[发明专利]一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法

权利要求书

1.一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于，包括以下步骤：

步骤1：构建Elman神经网络模型并选择Elman神经网络隐藏层传递函数；

步骤2：设计Elman学习算法；

步骤3：构建紧组合卡尔曼滤波数学模型；

步骤4：当GNSS信号可用时，神经网络处于训练模式，将惯导系统输出的三维位置信息作为步骤2得到的神经网络训练的输入样本；将经过步骤3中卡尔曼滤波数学模型器融合后输出的惯导误差补偿值作为网络训练的期望输出样本，带入步骤2得到的Elman神经网络进行训练，当Elman神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用步骤2中的Elman神经网络算法得到网络权值的更新值，直至网络的实际输出与期望的输出之间的误差小于设定的阈值；

步骤5：当GNSS信号缺失时，神经网络进入预测模式，以惯导系统输出的导航位置信息作为步骤4训练后的网络的输入，利用步骤4训练后的神经网络模型预测出惯导系统的误差值，利用该误差值修正惯导的导航输出，得到修正后的导航信息。

2.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：

Elman神经网络包括输入层、隐藏层、连接层与输出层，Elman神经网络的数学模型为：

x_h(k)＝f(W₁P(k)+W₃x(k))

x_c(k)＝αx_h(k-1)

y(k)＝g(W₂x(k))

式中向量P(k)表示Elman神经网络在k时间的输入向量，隐藏层的神经元在k时间下输出向量用x_h(k)表示，x_c(k)表示连接层在k时间的输出向量，y(k)表示整个网络输出层在k时间下的输出向量，W₁,W₂,W₃分别是输入层到隐藏层，隐藏层到输出层，连接层到隐藏层的之间的连接权值，f(·)与g(·)分別是隐藏层和输出层的传递函数，α为连接反馈增益因子。

3.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤1所述Elman神经网络隐藏层传递函数为S型正切函数。

4.根据权利要求1所述的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，其特征在于：步骤2具体为：

Elman神经网络计算过程分如下两步：工作信号的正向传播过程与误差反向传播，工作信号正向传播过程的计算过程和Elman神经网络数学模型一致，计算出网络输出的信号y(k)；

误差反向传播具体为：假设k时间下网络实际输出为y(k)，同时网络的期望输出响应为y_d(k)，则定义网络的误差表达式为：

分别求出误差函数对每个连接权值偏导数，然后将误差函数E_k对隐藏层到输出层的链接权值W₂求出偏导可以得到如下式：

式中i表示从第i个隐藏层神经元，为W₂权值矩阵的i行，j表示第j个输出层神经元，为W₂权值矩阵的j列；

令则

将E_k对输入层到隐藏层的连接权值W₁求偏导数可得到：

令则

将E_k对连接层到隐藏层的连接权值W₃求偏导数可以得到：

其中，l为连接层的第l个神经元；

有可以得到各个权值的更新值：

其中：