[发明专利]基于参数优化深度置信模型的冗余捷联惯组故障检测方法

说明书

本发明公开了一种基于参数优化深度置信模型的冗余捷联惯组故障检测方法，属于飞行器导航、制导与控制领域，其包括以下步骤：S1、采集冗余捷联惯组的输出数据，并基于该输出数据构建训练集与测试集；S2、采用训练集训练深度置信模型，得到训练完成的深度置信模型；S3、对训练完成的深度置信模型的结构参数进行优化，得到结构参数最优的深度置信模型；S4、将测试集输入结构参数最优的深度置信模型中，进行冗余捷联惯组故障检测；本发明解决了现有冗余捷联惯组故障检测方法中对故障建模不准确，人工提取特征困难以及人工调节参数存在限制的问题。

技术领域

本发明属于飞行器导航、制导与控制领域，具体涉及一种基于参数优化深度置信模型的冗余捷联惯组故障检测方法。

背景技术

在许多重要的航空航天应用中，对飞行器导航系统的可靠性要求非常高。采用冗余捷联惯组可以显著提高导航系统的可靠性，前提是冗余捷联惯组具有较高的容错能力，这种容错能力可以通过使用故障检测和隔离（FDI）技术来实现。

近年来，深度学习由于其出色的分类能力，受到越来越多的研究人员追捧。在系统模型未知的情况下，可以通过深度学习模型训练数据，提取特征，实现分类。深度置信网络（DBN）作为一种深层网络模型，具有良好的特征学习能力和分类能力，被广泛应用于各个领域。目前，深度置信网络结构大多凭借经验或通过人为调节参数来确定，一定程度上限制了它的发展。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于参数优化深度置信模型的冗余捷联惯组故障检测方法解决了现有冗余捷联惯组故障检测方法中对故障建模不准确，人工提取特征困难以及人工调节参数存在限制的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于参数优化深度置信模型的冗余捷联惯组故障检测方法，包括以下步骤：

S1、采集冗余捷联惯组的输出数据，并基于该输出数据构建训练集与测试集；

S2、采用训练集训练深度置信模型，得到训练完成的深度置信模型；

S3、对训练完成的深度置信模型的结构参数进行优化，得到结构参数最优的深度置信模型；

S4、将测试集输入结构参数最优的深度置信模型中，进行冗余捷联惯组故障检测。

进一步地，所述步骤S2中深度置信模型由多层限制玻尔兹曼机单元组成，深度置信模型具体包括顺次连接的第1层限制玻尔兹曼机单元、第2层限制玻尔兹曼机单元、第3层限制玻尔兹曼机单元、第4层限制玻尔兹曼机单元、直到第n层限制玻尔兹曼机单元。

进一步地，所述步骤S2包括以下分步骤：

S21、逐层训练限制玻尔兹曼机单元，得到训练完成的所有限制玻尔兹曼机单元；

S22、对训练完成的第n层限制玻尔兹曼机单元输出的数据提取特征，得到输出结果；

S23、将输出结果与实际值进行对比，得到误差值；

S24、采用反向传播方法将误差值从训练完成的第1层限制玻尔兹曼机单元依次分配至训练完成的第n层限制玻尔兹曼机单元中进行参数微调，得到训练完成的深度置信模型。

上述进一步方案的有益效果为：能够自动提取并学习数据的特征，克服了人工提取特征的困难。

进一步地，所述步骤S21包括以下步骤：

S211、初始化迭代参数r，r = 1；

S212、将训练集输入第1层限制玻尔兹曼机单元中，对第1层限制玻尔兹曼机单元进行训练，更新第r层限制玻尔兹曼机单元的权值和偏置，得到训练完成的第r层限制玻尔兹曼机单元；