【技术实现步骤摘要】
本专利技术涉及组合导航，尤其涉及一种基于多层感知机神经网络的组合导航辅助方法及系统。
技术介绍
1、在组合导航系统中，松组合与紧组合是利用接收机对惯导进行辅助，使惯导误差得到校正，避免传感器误差随时间累积，但对全球定位导航卫星系统(global navigationsatellite system,gnss)信号处理没有帮助，因此无法提高观测值质量，也无法提高接收机定位测速精度。
2、相比于上述两种组合导航方式，深组合系统一方面可校正惯导的误差；另一方面可将惯导估计的载体动态辅助跟踪环路，改善接收机信号处理能力。但是，由于隧道、高架等遮挡地带的影响，致使gps信号丢失或质量变差，无法为卡尔曼滤波提供有效观测信息。此时，组合导航退化为纯惯性导航推算，导航误差随着时间推移开始发散，导致解算精度迅速下降。神经网络作为近几年火热的技术，已有许多结合神经网络与ins/gps的研究，使用了人工智能的方法来辅助组合导航，抑制gnss信号失锁后的惯导发散。
3、特别地，长时间的高楼、树荫等遮挡容易致使gps信号失锁。当gps信号丢失时，ins/gps深组合导航系统仅能依靠纯惯性导航进行机械编排，定位结果会随着时间的积累发散。
技术实现思路
1、本专利技术提供一种基于多层感知机神经网络的组合导航辅助方法及系统，用以解决现有技术中弱信号场景下载波相位精度差、跟踪不连续及复杂城市环境下gps信号失锁等的缺陷。
2、第一方面，本专利技术提供一种基于多层感知机神经网络的组
3、采用mlpmn辅助深组合导航方法，对gps信号进行辅助补偿预测，得到预测位置信息；
4、采用多源深组合动态自适应环路跟踪控制方法，根据信号衰弱情况或恢复情况，对接收机通道跟踪环的断开以及恢复进行控制。
5、根据本专利技术提供的一种基于多层感知机神经网络的组合导航辅助方法，所述mlpmn采用多层感知器前馈神经网络架构，所述多层感知器前馈神经网络架构包括输入层、中间隐含层和输出层；
6、所述中间隐含层的神经元激活函数采用relu非线性激活函数，所述多层感知器前馈神经网络架构利用误差反向传播算法更新每个神经元的权重和偏置：
7、
8、
9、
10、ωhj＝ωhj+δωhj
11、bh＝bh+δbh
12、其中，表示网络输出层第j个神经元的输出值，表示对应的标签值，ek表示第k组训练样例的均方误差，α表示学习率，ωhj表示第j层隐含层中的第h个隐单元的权重，bh表示第h个隐单元的偏置项，δωhj表示第j层隐含层中的第h个隐单元的权重变化量，δbh表示第h个隐单元的偏置项变化量。
13、根据本专利技术提供的一种基于多层感知机神经网络的组合导航辅助方法，采用mlpmn辅助深组合导航方法，对全球定位系统gps信号进行辅助补偿预测，得到预测位置信息，包括：
14、若确认gps信号为有效状态，则系统工作在训练模式；
15、若确认gps信号为失效状态，则系统切换至预测模式，采用mlpnn作为辅助，得到所述预测位置信息，并构建卡尔曼滤波输入状态向量，使深组合导航不间断进行，对纯惯性导航解算结果误差进行抑制。
16、根据本专利技术提供的一种基于多层感知机神经网络的组合导航辅助方法，若确认gps信号为有效状态，则系统工作在训练模式，包括：
17、采用当前时刻t下gps位置pgps(t)相对于前一时刻t-1下gps位置pgps(t-1)的位置增量δp(t)来对网络进行训练：
18、δp(t)＝pgps(t)-pgps(t-1)。
19、根据本专利技术提供的一种基于多层感知机神经网络的组合导航辅助方法，若确认gps信号为失效状态，则系统切换至预测模式，采用mlpnn作为辅助，得到所述预测位置信息，并构建卡尔曼滤波输入状态向量，使深组合导航不间断进行，对纯惯性导航解算结果误差进行抑制，包括：
20、将由mems的测量值ins解算出的载体速度vins(t)以及姿态输入mlpnn，得到预测位置增量∫δp，根据ins差分方程得到载体位置增量δpn由时间的二次积分得到：
21、
22、
23、
24、其中，vn表示载体的速度，gn表示当地的重力项，表示地球自转角速度在导航坐标系下的投影；
25、将每个时刻的位置增量进行累加后得到所述预测位置信息pgps(t)和pins(t)，构建卡尔曼滤波输入状态向量，得到校准输出结果。
26、根据本专利技术提供的一种基于多层感知机神经网络的组合导航辅助方法，采用多源深组合动态自适应环路跟踪控制方法，根据信号衰弱情况或恢复情况，对接收机通道跟踪环的断开以及恢复进行控制，包括：
27、采用snr-fft估计信号能量法，获取所述信号衰弱情况或恢复情况；
28、确定所述接收机通道跟踪环工作在普通跟踪模式下，利用接收机定位结果对惯导进行初始化；
29、待惯导完成初始化，计算惯导辅助的多普勒与环路滤波器输出多普勒的偏差；
30、若所述偏差持续小于辅助门限时，开启多普勒辅助跟踪模式。
31、根据本专利技术提供的一种基于多层感知机神经网络的组合导航辅助方法，所述多普勒辅助跟踪模式，包括：
32、在动态强信号条件下采用比当前环路带宽更窄的环路带宽对载波相位进行跟踪；
33、在动态弱信号条件下采用比当前积分时间更长的积分时间，以及比当前载波nco更新率更慢的载波nco更新率，对载波频率进行跟踪；
34、在遮挡条件下，对接收机动态进行估计，重构各个卫星跟踪通道载波频率或相位，实现短时间遮挡时的开环跟踪。
35、第二方面，本专利技术还提供一种基于多层感知机神经网络的组合导航辅助系统，包括：
36、辅助补偿模块，用于采用mlpmn辅助深组合导航方法，对gps信号进行辅助补偿预测，得到预测位置信息；
37、自适应跟踪控制模块，用于采用多源深组合动态自适应环路跟踪控制方法，根据信号衰弱情况或恢复情况，对接收机通道跟踪环的断开以及恢复进行控制。
38、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多层感知机神经网络的组合导航辅助方法。
39、第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多层感知机神经网络的组合导航辅助方法。
40、本专利技术提供的基于多层感知机神经网络的组合导航辅助方法及系统，通过采用多层感知机神经网络辅助深组合导航技术，实现深组合导航不间断进行，有效抑制纯惯性导航解算结果误差的快速发散，提高导航定位的精度。
本文档来自技高网...【技术保护点】
1.一种基于多层感知机神经网络的组合导航辅助方法，其特征在于，包括：
2.根据权利要求1所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，所述MLPMN采用多层感知器前馈神经网络架构，所述多层感知器前馈神经网络架构包括输入层、中间隐含层和输出层；
3.根据权利要求1所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，采用MLPMN辅助深组合导航方法，对全球定位系统GPS信号进行辅助补偿预测，得到预测位置信息，包括：
4.根据权利要求3所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，若确认GPS信号为有效状态，则系统工作在训练模式，包括：
5.根据权利要求3所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，若确认GPS信号为失效状态，则系统切换至预测模式，采用MLPNN作为辅助，得到所述预测位置信息，并构建卡尔曼滤波输入状态向量，使深组合导航不间断进行，对纯惯性导航解算结果误差进行抑制，包括：
6.根据权利要求1所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，采用多源深组
7.根据权利要求6所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，所述多普勒辅助跟踪模式，包括：
8.一种基于多层感知机神经网络的组合导航辅助系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于多层感知机神经网络的组合导航辅助方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多层感知机神经网络的组合导航辅助方法。
...【技术特征摘要】
1.一种基于多层感知机神经网络的组合导航辅助方法，其特征在于，包括：
2.根据权利要求1所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，所述mlpmn采用多层感知器前馈神经网络架构，所述多层感知器前馈神经网络架构包括输入层、中间隐含层和输出层；
3.根据权利要求1所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，采用mlpmn辅助深组合导航方法，对全球定位系统gps信号进行辅助补偿预测，得到预测位置信息，包括：
4.根据权利要求3所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，若确认gps信号为有效状态，则系统工作在训练模式，包括：
5.根据权利要求3所述的基于多层感知机神经网络的组合导航辅助方法，其特征在于，若确认gps信号为失效状态，则系统切换至预测模式，采用mlpnn作为辅助，得到所述预测位置信息，并构建卡尔曼滤波输入状态向量，使深组合导航不间断进行，对...
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。