[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

说明书

本发明提出了一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)预处理的捷联惯性导航系统(Strapdown Inertial Navigation System,SINS)粗对准方法，本方法首先利用极限学习机(Extreme Learning Machine,ELM)对SINS中惯性传感器的输出信号进行延拓，所需延拓的极值点得到所需的全部延拓序列，抑制端点效应的影响；在此基础上，利用EMD计算延拓后信号的本征模态函数(Intrinsic Mode Function,IMF)分量；最后基于Shannon信息熵计算所有相邻IMF分量的Shannon熵的变化量，从而完成信号的重构，从而在不改变器件精度的前提下显著提高系统的粗对准精度和鲁棒性。

技术领域

本发明设计的是一种捷联惯性导航系统(Strapdown Inertial NavigationSystem，SINS)的粗对准方法，更确切地说，是利用一种改进的经验模态分解方法(Empirical Mode Decomposition，EMD)对精度惯性传感器的输出数据进行预处理，从而在不改变传感器精度的前提下提高SINS粗对准的精度和鲁棒性。

背景技术

目前随着传感技术的发展，各类运载体都要求其导航系统在满足精度指标的基础上，实现低成本、小型化与轻量化设计，并具有较强的环境适应能力。由于其体积小、重量轻、隐蔽性好、自主能力强、不易被干扰等优势，SINS在各领域中占有重要地位。

初始对准技术是SINS正常工作的前提，对准的速度和精度直接影响着惯导系统的快速启动及导航精度。初始对准分为粗对准和精度准，其中粗对准的目的是在短时间内粗略的计算出SINS的初始捷联矩阵，从而为精对准顺利开展的基础和保障。而解析式方法是最常用的粗对准方法，即直接利用加速度计和陀螺对重力矢量和地球自转矢量的测量来构建非共线矢量，通过解析式方法实现捷联姿态矩阵的计算，从而实现粗对准。由于无法使用任何外界信息，加速度计和陀螺的测量信息的精度直接决定了粗对准的精度。然而在实际使用中，惯性测量单元(Inertial Measurement Unit，IMU)的精度受到设备体积的制约。因此，如何在不改变器件精度的前提下提高系统的性能是目前研究的热点之一。

一方面，由于制作工业的限制中低精度IMU输出信号中包含大量的随机漂移误差，尤其是在动态环境下，随机漂移误差特性更加难以掌握，无法对其进行准确估计与补偿，从而影响IMU对运载体线速度和角速度的测量精度；另一方面，在实际使用中存在的阵风、发动机振动、人员走动、海浪冲击等因素，SINS在对准过程中不可避免的受到各种干扰，从而影响对准的精度和对准速度。因此，对IMU的输出信号进行去噪预处理是提高SINS粗对准性能的有效方式。

目前MEMS-IMU信号去噪处理方式主要包括Kalman滤波方法、小波分析法、经验模态分解方法等。Kalman滤波最优估计的前提是系统模型准确已知，而实际中低精度IMU噪声具有较强的不确定性，无法对系统进行准确建模，从而影响去噪效果；基于小波分析的去噪方法凭借其多分辨率的特点在信号去噪领域取得了一定成效，但去噪效果的好坏完全依赖于小波基函数的选取，因此该方法在实际应用中具有一定的限制性；EMD方法是依靠数据本身的时间尺度对信号进行多次自适应分解，且在分解过程中无须预先设定基函数，因此该方法在处理动态信号方面具有较大优势。然而EMD方法中的端点效应是影响算法可靠性的主要因素，目前存在的基于镜像延拓的端点效应抑制算法、基于支持向量机的端点效应抑制算法、基于神经网络集成的端点效应抑制算法等，具有无法顾全实际信号的整体特性、整个过程耗时长、实时性较差等缺点。

为此，本发明提出了一种基于改进EMD预处理的SINS粗对准方法，本方法首先利用极限学习机(Extreme Learning Machine，ELM)对IMU的输出信号进行延拓，所需延拓的极值点得到所需的全部延拓序列，抑制端点效应的影响；在此基础上，利用EMD计算延拓后信号的本征模态函数(Intrinsic Mode Function，IMF)分量；最后基于Shannon信息熵计算所有相邻IMF分量的Shannon熵的变化量，从而完成信号的重构。