[发明专利]利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法

权利要求书

1.一种利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法，其特征在于，包括：

步骤S1、GNSS/INS组合导航过程中GNSS正常时，在设定的周期内，交替训练第一神经网络和第二神经网络；通过逐个周期循环，使第一神经网络和第二神经网络中始终有一个处于训练过程的训练状态和另一个处于训练好的待命状态；其中，训练好的神经网络用于实现根据输入的INS数据预测出伪GNSS信号功能；

步骤S2、当导航过程中GNSS丢失时，将处于待命状态的神经网络接入组合导航的组合结构；将INS数据输入到接入的神经网络，利用神经网络预测出的伪GNSS信号通过卡尔曼滤波器对INS原始数据进行补偿输出定位结果；

步骤S101、在GNSS正常工作时，收集INS原始输出数据和GNSS输出的位置变化量数据，在设定的周期内，将收集的数据进行打包处理；

步骤S102、对打包处理后的INS原始数据中的包括比力和角速度在内的数据进行去噪和标准化处理得到用于神经网络训练的INS数据；

步骤S103、对设为训练状态的第一神经网络或第二神经网络进行训练；训练中，将用于神经网络训练的INS数据作为训练神经网络的输入特征，将打包处理后的GNSS位置变化量作为神经网络的输出特征的目标数据；所述训练的过程不超过半个周期；

步骤S104、将训练好的神经网络设为待命状态，同时将另一神经网络设为训练状态进行训练；所述训练过程同样不超过半个周期；

进入下一个周期后，重复步骤S101-S104，交替训练两个神经网络；

步骤S101中，

所收集的INS原始数据是由当前时刻三轴的比力、角速度、速度和上一时刻三轴的比力、角速度、速度组成的的向量x(t)；

所收集的GNSS输出数据是由GNSS解算的三轴位置变化量组成的的向量y(t)；

将设定的周期内收集的m个连续时刻的GNSS数据y(1)至y(m)打包组成一个矩阵Y；

将与GNSS数据对应时刻的m个时刻的INS数据打包组成一个矩阵X；

在步骤S102中，采用小波阈值去噪算法对X中的比力f、角速度ω进行了去噪；

在小波阈值去噪算法中，选择sym8函数作为小波基，采用3级小波基分解，并采用软硬阈值折中的方法设定小波阈值；

小波阈值；其中，为第一级小波分解后高频部分的小波系数绝对值的均值，m为矩阵X的行数。

2.根据权利要求1所述的利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法，其特征在于，

去噪后，采用标准差标准化的方法对矩阵X每列数据进行了标准化处理，得到新矩阵X_new；所述新矩阵X_new中比力、角速度数据为去噪和标准化后的结果，速度数据为标准化后的结果。

3.根据权利要求2所述的利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法，其特征在于，

所述第一神经网络和第二神经网络均为结构相同的MLP神经网络。

4.根据权利要求3所述的利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法，其特征在于，

所述MLP神经网络包括一个输入层、两个隐藏层、一个输出层；

其中，输入层为18个神经元，分别接收18维输入特征，输入特征为由矩阵X_new提供的一行数据；

输出层为3个神经元，用于输出3维的输出特征；

两个隐含层分别为100维和50维，激活函数均采用Relu函数，优化器选择SGD优化器，学习率设置为0.002，采用均方根误差计算损失函数，模型迭代训练轮数epoch变量设置为10000。

5.根据权利要求4所述的利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法，其特征在于，

在输入层与第一隐含层之前加入Dropout层，在训练时随机忽略50%的权重；

添加momentum变量，数值设置为0.9，用于帮助神经网络跳出局部最值。