[发明专利]一种广义最小误差熵卡尔曼的水下无人航行器定位方法

权利要求书

1.一种广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，包括以下步骤：

S1、采集水下无人航行器的位置和速度数据，构建为定位数据样本集；

S2、采用广义最小误差熵卡尔曼滤波对定位数据样本集中定位数据样本进行滤波处理，得到修正定位数据。

2.根据权利要求1所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S2包括以下分步骤：

S21、将定位数据样本初始值带入预测方程，得到定位数据样本预测值；

S22、根据定位数据样本预测值和定位数据样本集中定位数据样本，计算定位数据样本误差值；

S23、根据定位数据样本误差值和增广噪声矩阵，计算增广噪声矩阵的协方差矩阵的分量；

S24、根据增广噪声矩阵的协方差矩阵的分量和定位数据样本预测值，构建广义最小误差熵卡尔曼滤波模型；

S25、根据广义最小误差熵卡尔曼滤波模型，对估计定位数据样本进行更新，得到更新估计定位数据样本；

S26、判断更新估计定位数据样本是否满足误差条件，若是，则更新估计定位数据样本为修正定位数据，若否，直接跳转至步骤S25中。

3.根据权利要求2所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S21中预测方程为：

其中，为第k个定位数据样本的预测值，A_k-1为第k-1个的状态转移矩阵，为第k-1个定位数据样本的预测值，在k＝0时，为定位数据样本初始值。

4.根据权利要求2所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S22中计算定位数据样本误差值的公式为：

其中，ε_k|k-1为第k个定位数据样本误差值，x_k为定位数据样本集中第k个定位数据样本，为第k个定位数据样本的预测值。

5.根据权利要求2所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S23包括以下分步骤：

S231、根据定位数据样本误差值，计算定位数据样本的增广噪声矩阵；

S232、根据定位数据样本的增广噪声矩阵，计算增广噪声矩阵的协方差矩阵的分量。

6.根据权利要求5所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S231中计算定位数据样本的增广噪声矩阵的公式为：

其中，μ_k为第k个定位数据样本的增广噪声矩阵，ε_k|k-1为第k个定位数据样本误差值，v_k为第k个定位数据样本的观测噪声。

7.根据权利要求5所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S232中计算增广噪声矩阵的协方差矩阵的分量的公式为：

其中，Θ_k为第k个定位数据样本的增广噪声矩阵的协方差矩阵的分量，为第k个定位数据样本的增广噪声矩阵的协方差矩阵，T为转置运算，μ_k为第k个定位数据样本的增广噪声矩阵。