[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

说明书

本发明公开了一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，以惯性和GNSS紧组合导航系统模型为基础，针对GNSS信号失锁时的紧组合导航问题，动态Elman神经网络预测模型，来对惯导的误差模型和GNSS的补偿模型进行学习；当GNSS信号缺失时，利用训练好的神经网络预测出GNSS的输出误差并补偿惯导的输出，使误差不会急剧发散，让系统继续进行组合导航。最后利用设计的低成本下的紧组合导航模块进行实地测量，将采集的信息进行预处理，组成训练神经网络的样本数据对Elman神经网络模型进行训练。本算法能在GNSS信号缺失100s的情况进行预测，使系统仍然能进行紧组合导航。

技术领域

本发明涉及一种紧组合导航方法，特别是一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，属于导航技术领域。

背景技术

惯导系统可以全面自主的提供的导航信息，但在低成本设备下，惯导系统其误差会随着时间不断积累。GNSS的定位范围广、精度高，其缺点是容易发生信号遮挡及干扰。因此惯导和GNSS特征具有互补性，将惯导和GNSS进行紧组合能够充分发挥这两个系统的优点。紧组合还能提高导航系统的精度与可靠性。但对于紧组合导航系统来说，当有遮挡或干扰等原因导致卫星信号短时间不可用时，系统只能工作在纯惯性导航的方式下，此时的导航精度决定于惯导器件精度和GNSS失效前一时刻紧组合导航的精度。由于低成本惯导系统误差随时间积累且得不到校正，导航精度将会迅速降低甚至完全不可用。

紧组合导航系统在GNSS失效时精度快速降低的主要因为缺乏外部观测的辅助条件下，先验来确定的惯导误差模型难以符合实际的情况。假如得到了当前时刻惯导的准确的误差模型，即便在GNSS信号受阻时，亦可使用此模型来计算惯导系统的误差，最终实现对惯导的误差补偿。神经网络具有良好的非线性映射能力，能模拟实际模型的输入输出。传统的神经网络例如：BP神经网络、多层感知器的神经网络、径向基函数的神经网络等都可以来推导惯导的误差模型，但这些神经网络都属于静态网络。这些神经网络结构不易准确地描述非线性系统的动态特性。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种能够准确描述非线性系统的动态特性的GNSS信号受阻时Elman神经网络辅助紧组合导航方法，Elman神经网络是一种典型的多层动态递归神经网络，可对GNSS信号短暂受阻时的惯导误差信号进行预测，并用预测的数据来补偿修正惯性导航的输出。来期望在GNSS信号短暂缺失时，组合导航系统能继续提供导航数据。

为解决上述技术问题，本发明的一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，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。

本发明还包括：

1.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：