成导航参数 的解算。 所述步骤(1)中建立的主惯导和子惯导之间误差状态方程为-0000000000中y000000000甲y0中z000000000甲z0000000100《0《=000000010+0《000000001《0《000-A200_2凡00《0000-A200-2^0《《—00000-A200-W 、 9e y， e z和《，《,《分别为主、子惯导之间安装误差角、弹性13 i = 2. 146/ t i (i = x， y， z) ， t i为相应轴向的弹性变 -定方差的白噪声。!U方程为 =-1 00 0—100 0一l其中，W , W变形角和弹性变形角速率的分量形相关时间，PX，Py， P,为具有 上述的建立的主惯导和子惯导之间误差源的量 Z = HX+V 其中，观测矩阵—0 《-《 Q 《-《-《 G 《-《 G 《 _《-《 0 《-《 0V= T为零均值的白噪声。所述的步骤(2)构造的神经网络输入输出样本方法为一种适用于动基座对准和标定的神经网络样本构造方法，该方法的具体步骤为 (1)首先根据建立的主惯用导和子惯导之间误差状态方程和量测方程，利用卡尔 曼滤波器估计出安装误差角#、弹性变形角》和弹性变形角速率^; (2)根据估计出的安装误差角令和弹性变形角g构造主惯用导和子惯导之间的转 换矩阵a ; (3)根据估计的弹性变形角速率二将其从陀螺仪的测量值"ibs去掉，得到补偿后 的子惯导陀螺仪的测量值"ibte ; (4)主惯导和子惯导安装距离r已知，利用主惯导陀螺仪的输出值"^，可求出杆 臂效应误差;然后，进一步对子惯导加速度计的测量值fbs进行杆臂效应误差补偿，得到 补偿后子惯导加速度计的测量值fbte ; (5)通过对子惯导陀螺仪和加速度计输出值进行补偿，再利用"ibte， fbte作为输入样本，主惯导陀螺仪和加速度计的输出值"ibm、C与神经网络输入样本"ibtr、fbtr之间的差 值S "， Sf作为输出样本，对神经网络滤波器进行训练。 本专利技术的原理是由于在动基座条件下，这时机载导弹子惯导系统的位置、速度、 姿态等参数都将随时间变化，系统模型是时变的。因此，如果使用同静基座对准及标定时神 经网络样本对的构造办法，利用预先取得的卡尔曼滤波估值及相应的观测值进行神经网络 训练，但当网络训练好后，实际应用时所采集的样本已发生变化，训练的网络将无法应用。 因此，在构造动基座对准的神经网络输入输出样本时，需要使用一种不同于静基座的构造 办法。 通过分析可以发现，无论导弹随载机飞行还是导弹自由飞行阶段，虽然位置、速 度、姿态等导航参数随时间变化，但子惯导陀螺仪和加速度计的特性是不变的。因此，在构 造神经网络输入输出样本时，选择将弹载子惯导陀螺仪和加速度计的输出值作为输入样 本，机载主惯导陀螺仪和加速度计的输出值与输入样本之间的差值作为输出样本，训练神 经网络。而在具体构造输入样本时，考虑到导弹悬挂在载机机翼处时，输入样本中包含着由 安装误差、杆臂效应误差和弹性变形误差引起的测量误差，这与导弹自由飞行时子惯导陀 螺仪和加速度计的感测量还不一致。为解决这一问题，可根据主_子惯导之间的安装误差 角、弹性变形角和弹性变形角速率的误差模型，采用主、子惯导陀螺仪输出值之差作为观测 量，由卡尔曼滤波器首先估计出弹载子惯导的安装误差角及弹性变形角速率，并根据杆臂 长度和主惯导陀螺仪的输出值计算杆臂效应误差。然后根据主、子惯导陀螺仪和加速度计 输出值之间的转换关系，补偿弹载子惯导陀螺仪和加速度计测量值中的相应误差，这时得 到的训练输入样本能够真实的模拟导弹自由飞行时的情况。在导弹发射后的自由飞行段， 将弹载子惯导的陀螺仪和加速度计的测量值实时输入神经网络滤波器，通过神经网络滤波 器进行对准和标定后能够消除陀螺仪和加速度计测量值中由确定性误差(刻度因数、零偏 等)和失准角引起的测量误差。最后将校正后的陀螺仪和加速度计的测量值送入导航计算 机，完成导航参数的解算。 本专利技术与现有技术相比的优点在于本专利技术利用无论导弹随载机飞行还是导弹 自由飞行阶段，虽然位置、速度、姿态等导航参数随时间变化，但子惯导陀螺仪和加速度计 的特性不变的特点，作为构造神经网络的出发点；根据主-子惯导之间的误差模型，采用 主_子惯导陀螺仪输出值之差作为观测量，由卡尔曼滤波器首先估计出弹载子惯导的本文档来自技高网...

【技术保护点】
一种智能化机载导弹动基座对准及标定方法，其特征在于步骤如下：（１）根据主惯导和子惯导之间的安装误差角、弹性变形角和弹性变形角速率误差特性，建立主惯导和子惯导之间误差的系统状态方程和量测方程；（２）在构造神经网络输入输出样本时，选择将弹载子惯导陀螺仪和加速度计的输出值作为输入样本，机载主惯导陀螺仪和加速度计的输出值与输入样本之间的差值作为输出样本，训练神经网络；（３）在导弹的自由飞行阶段，将弹载子惯导的陀螺仪和加速度计的测量值实时输入神经网络滤波器，通过神经网络滤波器进行对准和标定后能够消除陀螺仪和加速度计测量值中由确定性误差和失准角引起的测量误差；（４）最后将校正后的陀螺仪和加速度计的测量值送入导航计算机，完成导航参数的解算。

【技术特征摘要】

【专利技术属性】
技术研发人员：王新龙，郭隆华，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]