【技术实现步骤摘要】
本专利技术涉及组合导航，尤其涉及一种基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法。
技术介绍
1、随着无人机、自动驾驶等技术的发展，市场对于导航系统的精度和可靠性越来越重视，其中组合导航在精度和可靠性方面取得了很好的成绩，尤其是紧组合导航频繁被应用。在使用过程中，为了进一步保证系统的可靠性、完好性以及定位精度，故障检测和排除必须得到重视。
2、在以往的组合导航故障检测中，主要是模型法进行检测，如残差卡方检验，自主完好性监视外推法等。由于模型本身的局限性，故障识别的准确性和实时性会受到制约。除此之外，还有信号分析法，利用小波变换来区分信号的故障和噪声。但基于信号分析的检测方法系统设计简单，会造成效果不佳，增加辅助模块，又会造成系统复杂，检测时间较长。因此我们需要考虑新的方法，来得到一个系统简单、检测时间短并且检测精度高的方法。
3、随着数据驱动技术的发展，利用神经网络进行组合导航故障检测的方法开始逐步被探索和应用，神经网络的应用使得我们的设想变得可能。
技术实现思路
1、鉴于上述的分析，本专利技术旨在公开了一种基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法；提高组合导航系统对故障的检测精度。
2、本专利技术公开了一种基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，包括：
3、步骤s1、建立gnss/ins紧组合导航系统ins误差的离散状态方程与观测方程；采用广义最大相关熵卡尔曼滤波进行ins递推误差估计和递推误差校正；p>
4、步骤s2、采集单颗卫星的滤波新息数据中的伪距时间序列，进行归一化后得到归一化时间序列；
5、步骤s3、对归一化时间序列分别进行gasf编码和mtf编码处理得到gasf图像和mtf图像；
6、步骤s4、建立用于卫星正常和故障状态分类的神经网络模型；利用gasf图像和mtf图像分别进行神经网络模型训练后，将根据gasf图像和mtf图像进行卫星正常和故障状态分类的分类概率进行特征融合得到神经网络模型最终的分类结果；
7、步骤s5、采用训练好的神经网络模型，对组合导航系统定位过程中的单星故障进行检测。
8、进一步地，用于卫星正常和故障状态分类的神经网络模型，包括第一分类神经网络，第二分类神经网络和特征融合网络；
9、其中，第一分类神经网络，用于对输入的gasf图像进行卫星正常和故障状态分类，输出分类概率和其中，为判别输入的gasf图像为卫星正常状态的概率；为判别输入的gasf图像为卫星异常状态的概率；
10、第二分类神经网络，用于对输入的mtf图像进行卫星正常和故障状态分类，输出分类概率和其中，为判别输入的mtf图像为卫星正常状态的概率；为判别输入的mtf图像为卫星异常状态的概率；
11、特征融合网络，用于将分类概率和分类概率和进行特征融合得到最终的卫星正常或异常的概率p0、p1进行输出。
12、进一步地，所述第一分类神经网络、第二分类神经网络vit网络模型结构，通过不同的训练样本进行训练后，得到各自的网络参数；
13、特征融合网络为全连接层，经过训练后，得到最合适分类的权重。
14、进一步地，vit网络模型的输入序列的生成过程包括：
15、1)对二维的图像进行分块处理；
16、gasf图像和mtf图像均为l*l的单通道图像，将图像划分为p*p*1的patch区块；p能够整除l；
17、2)将每个patch区块进行拉平处理得到token向量；
18、经过拉平处理后，每一个区块的token向量，维度为p2，长度为
19、3)在token向量之前加入一个分类标志位xclass，在p2维向量加上分类标志位后变成p2+1维；
20、4)在分类标志设置后，进行position embedding操作，得到位置向量；
21、5)加入分类标志位的token向量和位置向量构成vit的输入序列。
22、进一步地，特征融合网络中，将两种图像数据得到的分类概率通过全连接层进行特征融合，训练得到最合适分类的权重μ；
23、
24、
25、如果p0较大，则判断为无故障，反之，则判断为故障。
26、进一步地，在步骤s5中的单星故障进行检测中，
27、1)在测试时，采用固定时间序列长度，以步长为1进行单颗卫星的伪距时间序列更新，使伪距时间序列结束时间总为当前时刻t，得到长度为l待检测时间序列γt＝[γt-l+1,...,γt]；归一化后得到归一化时间序列
28、2)将当期时刻t归一化时间序列进行如步骤s3中的两种二维编码处理得到二维图像和
29、3)将二维图像和输入到训练好的神经网络模型，进行卫星正常和故障状态分类，最终取概率较大的分类作为最终的判定结果；
30、当标签为“1”的概率较大时，判定该颗卫星存在故障，将该颗卫星从导航系统中排除；避免故障卫星对导航精度的影响。
31、进一步地，ins递推误差估计过程中，建立的gnss/ins紧组合导航系统的状态向量为：
32、
33、其中，φ、bg、ba、sg和sa分别为ins状态递推结果在ecef坐标系下的位置向量误差、速度误差、失准角、陀螺仪零偏、加速度计零偏、陀螺仪比例因子误差和加速度计比例因子误差；
34、观测量为：
35、
36、其中，ρgnssi为k时刻对第i颗可观测卫星的伪距观测量，为第i颗卫星位置三维坐标，为k时刻ins递推位置三维坐标；i＝1,…,m，m为可观测卫星个数。
37、进一步地，在步骤s2中，滤波过程获得的新息数据γk为：
38、
39、对于可观测的单颗卫星，取一段时间连续长度为l的新息数据中的伪距数据构成该颗卫星的伪距时间序列γ＝[γ1,...,γi,...,γl]；
40、对伪距时间序列γ进行归一化后得到归一化时间序列
41、
42、其中，
43、进一步地，gasf编码得到的gasf编码图像：
44、
45、其中
46、进一步地，mtf编码得到的二维图像数据的过程包括：
47、1)对于归一化时间序列首先在[0,1]范围内按一定大小将该区间划分为k个部分得到k个分位数箱q1,...,qj,...,qk；将归一化时间序列中的每个元素被划分到相应的分位数箱qj中，
48、2)构造一个与归一化时间序列等长的新的时间序列ω＝[ω1,...,ωi,...,ωl]，其中ωi的值为归一化时间序列中第i个元素对应的分位数箱；
49、3)构造一个k×k的加权邻接矩阵w；加权邻接矩阵中元素wn,j的值等于在序列ω中子序列[qj,qn]出现的频数，
50、4)进行归一化操作，本文档来自技高网...
【技术保护点】
1.一种基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，包括：
2.根据权利要求1所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
3.根据权利要求2所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
4.根据权利要求2所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
5.根据权利要求3所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
6.根据权利要求3所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
7.根据权利要求1-6任一项所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
8.根据权利要求7所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
9.根据权利要求8所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
10.根据权利要求8所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法
...【技术特征摘要】
1.一种基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，包括：
2.根据权利要求1所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
3.根据权利要求2所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
4.根据权利要求2所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
5.根据权利要求3所述的基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法，其特征在于，
6....
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。