CN108613674A - 一种基于自适应差分进化bp神经网络的姿态误差抑制方法 - Google Patents
一种基于自适应差分进化bp神经网络的姿态误差抑制方法 Download PDFInfo
- Publication number
- CN108613674A CN108613674A CN201810248952.3A CN201810248952A CN108613674A CN 108613674 A CN108613674 A CN 108613674A CN 201810248952 A CN201810248952 A CN 201810248952A CN 108613674 A CN108613674 A CN 108613674A
- Authority
- CN
- China
- Prior art keywords
- carrier
- matrix
- time
- attitude
- navigation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 title claims abstract 12
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 85
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 14
- 230000001629 suppression Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 206010019133 Hangover Diseases 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical compound CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/02—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means
- G01C21/025—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means with the use of startrackers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于自适应差分进化BP神经网络的姿态误差抑制方法,属于惯性技术领域。包括初始化惯性/星敏感器组合导航***;采集星敏感器和惯性组件输出的数据;对惯性组件输出数据进行导航解算;利用星敏感器输出数据解算舰船相对于惯性系的姿态;利用ADE‑BPNN结合当前时刻前一段时间内组合导航姿态对载体系相对惯性系姿态角进行预测;利用预测姿态对星敏感器测量误差进行补偿利用补偿后的星敏感器输出信息解算舰船位置;获得的导航信息进行组合导航解算;存储并输出组合导航信息。本发明通过自适应差分进化BP神经网络对星敏感器姿态进行预测,解决舰船摇摆引起的星敏感器星图“拖尾”问题,增强了舰船摇摆时惯性/星敏感器组合导航***的适用性。
Description
技术领域
本发明属于惯性技术领域中减小导航信息误差的方法,具体涉及一种基于自适应差分进化BP神经网络的姿态误差抑制方法。
背景技术
惯性/星敏感器组合导航是一种以惯性导航***(Inertial Navigation System,INS)为主的导航***,可为载体提供实时速度、姿态和位置信息。INS主要利用陀螺仪和加速度计测量载体角速度和线运动信息。经导航解算后得到导航信息;星敏感器通过拍摄星图并与自身星图库作对比,得到安装载体相对于惯性空间的姿态信息。惯性/星敏感器组合导航***以星敏感器解算的导航信息为基准,对INS的发散式定位误差进行周期性重校,其不需要任何外界信息,是一种全自主导航***。惯性/星敏感器组合导航***具有实时性强、导航精度高、全自主等优点,被广泛应用于船舶导航中。然而,由于舰船水平摇摆使星敏感器拍摄的星图具有“拖尾”现象,影响星敏感器的解算精度,进而影响惯性/星敏感器组合导航精度。
《中国惯性技术学报》2010年18卷第4期中由杨波等人撰写的《弹载惯性/卫星/星光高精度组合导航》一文中,提出了对陀螺误差和星敏感器安装偏差角的在线自标定方法,抑制了器件偏差对导航精度的影响;《中国空间科学技术》2013年6月第3期中由张承等人撰写的《直接敏感地平的空天飞行器惯性/天文组合方法》一文中,提出了采用星敏感器和陀螺仪构造惯性基准,并在此基础上进行基于红外地平仪的天文定位解算,最后进行惯性/天文组合定位的方法,抑制了陀螺的漂移误差;公开号为CN105737858A的专利在2016年7月6日公开的《一种机载惯导***姿态参数校准方法与装置》,该方法使用精度高的高动态星敏感器输出的姿态数据为基准完成机载INS姿态参数的动态在线校准;《IEEE SENSORSJOURNAL》2017年17卷第21期中由杨延强等人撰写的《In-flight Calibration of Gyrosand Star Sensor with Observability Analysis for SINS/CNS Integration》一文中,通过分析基于奇异值的误差状态的可观测度,提出了一种四位解耦校准方法,抑制了器件偏差对导航精度的影响,以上文献都提出了能够抑制器件偏差的方法,并且多以弹载、机载为应用背景,并没有针对船用环境下,由于舰船摇摆这一特殊应用环境造成的星图“拖尾”引起的星敏感器解算信息不精确问题进行深入研究。
发明内容
本发明的目的在于提供提高导航精度,增强导航信息适用性的一种基于自适应差分进化BP神经网络的姿态误差抑制方法。
本发明的目的通过如下技术方案来实现:
基于ADE-BPNN,将惯性/星敏感器组合导航***的一段时间内组合导航信息作为输入,预测出当前t时刻载体姿态,利用卡尔曼滤波对t时刻预测载体姿态和t时刻星敏感器解算载体姿态进行数据融合,对星敏感器的导航误差进行估计、补偿,得到星敏感器高精度导航信息,与INS导航信息进行组合导航解。
一种基于自适应差分进化BP神经网络的姿态误差抑制方法,包括以下步骤:
步骤1:上电,初始化惯性/星敏感器组合导航***。
步骤2:采集星敏感器和惯性组件输出数据。
步骤3:对步骤2中惯性组件输出数据进行导航解算,得到载***置载体三向速度载体三轴姿态角其中,分别表示纬度、经度; 分别表示东向、北向、天向速度;姿态角包括纵摇角、横摇角和航向角,分别由 表示。
步骤4:由步骤2中星敏感器输出相对于惯性空间的姿态矩阵得到载体相对惯性系姿态角即
其中,b表示载体坐标系,i表示惯性系,表示载体系到惯性系转换矩阵;cbimn(m,n=1,2,3)表示中第m行、第n列矩阵元素;arcsin为三角函数中的反正弦函数,arctan为三角函数中的反正切函数;分别表示载体相对惯性系的纵摇角、横摇角和航向角。
步骤5:利用ADE-BPNN预测t时刻载体相对惯性系姿态角其中,t表示当前时刻,分别表示载体相对惯性系纵摇角、横摇角和航向角的预测值。
步骤6:构造卡尔曼滤波器1,以星敏感器测量误差δφCi(i=x,y,z)为状态量,步骤4中星敏感器解算载体姿态和步骤5中预测载体姿态之差为观测量,解算δφCi(i=x,y,z),利用解算结果对步骤4解算结果进行补偿,得到φCi(i=x,y,z)。其中,δφCx、δφCy、δφCz分别表示星敏感器纵摇角、横摇角和航向角误差;φCx、φCy、φCz分别表示载体相对惯性系的纵摇角、横摇角和航向角。
步骤7:根据转换矩阵间的数学关系,得到地球坐标系相对准地理坐标系的转换矩阵转换过程为进一步解算得到载体的位置,即
其中,分别表示纬度和经度;e表示地球系,N表示准地理坐标系,表示地球系到准地理坐标系的转换矩阵;ceNmn(m,n=1,2,3)表示中第m行、第n列矩阵元素;表示载体系到准地理坐标系的转换矩阵;表示载体系到惯性系转换矩阵;角标T表示矩阵转置;表示地球系到惯性系转换矩阵。
步骤8:构造卡尔曼滤波器2,以步骤7解算位置与步骤3中INS解算位置之差λC-λS为观测量,INS位置误差δλS,速度误差δvSi(i=x,y,z),失准角Φi(i=x,y,z),三轴陀螺常值误差εi(i=x,y,z),三轴加速度计零位偏置误差ΔAi(i=x,y,z)为状态量,解算δλS、δvSi(i=x,y,z)、Φi(i=x,y,z)、εi(i=x,y,z)、ΔAi(i=x,y,z),对步骤3解算结果进行补偿,得到载***置λ,速度vi(i=x,y,z),姿态角φi(i=x,y,z)。其中,δλS分别表示纬度、经度误差;δvSx、δvSy、δvSz分别表示东向、北向和天向速度误差;Φx、Φy、Φz分别表示纵摇失准角、横摇失准角、航向失准角。
步骤9:将步骤8中得到的导航信息载***置、速度和姿态角存储并输出。
本发明的有益效果在于:
在得到舰船正常工作的组合导航信息后,结合ADE-BPNN算法,预测出星敏感器输出惯性姿态,消除星图“拖尾”对星敏感器输出姿态角的影响,与INS进行组合导航解算,输出导航信息。(1)增强了在舰船出现水平摇摆时惯性/星敏感器组合导航***的适用性,减小了因舰船摇摆导致的误差补偿不充分问题;(2)不需要任何外界辅助信息即可提高定位精度;(3)计算量小,简单易实现。
附图说明
图1为本发明的组合导航算法流程图;
图2为利用本发明进行的仿真试验结果;
图3为利用本发明进行的实测实验结果;
图4为实测实验舰船航行轨迹。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,本发明提供一种针对惯性/星敏感器的组合导航算法,具体包括如下步骤:
步骤1:上电,初始化惯性/星敏感器组合导航***。导航初始化,需初始化***:
(1)初始化INS初值:船体的载***置λ0(单位均为度),载体三向速度vi0(i=x,y,z)(单位均为m/s),载体三轴姿态角φi0(i=x,y,z)(单位均为度);初始化转换矩阵初始化四元数q0;
(2)卡尔曼滤波器1参数初值:状态变量初值δφCi0(i=x,y,z),均方误差阵Pp0,***噪声方阵Qp,量测噪声方阵Rp,量测阵Hp;其余初值根据实际情况设定。
(3)卡尔曼滤波器2参数初值:状态变量初值δvS0i(i=x,y,z)、δλS0、Φi0(i=x,y,z)、εi0(i=x,y,z)、ΔAi0(i=x,y,z),均方误差阵P0,***噪声方阵Q,量测噪声方阵R,量测阵H;
其余初值根据实际情况设定。
初始化转换矩阵计算如下:
其中,n表示导航系,表示初始载体系到导航系的转移矩阵;
初始化四元数q0计算如下:
q00=a,其中q0=[q00q01q02q03]T,cbnij(i,j=1,2,3)表示中第i行、第j列矩阵元素;
导航过程中,利用该初始信息进行更新,得到任意时刻载体的位置、速度和姿态角。
步骤2:***实时采集星敏感器输出矩阵惯性组件加速度计输出的三轴加速度和陀螺仪输出的三轴角速度其中,分别表示加速度计测量的比力在载体系oxb轴、oyb轴、ozb轴上的分量(单位均为m/s); 分别表示陀螺仪测量的角速度在载体系oxb轴、oyb轴、ozb轴上的分量(单位均为rad/s)。
步骤3:对步骤2中惯性组件采集数据进行导航解算:
四元数姿态矩阵更新:
设任意时刻载体系相对导航系的转动四元数为q=[q0q1q2q3]T,四元数的及时修正如下:
其中,分别表示qi(i=0,1,2,3)的变化率;
将t时刻载体系相对导航系的转动四元数qi(t)(i=0,1,2,3)代替式(4)中qi(i=0,1,2,3),得到t时刻转动四元数的变化率在t+1时刻载体的转动四元数为
其中式中ωi(i=x,y,z)省略了上角标b;T为采样时间;当t=1时,q(1)为步骤1中的载体初始四元数q0。
根据q(t+1)中元素qi(t+1)(i=0,1,2,3),更新捷联矩阵
其中,上式中的qi(i=0,1,2,3)为式(5)中qi(t+1)(i=0,1,2,3),更新姿态信息:
利用转换关系式将加速度计沿载体系测量的比力信息投影转换到导航系,利用下列微分方程求解载体运动速度:
其中, 表示的变化率; 分别表示加速度计测量的比力在导航系oxn轴、oyn轴、ozn轴上的分量(单位均为m/s);
将t时刻比力在导航系的投影fi n(t)(i=x,y,z),代替式(8)中的fi n(i=x,y,z),得到载体速度变化率得到t+1时刻载体速度和位置:
其中,R表示地球半径;当t=1时,为步骤1中载体速度初始值vi0(i=x,y,z)。
至此,根据式(7)、(9)得到INS解算的载体速度、位置和姿态角。
步骤4:由步骤2中星敏感器输出相对于惯性空间的姿态矩阵得到载体相对惯性系姿态角即
步骤5:利用ADE-BPNN预测t时刻载体相对惯性系姿态角具体过程如下:
(1)初始化操作:初始化参数,包括种群规模N、基因维数D、变异因子F、交叉速率CR,以及每个基因的取值范围[Umin,Umax],利用式xij=Umin+rand×(Umax-Umin)随机初始化种群;其中i=1,2,...,N,j=1,2,...,D,rand表示服从均匀分布的随机数。
(2)判断当前最小适应度值是否达到μ或迭代次数达到最大,若是则ADE迭代停止,转至步骤(6);否则进行下一步。
(3)生成后代子群:对每个目标向量进行变异操作,产生变异向量对变异向量进行交叉操作产生实验个体将目标个体与其对应实验个体竞争,比较两者适应度值,仅当的适应度值较更优时才被选为子代,否则直接将作为子代。重复此步骤产生后代子群。其中,G表示迭代次数。
(4)评估后代子群的适应值,最小适应值是当前最优值,相应的子群即为当前最优个体值。
(5)令G=G+1,转至步骤(2)。
(6)将ADE的最佳个体分配为BPNN的初始连接权值和阈值。
(7)将t时刻组合导航水平姿态信息φi(i=x,y)与阈值θi(i=x,y)进行比较,当水平姿态信息小于阈值时判定舰船发生摇摆,使用t-n~t-1时刻组合导航姿态信息对BPNN进行训练,得到最优模型。
(8)利用(7)中模型,预测出t时刻载体相对导航系的姿态角φpi(i=x,y,z),利用预测姿态角得到载体系到导航系的转换矩阵根据转换矩阵之间的关系,得到载体系相对惯性系的转换矩阵转换过程为进一步解算得到载体相对惯性系的姿态角预测值,即:
其中,表示中第m行、第n列元素;表示地球系到惯性系转换矩阵,由地球转速和导航时间得到;表示地球系到导航系的转换矩阵,由t-1时刻组合导航位置λ得到。
步骤6:构造卡尔曼滤波器1,以星敏感器测量误差δφCi(i=x,y,z)为状态量,步骤4中星敏感器解算载体姿态和步骤5中预测载体姿态之差为观测量,具体滤波过程如下:
利用星敏感器的惯性姿态误差模型,结合卡尔曼滤波,对惯性姿态进行误差修正如下:
其中,Pp(t)表示t时刻估计均方误差,Pp(t/t-1)表示t-1时刻到t时刻一步预测均方误差,Fp(t/t-1)表示t-1时刻到t时刻的状态转移矩阵,Gp(t-1)表示t-1时刻的噪声驱动阵,Qp(t-1)表示t-1时刻***噪声方差阵,Hp表示量测矩阵,Rp表示量测噪声方差阵,Kp(t)表示t时刻滤波增益矩阵。
t时刻状态估计和估计均方误差的更新矩阵为:
其中,Xp(t)表示t时刻状态估计量,Xp(t)=[δφCx δφCy δφCz]T,当t=1时,状态量Xp(1)中元素为步骤1中卡尔曼滤波器1的状态量初值δφCi0(i=x,y,z)。根据解算结果,对步骤4解算结果进行补偿,得到惯性姿态角φCi(i=x,y,z)。
步骤7:根据转换矩阵间的数学关系,得到地球坐标系相对准地理坐标系的转换矩阵转换过程为进一步解算得到载体的位置,即
载体系到准地理系的转换矩阵由步骤3中解算的水平姿态得到,载体系到惯性系转换矩阵由步骤6中解算结果惯性姿态角得到。
步骤8:构造卡尔曼滤波器2,以步骤7解算位置与步骤3中INS解算位置之差λC-λS为观测量,INS位置误差δλS,速度误差δvSi(i=x,y,z),失准角Φi(i=x,y,z),三轴陀螺常值误差εi(i=x,y,z),三轴加速度计零位偏置误差ΔAi(i=x,y,z)为状态量,具体滤波过程如下:
利用载体的速度、位置和失准角误差模型,结合卡尔曼滤波,对载体状态量进行误差修正如下:
其中,P(t)表示t时刻估计均方误差,P(t/t-1)表示t-1时刻到t时刻一步预测均方误差,F(t/t-1)表示t-1时刻到t时刻的状态转移矩阵,G(t-1)表示t-1时刻的噪声驱动阵,Q(t-1)表示t-1时刻***噪声方差阵,H表示量测矩阵,R表示量测噪声方差阵,K(t)表示t时刻滤波增益矩阵。
t时刻状态估计和估计均方误差的更新矩阵为:
其中,X(t)表示t时刻状态估计量,当t=1时,状态量X(1)中元素为步骤1中卡尔曼滤波器2的状态量初值δvS0i(i=x,y,z)、δλS0、Φi0(i=x,y,z)、εi0(i=x,y,z)、ΔAi0(i=x,y,z)。根据解算结果,对步骤3中INS解算结果进行补偿,得到导航信息载***置λ,速度vi(i=x,y,z),姿态角φi(i=x,y,z)。
步骤9:将步骤8中得到的导航信息载***置、速度和姿态角存储并输出。
实施例:
对本发明有益效果通过方针和实测实验得以验证:
仿真实验:
船舶航行路线:直线运动
***初始化参数如下:
舰船运动参数:舰船速度:vx0=0m/s,vy0=0m/s,vz0=0m/s
舰船姿态:
摇摆对舰船速度的影响:
均匀分布在[0,2π]内
高频率振动对舰船速度的影响:
均匀分布在[0,2π]内
当地经纬度:λ0=126.6705°
陀螺参数:陀螺常值漂移:0.01°/h
陀螺刻度因数误差:1×10-5
陀螺白噪声误差:0.001°/h
加速度计参数:加速度计零偏:10-4g
加速度计刻度因数误差:1×10-5
加速度计白噪声误差:10-5g
ADE-BPNN参数:
最佳拟合网络有20个输入神经元,10个隐藏神经元和1个输出神经元
最大迭代次数:100次
训练目标误差:0.00004
学习率:0.1
隐藏层函数:logsig
激活层函数:purelin
训练函数:trainlm
连接权值和阈值范围:[-1,1]
人口大小:N=50
最大迭代次数:GenM=50
精度要求:μ=0.15
交叉率:CR=0.1
突变因子最小值:Fmin=0.2
突变因子最大值:Fmax=0.6
卡尔曼滤波器1数值设置:
Pp0=diag([0.01 0.01 0.01]2)
Qp=diag([0.01 0.01 0.01]2)
Rp=diag([0.001 0.001 0.001]2)
卡尔曼滤波器2数值设置:
P0=diag([10 10 0.0005 0.0005 0.05 0.05 0.15 0.01 0.01 0.01 10-5g 10-5g10-5g]2)
Q=diag([0.5×10-5g 0.5×10-5g O1×2 0.5×0.01 0.5×0.01 0.5×0.01 O1×6]2)
R=diag([100R 100R]2)
采样频率:0.1s
采样时间:1h
实测实验:
舰船航行路线:如图4所示。
陀螺参数:动态范围:±100°/s
零偏:≤0.01°/h
比例因子的非线性度:≤20ppm
星敏感器参数:视野角度:24°
星际观察水平:不小于7级
数据更新频率:20Hz
姿态精度:5″
利用发明所述方法,得到在有风浪情况下有、无ADE-BPNN算法的船体惯性/星敏感器组合导航信息误差曲线。图2表示仿真结果比较曲线,图3表示是实测实验结果比较曲线。结果表明本发明减小了船体水平摇摆时,星图“拖尾”对星敏感器解算导航信息的影响,进而较好抑制了惯性/星敏感器组合导航误差,可以满足实际需求。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,包括以下步骤:
(1)上电,初始化惯性/星敏感器组合导航***;
(2)***实时采集星敏感器输出矩阵惯性组件加速度计输出的三轴加速度和陀螺仪输出的三轴角速度其中,分别表示加速度计测量的比力在载体系oxb轴、oyb轴、ozb轴上的分量,单位均为m/s; 分别表示陀螺仪测量的角速度在载体系oxb轴、oyb轴、ozb轴上的分量,单位均为rad/s;
(3)对步骤(2)中惯性组件采集数据进行导航解算;
(4)由步骤(2)中星敏感器输出相对于惯性空间的姿态矩阵得到载体相对惯性系姿态角
(5)利用ADE-BPNN预测t时刻载体相对惯性系姿态角其中,t表示当前时刻,分别表示载体相对惯性系纵摇角、横摇角和航向角的预测值;
(6)构造卡尔曼滤波器1,以星敏感器测量误差δφCi(i=x,y,z)为状态量,步骤(4)中星敏感器解算载体姿态和步骤(5)中预测载体姿态之差为观测量;根据解算结果,对步骤(4)解算结果进行补偿,得到惯性姿态角φCi(i=x,y,z);
(7)根据转换矩阵间的数学关系,得到地球坐标系相对准地理坐标系的转换矩阵转换过程为进一步解算得到载体的位置,载体系到准地理系的转换矩阵由步骤(3)中解算的水平姿态得到,载体系到惯性系转换矩阵由步骤(6)中解算结果惯性姿态角得到;
(8)构造卡尔曼滤波器2,以步骤(7)解算位置与步骤(3)中INS解算位置之差λC-λS为观测量,INS位置误差速度误差δvSi(i=x,y,z),失准角Φi(i=x,y,z),三轴陀螺常值误差εi(i=x,y,z),三轴加速度计零位偏置误差ΔAi(i=x,y,z)为状态量,根据解算结果,对步骤(3)中INS解算结果进行补偿,得到导航信息载***置λ,速度vi(i=x,y,z),姿态角φi(i=x,y,z);
(9)将步骤(8)中得到的导航信息载***置、速度和姿态角存储并输出。
2.根据权利要求1所述的一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,所述的步骤(1)具体包括:
(1.1)初始化INS初值:船体的载***置λ0(单位均为度),载体三向速度vi0(i=x,y,z)(单位均为m/s),载体三轴姿态角φi0(i=x,y,z)(单位均为度);初始化转换矩阵初始化四元数q0;
(1.2)卡尔曼滤波器1参数初值:状态变量初值δφCi0(i=x,y,z),均方误差阵Pp0,***噪声方阵Qp,量测噪声方阵Rp,量测阵Hp;其余初值根据实际情况设定。
(1.3)卡尔曼滤波器2参数初值:状态变量初值δvS0i(i=x,y,z)、δλS0、Φi0(i=x,y,z)、εi0(i=x,y,z)、ΔAi0(i=x,y,z),均方误差阵P0,***噪声方阵Q,量测噪声方阵R,量测阵H;
其余初值根据实际情况设定。
初始化转换矩阵计算如下:
其中,n表示导航系,表示初始载体系到导航系的转移矩阵;
初始化四元数q0计算如下:
q00=a,其中q0=[q00 q01 q02 q03]T,cbnij(i,j=1,2,3)表示中第i行、第j列矩阵元素;
导航过程中,利用该初始信息进行更新,得到任意时刻载体的位置、速度和姿态角。
3.根据权利要求1所述的一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,所述的步骤(3)具体包括:
(3.1)四元数姿态矩阵更新:
设任意时刻载体系相对导航系的转动四元数为q=[q0 q1 q2 q3]T,四元数的及时修正如下:
其中,分别表示qi(i=0,1,2,3)的变化率;
(3.2)将t时刻载体系相对导航系的转动四元数qi(t)(i=0,1,2,3)代替式(4)中qi(i=0,1,2,3),得到t时刻转动四元数的变化率在t+1时刻载体的转动四元数为
其中式中ωi(i=x,y,z)省略了上角标b;T为采样时间;当t=1时,q(1)为步骤1中的载体初始四元数q0。
(3.3)根据q(t+1)中元素qi(t+1)(i=0,1,2,3),更新捷联矩阵
其中,上式中的qi(i=0,1,2,3)为式(5)中qi(t+1)(i=0,1,2,3),更新姿态信息:
(3.4)利用转换关系式将加速度计沿载体系测量的比力信息投影转换到导航系,利用下列微分方程求解载体运动速度:
其中,表示的变化率; 分别表示加速度计测量的比力在导航系oxn轴、oyn轴、ozn轴上的分量(单位均为m/s);
(3.5)将t时刻比力在导航系的投影fi n(t)(i=x,y,z),代替式(8)中的fi n(i=x,y,z),得到载体速度变化率得到t+1时刻载体速度和位置:
其中,R表示地球半径;当t=1时,为步骤1中载体速度初始值vi0(i=x,y,z);
至此,根据式(5)、(7)得到INS解算的载体速度、位置和姿态角。
4.根据权利要求1所述的一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,所述的步骤(4)具体包括:
载体相对惯性系姿态角为:
5.根据权利要求1所述的一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,所述的步骤(6)具体包括:
(6.1)利用星敏感器的惯性姿态误差模型,结合卡尔曼滤波,对惯性姿态进行误差修正如下:
其中,Pp(t)表示t时刻估计均方误差,Pp(t/t-1)表示t-1时刻到t时刻一步预测均方误差,Fp(t/t-1)表示t-1时刻到t时刻的状态转移矩阵,Gp(t-1)表示t-1时刻的噪声驱动阵,Qp(t-1)表示t-1时刻***噪声方差阵,Hp表示量测矩阵,Rp表示量测噪声方差阵,Kp(t)表示t时刻滤波增益矩阵;
(6.2)t时刻状态估计和估计均方误差的更新矩阵为:
其中,Xp(t)表示t时刻状态估计量,Xp(t)=[δφCx δφCy δφCz]T,当t=1时,状态量Xp(1)中元素为步骤1中卡尔曼滤波器1的状态量初值δφCi0(i=x,y,z),根据解算结果,对步骤(4)解算结果进行补偿,得到惯性姿态角φCi(i=x,y,z)。
6.根据权利要求1所述的一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,所述的步骤(7)具体包括:
根据转换矩阵间的数学关系,得到地球坐标系相对准地理坐标系的转换矩阵转换过程为进一步解算得到载体的位置,即
载体系到准地理系的转换矩阵由步骤(3)中解算的水平姿态得到,载体系到惯性系转换矩阵由步骤(6)中解算结果惯性姿态角得到。
7.根据权利要求1所述的一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,所述的步骤(8)具体包括:
利用载体的速度、位置和失准角误差模型,结合卡尔曼滤波,对载体状态量进行误差修正如下:
其中,P(t)表示t时刻估计均方误差,P(t/t-1)表示t-1时刻到t时刻一步预测均方误差,F(t/t-1)表示t-1时刻到t时刻的状态转移矩阵,G(t-1)表示t-1时刻的噪声驱动阵,Q(t-1)表示t-1时刻***噪声方差阵,H表示量测矩阵,R表示量测噪声方差阵,K(t)表示t时刻滤波增益矩阵;
t时刻状态估计和估计均方误差的更新矩阵为:
其中,X(t)表示t时刻状态估计量,当t=1时,状态量X(1)中元素为步骤1中卡尔曼滤波器2的状态量初值δvS0i(i=x,y,z)、δλS0、Φi0(i=x,y,z)、εi0(i=x,y,z)、ΔAi0(i=x,y,z)。根据解算结果,对步骤3中INS解算结果进行补偿,得到导航信息载***置λ,速度vi(i=x,y,z),姿态角φi(i=x,y,z)。
8.根据权利要求1所述的一种基于自适应差分进化BP神经网络的姿态误差抑制方法,其特征在于,所述的步骤(5)具体包括:
(5.1)初始化操作:初始化参数,包括种群规模N、基因维数D、变异因子F、交叉速率CR,以及每个基因的取值范围[Umin,Umax],利用式xij=Umin+rand×(Umax-Umin)随机初始化种群;其中i=1,2,...,N,j=1,2,...,D,rand表示服从均匀分布的随机数;
(5.2)判断当前最小适应度值是否达到μ或迭代次数达到最大,若是则ADE迭代停止,转至步骤(5.6);否则进行下一步;
(5.3)生成后代子群:对每个目标向量进行变异操作,产生变异向量对变异向量进行交叉操作产生实验个体将目标个体与其对应实验个体竞争,比较两者适应度值,仅当的适应度值较更优时才被选为子代,否则直接将作为子代。重复此步骤产生后代子群,其中,G表示迭代次数;
(5.4)评估后代子群的适应值,最小适应值是当前最优值,相应的子群即为当前最优个体值;
(5.5)令G=G+1,转至步骤(5.2);
(5.6)将ADE的最佳个体分配为BPNN的初始连接权值和阈值;
(5.7)将t时刻组合导航水平姿态信息φi(i=x,y)与阈值θi(i=x,y)进行比较,当水平姿态信息小于阈值时判定舰船发生摇摆,使用t-n~t-1时刻组合导航姿态信息对BPNN进行训练,得到最优模型;
(5.8)利用步骤(5.7)中得到的模型,预测出t时刻载体相对导航系的姿态角φpi(i=x,y,z),利用预测姿态角得到载体系到导航系的转换矩阵根据转换矩阵之间的关系,得到载体系相对惯性系的转换矩阵转换过程为进一步解算得到载体相对惯性系的姿态角预测值,即:
其中,表示中第m行、第n列元素;表示地球系到惯性系转换矩阵,由地球转速和导航时间得到;表示地球系到导航系的转换矩阵,由t-1时刻组合导航位置λ得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810248952.3A CN108613674A (zh) | 2018-03-25 | 2018-03-25 | 一种基于自适应差分进化bp神经网络的姿态误差抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810248952.3A CN108613674A (zh) | 2018-03-25 | 2018-03-25 | 一种基于自适应差分进化bp神经网络的姿态误差抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108613674A true CN108613674A (zh) | 2018-10-02 |
Family
ID=63658740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810248952.3A Pending CN108613674A (zh) | 2018-03-25 | 2018-03-25 | 一种基于自适应差分进化bp神经网络的姿态误差抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108613674A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109579853A (zh) * | 2019-01-24 | 2019-04-05 | 燕山大学 | 基于bp神经网络的惯性导航室内定位方法 |
CN109737955A (zh) * | 2018-12-14 | 2019-05-10 | 南京理工大学 | 一种海浪补偿***的姿态预测方法 |
CN110118979A (zh) * | 2018-11-26 | 2019-08-13 | 太原理工大学 | 基于广义互熵的改进差分进化算法估计多径参数的方法 |
CN110898409A (zh) * | 2019-11-05 | 2020-03-24 | 五邑大学 | 智能羽毛球拍动作识别*** |
CN110986936A (zh) * | 2019-12-17 | 2020-04-10 | 武汉理工大学 | 一种基于边缘计算的客轮人员定位导航方法 |
CN111027137A (zh) * | 2019-12-05 | 2020-04-17 | 中国人民解放军63620部队 | 基于遥测数据的航天器动力学模型高精度动态构建方法 |
CN111637882A (zh) * | 2020-05-23 | 2020-09-08 | 西北工业大学 | 一种基于栅格特征的差分进化地磁导航方法 |
CN112291676A (zh) * | 2020-05-18 | 2021-01-29 | 珠海市杰理科技股份有限公司 | 抑制音频信号拖尾的方法及***、芯片、电子设备 |
US11168984B2 (en) * | 2019-02-08 | 2021-11-09 | The Boeing Company | Celestial navigation system and method |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020004691A1 (en) * | 2000-03-10 | 2002-01-10 | Yasuhiro Kinashi | Attitude determination and alignment using electro-optical sensors and global navigation satellites |
CN102445200A (zh) * | 2011-09-30 | 2012-05-09 | 南京理工大学 | 微小型个人组合导航***及其导航定位方法 |
CN102519470A (zh) * | 2011-12-09 | 2012-06-27 | 南京航空航天大学 | 多级嵌入式组合导航***及导航方法 |
CN103913180A (zh) * | 2014-03-26 | 2014-07-09 | 中国科学院长春光学精密机械与物理研究所 | 一种船载大视场高精度星敏感器的安装角标定方法 |
CN104034329A (zh) * | 2014-06-04 | 2014-09-10 | 南京航空航天大学 | 发射惯性系下的多组合导航处理装置及其导航方法 |
-
2018
- 2018-03-25 CN CN201810248952.3A patent/CN108613674A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020004691A1 (en) * | 2000-03-10 | 2002-01-10 | Yasuhiro Kinashi | Attitude determination and alignment using electro-optical sensors and global navigation satellites |
CN102445200A (zh) * | 2011-09-30 | 2012-05-09 | 南京理工大学 | 微小型个人组合导航***及其导航定位方法 |
CN102519470A (zh) * | 2011-12-09 | 2012-06-27 | 南京航空航天大学 | 多级嵌入式组合导航***及导航方法 |
CN103913180A (zh) * | 2014-03-26 | 2014-07-09 | 中国科学院长春光学精密机械与物理研究所 | 一种船载大视场高精度星敏感器的安装角标定方法 |
CN104034329A (zh) * | 2014-06-04 | 2014-09-10 | 南京航空航天大学 | 发射惯性系下的多组合导航处理装置及其导航方法 |
Non-Patent Citations (1)
Title |
---|
齐昭: "舰用捷联惯导/天文/计程仪组合导航关键技术研究", 《中国优秀博士学位论文全文数据库•工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110118979A (zh) * | 2018-11-26 | 2019-08-13 | 太原理工大学 | 基于广义互熵的改进差分进化算法估计多径参数的方法 |
CN110118979B (zh) * | 2018-11-26 | 2023-02-28 | 太原理工大学 | 基于广义互熵的改进差分进化算法估计多径参数的方法 |
CN109737955A (zh) * | 2018-12-14 | 2019-05-10 | 南京理工大学 | 一种海浪补偿***的姿态预测方法 |
CN109579853A (zh) * | 2019-01-24 | 2019-04-05 | 燕山大学 | 基于bp神经网络的惯性导航室内定位方法 |
US11168984B2 (en) * | 2019-02-08 | 2021-11-09 | The Boeing Company | Celestial navigation system and method |
CN110898409A (zh) * | 2019-11-05 | 2020-03-24 | 五邑大学 | 智能羽毛球拍动作识别*** |
CN111027137A (zh) * | 2019-12-05 | 2020-04-17 | 中国人民解放军63620部队 | 基于遥测数据的航天器动力学模型高精度动态构建方法 |
CN111027137B (zh) * | 2019-12-05 | 2023-07-14 | 中国人民解放军63620部队 | 基于遥测数据的航天器动力学模型高精度动态构建方法 |
CN110986936A (zh) * | 2019-12-17 | 2020-04-10 | 武汉理工大学 | 一种基于边缘计算的客轮人员定位导航方法 |
CN112291676A (zh) * | 2020-05-18 | 2021-01-29 | 珠海市杰理科技股份有限公司 | 抑制音频信号拖尾的方法及***、芯片、电子设备 |
CN112291676B (zh) * | 2020-05-18 | 2021-10-15 | 珠海市杰理科技股份有限公司 | 抑制音频信号拖尾的方法及***、芯片、电子设备 |
CN111637882A (zh) * | 2020-05-23 | 2020-09-08 | 西北工业大学 | 一种基于栅格特征的差分进化地磁导航方法 |
CN111637882B (zh) * | 2020-05-23 | 2022-11-11 | 西北工业大学 | 一种基于栅格特征的差分进化地磁导航方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108613674A (zh) | 一种基于自适应差分进化bp神经网络的姿态误差抑制方法 | |
CN108827310B (zh) | 一种船用星敏感器辅助陀螺仪在线标定方法 | |
Hong | Fuzzy logic based closed-loop strapdown attitude system for unmanned aerial vehicle (UAV) | |
CN105737823B (zh) | 一种基于五阶ckf的gps/sins/cns组合导航方法 | |
CN112629538A (zh) | 基于融合互补滤波和卡尔曼滤波的舰船水平姿态测量方法 | |
CN109813311A (zh) | 一种无人机编队协同导航方法 | |
CN112504275B (zh) | 一种基于级联卡尔曼滤波算法的水面舰船水平姿态测量方法 | |
CN111351481A (zh) | 一种基于发射惯性坐标系的传递对准方法 | |
Rafatnia et al. | In-move aligned SINS/GNSS system using recurrent wavelet neural network (RWNN)-based integration scheme | |
CN104764467A (zh) | 空天飞行器惯性传感器误差在线自适应标定方法 | |
CN109059914B (zh) | 一种基于gps和最小二乘滤波的炮弹滚转角估计方法 | |
Rogers | Velocity-plus-rate matching for improved tactical weapon rapid transfer alignment | |
CN109708663B (zh) | 基于空天飞机sins辅助的星敏感器在线标定方法 | |
CN104215262A (zh) | 一种惯性导航***惯性传感器误差在线动态辨识方法 | |
JP2007232443A (ja) | 慣性航法装置およびその誤差補正方法 | |
CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
Sabet et al. | Experimental analysis of a low-cost dead reckoning navigation system for a land vehicle using a robust AHRS | |
CN108303120B (zh) | 一种机载分布式pos的实时传递对准的方法及装置 | |
CN115265532A (zh) | 一种用于船用组合导航中的辅助滤波方法 | |
Rogers | Weapon IMU transfer alignment using aircraft position from actual flight tests | |
CN109211232B (zh) | 一种基于最小二乘滤波的炮弹姿态估计方法 | |
Al Jlailaty et al. | IMU Hand-Calibration for Low-Cost MEMS Inertial Sensors | |
CN110375773B (zh) | Mems惯导***姿态初始化方法 | |
He et al. | A model-free hull deformation measurement method based on attitude quaternion matching | |
CN107036595A (zh) | 基于交互式多模型滤波的船体变形角估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181002 |
|
RJ01 | Rejection of invention patent application after publication |