[发明专利]一种基于概率神经网络的重力匹配方法

说明书

本发明的一种基于概率神经网络的重力匹配方法，利用概率神经网络，对惯性导航指示轨迹采样点进行匹配，该方法训练速度快、学习过程简单、错误分类的期望风险最小，可以得到贝叶斯最优估计结果，即后验概率较高的匹配点，匹配率高，匹配效果好，可以克服重力测量误差的影响；对于初次匹配结果不可信的点，考虑惯性导航采样点位置相关性后，再利用粒子滤波的方法二次匹配结果后，由于粒子滤波方法能更好地处理非线性非高斯问题，所以能更好地提高匹配准确率，使匹配结果更加准确可靠。

技术领域

本发明属于惯性导航技术领域，具体涉及一种基于概率神经网络的重力匹配方法。

背景技术

在水下导航中，惯性导航系统的定位误差会随时间累积，因此重力匹配作为一种辅助导航方式，常常与惯性导航构成组合导航系统，获得精度更高的导航定位结果。

2007年，程力和蔡体菁提出一种基于模式识别神经网络的重力匹配算法，即利用概率神经网络(Probabilistic Neural Network，PNN)在重力匹配时，在惯性导航系统导航轨迹中确定搜索中心点后，在重力背景图上找到重力特征最接近的坐标点，依此规划搜索范围为若干网格点，根据惯导轨迹采样点的相对位置坐标关系，从重力背景图上提取一定维度的重力测量值序列，与对应网格点的位置坐标一起定义成多个模式类，创建模式识别概率神经网络。输入一定维度的实时重力测量序列，根据重力特征相关程度将其识别到某个模式类，对比输出模式类标号确定载体位置^[4]。该算法匹配率高，匹配效果好，可以克服重力测量误差的影响，实时性强。

2016年，于力等人提出引入基于贝叶斯(Bayes)估计的粒子滤波，将惯导指示位置相邻点间的相位相关性加入到匹配算法中，形成矢量匹配算法^[5]。在重力异常较大区域使用粒子滤波，矢量匹配算法在匹配时考虑了惯导指示位及和其相邻点之间的位置关系，根据相邻点之间的位置相关性校正匹配结果^[6]。矢量匹配算法对匹配区域的重力异常变化具有鲁棒性，匹配结果更加准确可靠。

发明内容

有鉴于此，本发明的目的是提供一种基于概率神经网络的重力匹配方法，可以达到更高的匹配准确度。

一种基于概率神经网络的重力匹配方法，包括如下步骤：

步骤1、将惯性导航指示轨迹中每个采样点作为起始点，沿惯性导航指示轨迹的时间线往前取L个采样点，得到一条轨迹，设该起始点为点C；以C点为搜索中心，在重力背景图划分的网格图中，经度方向取前、后各M个网格，纬度方向上、下各取N个网格，构成以C点为中心点的搜索区域，区域中共S个网格点：

S＝(2M+1)×(2N+1) (2-1)

其中，L取值至少为3；M和N分别至少取2；

步骤2、确定惯导指示轨迹采样点的相对位置：将中心点C的经纬度坐标表示为在以C为起始点的轨迹上，各采样点B_i到起始点的经纬度距离记为：

Δλ(C-B_i)＝|λ_C-λ_Bi|，i＝1,2...L (2-2)

其中为任一点B_i的经纬度坐标；

步骤3、在所述搜索区域内，第k个网格点在重力背景图中的坐标点表示为(i_k,j_k)，其定义为：

i_k＝i-M+R_k (2-4)