[发明专利]一种基于改进EMD预处理算法的捷联惯性导航系统粗对准方法

权利要求书

1.一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)算法的捷联惯性导航系统(Strapdown Inertial Navigation System,SINS)粗对准方法，主要包括以下步骤：

步骤1：在运载体上安装光纤陀螺捷联惯性导航系统，对系统进行充分预热，开始工作，并采集各个传感器的数据；

步骤2：利用极限学习机(Extreme Learning Machine,ELM)对采集到的光纤陀螺惯性测量单元(Inertial Measurement Unit,IMU)输出信号进行延拓消除端点效应的影响；

步骤3：利用EMD算法将延拓后的数据分解为一系列本征模态函数(Intrinsic ModeFunction,IMF)分量与余项的形式；

步骤4：计算相邻IMF分量的Shannon熵的变化量对IMU信号进行重构；

步骤5：采用解析式粗对准算法，利用预处理之后的IMU输出信号完成SINS的粗对准过程，从而提高SINS的粗对准精度和鲁棒性；

其中所述步骤2利用ELM对采集到的IMU输出信号进行延拓消除端点效应的影响，具体方法为：

1)先将时间序列向右延拓，把7个相邻的数据作为ELM的输入，与其相邻的右边或左边的一个数据作为ELM的输出，以此作为训练样本；

2)每次新的学习都把此前的一个的预测值加入其中后再进行新的预测，如此反复不断地训练学习，根据所需延拓的极值点得到所需的全部延拓序列。

2.根据权利 要求1所述的方法，其中所述步骤3利用EMD算法将延拓后的数据分解为一系列IMF分量与余项的形式，具体方法为：

1)假设信号为x(t)，取其上下包络局部均值组成的序列为m₁(t)，则：

h₁(t)＝x(t)-m₁(t)

对非线性、非平稳数据而言，一次处理不足以形成IMF，一些非对称波仍然存在，把h₁(t)看作待处理数据重复上述操作k次，得到：

h_k(t)＝h_k-1(t)-m_k(t)

当h_k(t)满足IMF的条件时，就获得了第一个IMF，记做f₁(t)＝h_k(t)；

2)将第一个IMF从信号中分离出来，得到剩余信号r₁(t)为：

r₁(t)＝x(t)-f₁(t)

3)把r₁(t)作为待分解信号，重复上述1)～2)步骤进行计算，依次分解得到：

直至剩余信号r_n(t)中的信息对所研究内容意义很小或变成一个单调函数，不能再筛选出IMF为止，至此，信号x(t)已被分解成n个IMFf_i(t)，其中i＝1,2,…,n，与一个余项r_n(t)的和的形式：

3.根据权利 要求1所述的方法，其中所述步骤4计算相邻IMF分量的Shannon熵的变化量对IMU信号进行重构，具体方法为：

1)按照Shannon信息熵的定义，计算出每个IMF分量的Shannon熵值为S_i，其中，i＝1,2,…,n；

2)根据每个IMF的Shannon熵值为S_i计算得到相邻熵值的变换量ΔS_i＝S_i+1-S_i，并找到最大变化量；

3)确定Shannon熵值最大变化量所对应的IMF分量的具体数值j_s：

4)为了减少噪声的混入，选择叠加后j_s个IMF分量和余项，完成对信号的重构：

其中，r_n(t)为剩余信号。