一种基于径向基神经网络辅助的空中对准算法
文献发布时间:2024-01-17 01:28:27
技术领域
本发明涉及组合导航系统中空中对准技术,具体是一种基于径向基神经网络辅助的空中对准算法。
背景技术
目前主要的制导技术是SINS/GPS组合导航技术,但在导航系统上电之后,往往不能直接进入导航工作状态,需要先知道运动的初始状态建立初始基准,即进行初始对准。若初始对准过程存在较大误差则会影响组合导航的精度,因此初始对准的算法研究便成为制导炮弹制导的关键环节。
空中对准根据对准过程可分为粗对准和精对准,粗对准为组合导航计算出一个粗略的初始姿态矩阵,为后续的精对准提供基础,要求计算速度快,精度可以低一些,精对准则在粗对准的基础上,利用辅助系统的测量信息,和捷联惯性导航系统解算出的导航信息进行数据融合,从而估计出失准角的大小,校正真实导航坐标系与计算导航坐标系之间的失准角,从而得到精确的姿态变换矩阵。
由于制导炮弹在刚出膛时具有高动态、高过载、高速度的特点,在这种恶劣环境下,一般传感器受到高过载冲击后,测量精度往往都会下降,从而导致测量误差增大。经典的卡尔曼滤波算法只适用于线性系统,且要求系统噪声统计特性服从高斯分布,扩展卡尔曼滤波算法虽然克服了非线性问题,但是在泰勒级数展开的过程中,它忽略了非线性函数的高阶展开项,在高动态环境下仍然会带来较大误差。因此,建立一种准确快速的空中对准算法十分必要。
发明内容
本发明的目的在于提出一种基于径向基神经网络辅助的空中对准算法,以提高导航系统的精度和鲁棒性。
实现本发明目的的技术解决方案为:一种基于径向基神经网络辅助的空中对准算法,包括以下步骤:
(10)利用GPS获取制导炮弹的初始偏航角、俯仰角、三轴速度和三轴位置;
(20)结合磁力计获取制导炮弹初始滚转角;
(30)根据SINS系统的误差模型建立扩展卡尔曼滤波器的状态方程;
(40)根据GPS/磁力计的输出建立扩展卡尔曼滤波器的量测方程;
(50)利用扩展卡尔曼滤波器的迭代公式进行状态和量测更新,利用径向基神经网络对扩展卡尔曼滤波进行误差修正。
进一步的,(10)利用GPS获取制导炮弹的初始偏航角、俯仰角、三轴速度和三轴位置,其中偏航角和俯仰角的计算方法为:
假设GPS输出的速度矢量为[V
式中,V
进一步的,(20)结合磁力计获取制导炮弹初始滚转角,计算方法为:
假设地面坐标系下地磁感应强度的三轴分量为H
式中,
在已知偏航角的条件下,得到滚转角计算公式为:
进一步的,(30)根据SINS系统的误差模型建立扩展卡尔曼滤波器的状态方程,具体方法为:
将速度误差方程、位置误差方程、姿态误差方程、陀螺仪常值漂移及加速度计零偏组成状态方程,公式如下:
X
其中,X
进一步的,(40)根据GPS/磁力计的输出建立扩展卡尔曼滤波器的量测方程,具体方法为:
将SINS解算的速度、位置与GPS解算的速度、位置之差组成量测方程,公式如下:
Z
其中,Z
进一步的,利用扩展卡尔曼滤波器的迭代公式进行状态更新和量测更新,并利用径向基神经网络对扩展卡尔曼滤波进行误差修正,具体方法为:
利用扩展卡尔曼滤波器的迭代公式进行状态和量测更新,公式如下:
(1)时间更新:
式中,
(2)量测更新:
P
式中,K
利用径向基神经网络对扩展卡尔曼滤波进行误差修正;
径向基神经网络的输入为当前状态估计值和状态一步预测的差值
一种基于径向基神经网络辅助的空中对准系统,基于所述的空中对准算法,实现基于径向基神经网络辅助的空中对准。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的空中对准算法,实现基于径向基神经网络辅助的空中对准。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的空中对准算法,实现基于径向基神经网络辅助的空中对准。
本发明与现有技术相比,其显著优点为:在噪声统计特性不确切时,利用径向基神经网络的非线性映射能力,将扩展卡尔曼滤波器中当前状态估计值和状态一步预测的差值
附图说明
图1为径向基神经网络辅助的空中对准算法的流程图。
图2为径向基神经网络辅助的空中对准算法的整体框图。
图3为径向基神经网络训练样本示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明一种基于径向基神经网络辅助的空中对准算法,对载体姿态、速度和位置进行最优估计,方法的具体流程如下:
(10)利用GPS获取初始偏航角、俯仰角、三轴速度和三轴位置;
粗对准就是为惯导系统提供粗略的初始姿态,要求对准时间快,为下一步精对准提供初始基准。在SINS/GPS/磁力计导航系统中,不需要依赖外部设备,利用GPS系统就可以提供初始的位置和速度信息,并确定载体的偏航角和俯仰角。公式如下:
假设GPS输出的速度矢量为[V
(20)结合磁力计获取初始滚转角;
磁力计有着误差不随时间积累,不受天气、环境影响的特点,可以充分利用地磁场的信息来辅助测量姿态,在已知一个姿态角的前提下,可以方便求出另外两个姿态角。假设地面坐标系下地磁感应强度的三轴分量为H
在已知偏航角的条件下,可得滚转角计算公式为:
(30)根据SINS系统的误差模型建立状态方程;
将速度误差方程、位置误差方程、姿态误差方程、陀螺仪常值漂移及加速度计零偏组成系统的状态方程,公式如下:
其中,X表示系统误差向量:
式中,φ
F为系统的状态转移矩阵:
式中,F
式中,
G为系统噪声驱动矩阵:
式中,
W为系统噪声向量,由陀螺仪零偏和加速度计零偏组成:
式中,w
(40)根据GPS/磁力计的输出建立量测方程;
将SINS解算的速度、位置与GPS解算的速度、位置之差组成量测方程,公式如下:
Z=HX+V
其中,Z为量测向量:
Z=[v
式中,v
V为观测噪声向量,H为测量矩阵:
H=[0
式中,I为单位矩阵。
(50)建立状态方程与量测方程后,利用扩展卡尔曼滤波器的迭代公式进行更新,公式如下:
(1)时间更新:
(2)量测更新:
P
当GPS数据更新时,扩展卡尔曼滤波器结合惯导解算结果和GPS信息,进行量测更新计算出估计的状态值,当GPS没有数据更新时,则卡尔曼滤波器进行时间更新。
(60)利用径向基神经网络进行误差修正,具体的步骤包括:
(61)确定神经网络的训练样本,将当前状态估计值和状态一步预测的差值
(62)构建基于径向基神经网络,径向基神经网络第一层是输入层,由信号源节点组成,输入层的节点数根据输入样本矢量的维度来确定;第二层是隐含层,隐含层神经元的常用变换函数是高斯函数,它的节点数由正交最小二乘法进行求解;第三层是输出层,输出层采用线性激活函数,直接对隐含层输出结果进行线性加权求和,其节点数取决于输出矢量的维度。
(63)对原始数据进行归一化处理,即将原始数据处理为[-1,1]之间的数据,提高网络训练效率和泛化能力。初始化径向基神经网络的最大迭代次数、误差目标值、分布常数等参数,采用正交最小二乘法对径向基函数的数据中心、标准差、隐含层与输出层之间的权值进行训练,当网络误差达到目标值的要求或迭代次数达到最大时,停止训练。
(64)最优的状态估计值为扩展卡尔曼滤波的输出值和径向基神经网络的输出值之和。
(65)对系统的状态变量进行反馈校正,利用最优的状态估计值去修正系统的导航误差,获得准确的导航参数信息,达到提高导航精度的目的。
本发明还提出一种基于径向基神经网络辅助的空中对准系统,基于所述的空中对准算法,实现基于径向基神经网络辅助的空中对准。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的空中对准算法,实现基于径向基神经网络辅助的空中对准。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的空中对准算法,实现基于径向基神经网络辅助的空中对准。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。