[发明专利]一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法

说明书

本发明公开了一种基于TG‑LSTM神经网络的偏振光罗盘航向角误差校正方法，首先建立TG‑LSTM神经网络模型；获取学习样本；训练TG‑LSTM神经网络模型；对偏振光罗盘的航向角误差进行补偿以获取准确的航向角。本发明适用于偏振光罗盘航向角测量，较之现有的多项式拟合技术，本发明提出的方法可通过建立倾角与数据采集周期非均匀等外部误差源与偏振光罗盘航向角误差之间复杂的非线性关系，有效消除因倾角和数据采集周期非均匀带来的误差，最终提高偏振光罗盘航向角测量精度。

技术领域

本发明涉及偏振光罗盘信号处理领域，具体地说，是指一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法。

背景技术

近年来，偏振光定向技术通过获取天空偏振光中大气偏振模式进行航向测量得到广泛研究。在目前的航向测量中，偏振光罗盘都被假设为水平放置，然而在实际导航过程中偏振光罗盘的姿态即倾角会随载体运动时刻发生变化，这种假设会导致非常大的航向角测量误差，进而降低导航精度。因此，如何有效降低偏振光罗盘在实际导航过程中因倾角和数据采集周期非均匀导致输出航向角误差较大的问题至关重要。

现有提高偏振光罗盘航向角测量精度的方法主要包括：(1)改进航向角算法提高偏振光罗盘在各种天气条件下测量的鲁棒性；(2)获得高精度的偏振光罗盘校准方法；(3)将偏振光罗盘与其他导航手段相结合以提高导航系统的环境适应性和导航信息的完整性。但是偏振光罗盘在实际工作过程中，其航向角误差与偏振光罗盘的倾角及数据采集周期相关，上述方法均不能解决该问题。此外，偏振光罗盘的倾角及数据采集周期与航向角误差之间的关系具有高度非线性，传统的多项式拟合等简单方法很难精确地描述这种关系，目前尚无使用神经网络建模的方法进行偏振光罗盘航向角误差补偿。

神经网络模型作为一种通用灵活的函数逼近器，被广泛应用于非线性系统和数据建模中，因此可被应用于偏振光罗盘航向角误差校正。然而偏振光罗盘数据采集周期具有非均匀性，传统的神经网络如BP神经网络、Elman神经网络和径向基函数RBF神经网络等无法有效地处理该问题。

发明内容

发明目的：为了解决现有技术存在的因偏振光罗盘的倾角及数据采集周期非均匀导致航向角存在误差的问题，本发明提供一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法。

技术方案：一种基于TG-LSTM神经网络的偏振光罗盘航向角误差校正方法，包括以下步骤：

步骤一：将偏振光罗盘的倾角及数据采集周期作为神经网络的输入，所述倾角包括俯仰角及横滚角，将航向角误差作为神经网络的输出，构建三输入一输出的TG-LSTM神经网络模型；

步骤二：将偏振光罗盘固定在三轴转台上，将三轴转台的仰俯角、横滚角分别作为偏振光罗盘的俯仰角、横滚角，将偏振光罗盘连续两次输出航向角的时间差作为数据采集周期，作为学习样本的输入；采集三轴转台水平时偏正光罗盘输出的航向角，采集三轴转台倾斜时偏振光罗盘输出的航向角，将水平时的航向角与倾斜时的航向角之差作为学习样本的输出；通过不断改变三轴转台倾斜的角度丰富样本数量；

步骤三：根据步骤一得到的TG-LSTM神经网络模型和步骤二得到的学习样本，对各组学习样本分别采用TG-LSTM算法训练神经网络得到最优模型参数，获得训练好的TG-LSTM神经网络模型；

步骤四：测量偏振光罗盘工作过程中的实际俯仰角、横滚角，并与偏振光罗盘数据采集周期共同输入训练好的TG-LSTM神经网络模型中，通过计算预测航向角的误差，将偏振光罗盘输出的航向角减去预测的误差，得到补偿后的航向角。

进一步地，步骤二中，将三轴转台的俯仰角、横滚角分别从0°至180°变化，每隔3°进行一次数据采集，使学习样本覆盖所有倾角的测量范围。

进一步地，步骤三中，在训练过程中，采用时间反向传播算法更新TG-LSTM神经网络的所有权值矩阵。