[发明专利]基于SET2FNN的GPS/MEMS-INS组合导航系统定位误差预测方法

说明书

技术领域

本发明涉及GPS/MEMS-INS(Micro Electro Mechanical System-Inertial NavigationSystem，基于微机电系统的惯性导航系统，简称微型惯性导航系统)组合导航系统定位误差预测领域，具体涉及一种基于SET2FNN(Self-Evolving Interval Type-2 Fuzzy NeuralNetwork，自进化区间类型-2模糊神经网络)的GPS/MEMS-INS组合导航系统在GPS信号丢失时定位误差的预测方法。

背景技术

近年来，随着MEMS技术的发展，MEMS惯性传感器开始在导航定位领域获得越来越广泛的应用。其所具有的体积小、重量轻、成本低的特点符合了大多数商业应用领域对导航系统的基本要求。由于MEMS-INS与GPS所具有的互补特性，GPS/MEMS-INS组合导航系统现已逐渐成为导航系统一个主要的发展方向之一。

GPS/MEMS-INS组合导航系统最常用的组合滤波算法是卡尔曼滤波器。卡尔曼滤波方法对于具有高斯分布噪声的线性系统，可以得到系统状态的递推最小均方差估计。GPS/MEMS-INS组合导航系统的状态方程是非线性的，故需采用扩展卡尔曼滤波(Extended Kalman Filtering，EKF)。但EKF只是对非线性的系统方程进行简单的线性化，并未完全解决系统的非线性滤波问题，且非线性方程线性化会带来一定的误差，甚至造成滤波器的不稳定。UKF(Unscented Kalman Filter，无迹卡尔曼滤波)是一种基于采样点的非线性滤波算法，它直接使用非线性系统模型，不需要进行线性化近似。因此对于组合导航系统等非线性系统，UKF更为合适。

当GPS信号完好时，UKF可以有效地进行导航信息融合滤波，获得精确的导航状态量的估计。但当GPS信号丢失时，组合导航系统的精度主要取决于MEMS-INS，而由于MEMS惯性传感器存在严重的非线性漂移误差，导致MEMS-INS单独导航时定位误差随时间快速积累，因此当GPS信号丢失时，GPS/MEMS-INS组合导航系统定位精度会快速下降，造成很大的定位误差。

MEMS惯性传感器的非线性漂移误差要实现对其精确建模是很困难的。在传统的组合滤波器中，一般将其建模为一定的随机过程，例如一阶马尔可夫过程或者自回归模型。然而，这些模型只能对惯性传感器的漂移进行近似的描述，特别是对于MEMS惯性传感器，由于其漂移随时间变化较迅速，模型的有效时间很短。

为解决GPS信号丢失时，GPS/MEMS-INS组合导航系统定位精度下降问题，人工智能的方法被引入GPS/MEMS-INS组合算法中。人工智能方法包括神经网络、模糊逻辑等，其可以较好地对非线性系统进行建模及预测，因此可以被用于组合导航系统非线性误差的建模及预测中，从而提高GPS信号丢失时导航系统的定位精度。

多层前馈型神经网络是一种常用的神经网络，已被成功应用于GPS/MEMS-INS组合导航系统中进行误差的非线性预测，一般包括以惯导输出的位置作为神经网络输入、预测组合导航系统的精确位置的PUA模式(位置更新模式)，以及以惯导输出的位置作为神经网络输入，预测组合导航系统输出的位置误差的P-δP(位置-位置误差)模式等。但多层前馈型神经网络用于GPS信号丢失时非线性误差预测中存在训练时间较长，计算量大、实时性难于保证等问题，且其采用固定结构，动态自适应能力较差。

基于径向基函数的神经网络RBFNN只有一个隐层，输出单元是线性求和单元，结构简单固定，不需要做太多变化，训练时间短，因此将其引入组合导航系统误差预测中，可以获得较好的实时性，但其预测效果不如多层前馈型神经网络好。