[发明专利]基于SET2FNN的GPS/MEMS-INS组合导航系统定位误差预测方法

权利要求书

1.基于SET2FNN的GPS/MEMS-INS组合导航系统定位误差预测方法，其特征在于步骤如下：

(1)当GPS/MEMS-INS组合导航系统开始工作，且GPS信号完好时，此时UKF包括两种并行工作模式：预测模式及更新模式，以MEMS陀螺输出的三轴角速度及GPS信号丢失时间作为SET2FNN的输入，以UKF两种模式下输出的位置误差之差值作为SET2FNN的期望输出，进行SET2FNN模型结构及参数的自进化实时调整更新，对于每一时刻输入的训练样本，SET2FNN模型的自进化实时更新过程如下：

(1.1)SET2FNN结构学习：对于每一时刻新输入的训练样本，以激励强度作为规则产生的准则，预先设定阈值，激励强度大于阈值则不产生新的规则；否则产生一个新的规则，并计算此时刻每个输入变量对应每个模糊集合的隶属度，若隶属度小于预先设定的隶属度阈值，则产生一个对应于此输入变量的新的模糊集合，并设置新的模糊集合的初始不确定均值和方差，即前提参数；否则采用原有的模糊集合；此外，对于新产生的规则，设定新规则对应的结论参数的初始值；

(1.2)SET2FNN参数学习：对于每一时刻新输入的训练样本，在进行结构学习后，需进行参数的学习更新，采用基于规则顺序的卡尔曼滤波算法估计结论参数，然后计算训练误差，基于训练误差采用梯度下降算法调整前提参数，从而获得此时刻最优的SET2FNN模型参数；

(2)当GPS信号丢失时，SET2FNN模型及UKF均工作于预测模式，以MEMS陀螺输出的三轴角速度及GPS信号丢失时间作为输入，利用SET2FNN模型长周期预测与UKF短周期预测动态结合的方法来预测位置误差并校正，输出校正后的组合导航系统定位结果。

2.根据权利要求1所述基于SET2FNN的GPS/MEMS-INS组合导航系统定位误差预测方法，其特征在于：所述(1.1)中SET2FNN的结构学习中以激励强度作为规则产生的准则的具体步骤如下：

A.若为第一组输入数据，其中n为输入变量个数，则直接产生一个新的模糊规则，并设定新规则对应的前提模糊集合的初始中心，即均值为初始宽度，即方差为σ_1，j＝0.4，j＝1，…，n；设置新规则对应的结论参数的初始值为其中yd为输入的期望输出，初始参数决定了初始输出区间范围，j＝1，…，n；若不是第一组输入，则执行步骤B；

B.对于新输入的数据计算分别为第i条规则的激励强度的上、下界，M(t)为原有的规则个数，然后对新输入的数据找到如果那么将产生一个新的规则，M(t+1)＝M(t)，其中φ_th∈(0，1)是预先设定的门限，执行步骤C；

C.对于每个输入变量x_j(j＝1，…，n)，分别计算i＝1，…，M(t)，分别为第j个输入对应其第i个模糊集合的上部隶属度和下部隶属度，为二者的均值。对每个新产生的规则，找到其中k_j(t)是第j个输入变量的模糊集合个数，如果其中ρ∈[0，1]是预先设定的门限值，那么就使用已存在的模糊集合作为第j个输入变量新规则的前提部分，否则，第j个输入变量产生一个新的模糊集合，并令k_j(t+1)＝k_j(t)+1，输入变量x_j的第k_j(t+1)个模糊集合初始的不确定均值和标准差的设定为：

其中β＞0决定了两个模糊集合之间的交叠程度；

D对于新产生第M(t+1)条规则，需设置新规则对应的结论参数的初始值：其中y_d为输入的期望输出，其中c0M(t+1)=yd,]]>s0M(t+1)=0.1.]]>