[发明专利]一种基于概率神经网络的监测系统及其平滑参数优化方法

说明书

本发明涉及一种基于概率神经网络的监测系统及其平滑参数优化方法，属于人工智能以及卫星导航技术领域。所述监测系统包括输入层、模式层、求和层、比较层以及输出层模块；所述参数优化方法包括：1)初始化参数；2)初始化粒子速度和位置；3)更新粒子速度和位置；4)计算粒子适应度；5)更新粒子的历史最优值；6)更新粒子的全局最优值；7)判断是否满足监测系统要求，若为真跳至10)；否则跳至8)；8)判断全部粒子是否处理完毕，若是跳至9)，否则跳至4)；9)判断是否到达最大迭代次数，若是跳至10)，否则跳至3)；10)输出粒子的适应度函数。本发明垂直方向最小可检测故障可控制在35m；可有效控制漏检率和误警率。

技术领域

本发明涉及一种基于概率神经网络的监测系统及其平滑参数优化方法，属于人工智能以及卫星导航技术领域。

背景技术

当使用卫星导航系统进行定位时，必须评估接收数据的完好性，以确保定位结果的可靠性。接收机自主完好性监测(RAIM)是一种卫星完好性检查方法，由接收机独立执行，为用户提供实时保护。当卫星导航系统出现故障或无法提供必要的定位精度时，RAIM会及时提醒用户，以免发生意外。根据卫星故障引起的伪距误差可能导致定位有误的特点，基于假设检验的传统RAIM利用测量的噪声和误警概率来检测卫星故障，其中以最小二乘残差法、奇偶矢量法和多风险假设解集分离(MHSS)法最具有代表性。但是这三种方法的监测精度低，仅能够在远洋段(定位误差小于200m)使用。

从2012年至2016年，由美国联邦航空管理局(FAA)和欧洲航天局(ESA)组成的研究小组开发了高级RAIM算法，该算法有可能满足LPV-200(飞行器在垂直方向距地面200英尺高度的导航性能)级别的导航需求。但该方法只在多星座联合定位的情况下，才能够满足LPV-200的导航性能需求，而且其全球范围内的可用性还在探讨阶段。

最近几年，基于贝叶斯检测理论的RAIM算法经历了快速发展。Pesonen提出了一种使用贝叶斯理论检测单故障卫星的RAIM方法，并开发了结构框架，将卫星导航完好性问题转化为定位参数的后验概率分布。张倩倩提出了一种基于贝叶斯假设检验框架的多卫星故障检测的RAIM方法，通过计算危险误导信息的概率来确定卫星故障。遗憾的是，这些算法需要大量的计算资源，并且采样模型中的一些超参数必须从历史信息中导出，当历史信息量不足时，超参数的不确定性将影响卫星完好性监测结果的质量。

上述已有的RAIM技术虽然具有卫星完好性监测的效果，然而，在精密进近导航(LPV-200)情况下，传统RAIM方法性能的改进还存在很大空间。本发明的目的是致力于解决传统RAIM的技术缺陷，结合人工智能技术提出一种能够应用在精密进近导航(LPV-200)中的接收机自主完好性监测方法。

发明内容

本发明的目的在于解决精密进近导航(LPV-200)中，接收机无法在GPS单系统中独立完成卫星完好性分析的问题，提出了一种基于概率神经网络的监测系统及其平滑参数优化方法。

一种基于概率神经网络的监测系统及其平滑参数优化方法包括概率神经网络监测系统以及一种基于粒子群优化的平滑参数优化方法，所述方法是为提高所述监测系统性能以满足LPV-200导航需求的平滑参数优化方法；

其中，概率神经网络监测系统包括输入层模块、模式层模块、求和层模块、比较层模块和输出层模块；

其中，除输出层模块外，输入层模块、模式层模块、求和层模块、比较层模块都是单向传输；

其中，输入层模块包括输入层X轴子模块，输入层Y轴子模块和输入层Z轴子模块；模式层模块包括模式层X轴子模块、模式层Y轴子模块和模式层Z轴子模块；求和层模块包括求和层X轴子模块、求和层Y轴子模块和求和层Z轴子模块。

所述监测系统中各模块的连接关系如下：

输入层模块与模式层模块连接；模式层模块与求和层模块连接；求和层模块与比较层模块连接；比较层模块与输出层模块连接。