【技术实现步骤摘要】
基于集成神经网络的GNSS/INS组合导航系统故障检测方法
[0001]本专利技术涉及组合导航
,尤其涉及一种基于集成神经网络的GNSS/INS组合导航系统故障检测方法。
技术介绍
[0002]随着由于GNSS/INS组合导航系统在性能,精度,抗干扰,可靠性等方面具有良好的表现,在很多领域都得到了广泛的使用。其中,全球卫星导航系统(Global Navigation Satellite System,GNSS)作为卫星导航的一种,误差影响因素较多。虽然其中部分误差(如电离层、对流层、卫星时钟误差等)可以通过建模消除,但依然不排除受其他各种因素的影响而产生的建模未包括到的非正常偏差。当这类偏差出现时,会让导航精度大幅下降,影响整个系统的导航性能。因此,对组合导航系统进行故障检验并及时排除故障数据是十分必要的一项任务。
[0003]近年来,数据驱动技术开始出现并且得到了广泛的关注,而这些方法根据从导航子系统得到的大量测量数据直接建立故障检测方案, 且不需要任何关于系统的先验知识。此类独立于模型之外的一些预测方法(如支持向量机(Support Vector Machine,SVM)、神经网络(Neural Network,NN)等)开始在领域中被应用。其中,SVM计算复杂度相对较低,但其难以应付大规模训练样本,且解决多分类问题时存在困难。神经网络在故障数据的训练中存在样本严重分布不均的问题,从而影响训练结果,且故障检测的准确性也有待提高。
[0004]因此,需要一种能够解决数据严重不平衡问题,且对缓变 ...
【技术保护点】
【技术特征摘要】
1.一种基于集成神经网络的GNSS/INS组合导航系统故障检测方法,其特征在于,包括:步骤S1、构建1D
‑
CNN网络,利用建立的训练数据进行分类训练,使1D
‑
CNN网络能够对组合导航系统的缓变故障进行检测;步骤S2、构建VAE
‑
LSTM网络,利用建立的训练数据进行无监督训练,使VAE
‑
LSTM网络能够对组合导航系统的突变故障进行检测;步骤S3、采用基于1D
‑
CNN和VAE
‑
LSTM网络并行的方式进行组合导航系统的故障检测,将1D
‑
CNN和VAE
‑
LSTM网络的检测结果进行融合,得出最终的故障判定结果。2.根据权利要求1所述的基于集成神经网络的GNSS/INS组合导航系统故障检测方法,其特征在于,所述1D
‑
CNN网络和VAE
‑
LSTM网络训练的训练数据,均来自于GNSS/INS组合导航系统的卡尔曼滤波的新息数据中的伪距数据;其中,1D
‑
CNN网络的训练数据中包括两类样本,一类是标签为“0”的正常样本,另一类是标签为“1”的存在故障的异常样本;VAE
‑
LSTM网络的训练数据中只包括正常样本。3.根据权利要求2所述的基于集成神经网络的GNSS/INS组合导航系统故障检测方法,其特征在于,在GNSS/INS组合导航系统的卡尔曼滤波过程中获得的新息数据为:;其中,为观测量,;、分别为INS推算的伪距、伪距率;、分别为GNSS单颗卫星推算的伪距、伪距率;为系统的观测矩阵;为组合导航系统的状态一步预测值;取一段时间连续长度为的新息序列构成向量;再提取向量的第一行构成训练神经网络的样本数据:。4.根据权利要求3所述的基于集成神经网络的GNSS/INS组合导航系统故障检测方法,其特征在于,对于1D
‑
CNN网络分类训练中,每次将N个训练样本一起输入至神经网络进行训练,用于提高训练效率;N个训练样本中包括标签为“0”的正常样本和标签为“1”的存在故障的异常样本的两类样本;对于每个样本,1D
‑
CNN网络的输出为每个数据标签为“1”的概率和标签为“0”的概率;1D
‑
CNN网络的损失函数为:;其中,为调节参数,;
,;表达式、中的均为第个训练样本的真实标签;为真实标签为“1”时网络输出的数据;根据网络的损失函数反向传播并更新网络参数得到的最优参数:。5.根据权利要求2所述的基于集成神经网络的GNSS/INS组合导航系统故障检测方法,其特征在于,VAE
‑
LSTM网络的训练过程包括:1)利用正常样本数据对VAE网络进行无监督学习,训练VAE网络,使VAE网络能够得到服从编码器Encoder编码后数据特征的分布的还原样本;2)在训练好VAE后,利用VAE的编码器Encoder编码后的数据特征进行LSTM网络的无监督学习,训练LSTM网络,...
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。