[发明专利]一种SINS和DVL组合导航方法、设备与系统

权利要求书

1.一种SINS和DVL组合导航方法，其特征在于，包括：

步骤1：构建RBFNN模型；其中，所述RBFNN模型的输入为以SINS所测量的DVL坐标系下的三维速度，所述RBFNN模型的输出为DVL波束方向的速度值；

步骤2：在DVL波束信息完整状态下，对所述RBFNN模型进行在线训练，建立所述RBFNN模型的输入与所述输出之间的映射关系；

步骤3：在所述DVL波束信息缺失状态下，以所述SINS所测量的所述DVL坐标系下的三维速度作为输入，根据所述映射关系获得DVL波束方向的速度预测值；

步骤4：根据所述SINS所测量的三维速度和步骤3获得的所述DVL波束方向的速度预测值进行导航；

其中，所述步骤1中构建RBFNN模型包括构建下式：

其中，y_n为所述RBFNN模型的输出，表示所述DVL波束方向的速度值；g_nm为权重值，N为RBFNN模型的输出的节点的总数；

其中，X_p表示在预设时间内以SINS所测量的DVL坐标系下的三维速度，c_m和d_max为利用K-means聚类方法根据所述X_p确定的值，P和M为预设值，MP。

2.如权利要求1所述的方法，其特征在于，所述RBFNN模型包括输入层、隐含层、输出层；所述输入层包括P个节点X_p，p＝1,2,3,...,P；所述隐含层包括M个节点Φ_m，所述输出层包括N个节点G＝(g₁,g₂,...,g_N)^T；

其中，为矩阵Φ_m的伪逆矩阵；d为所述输出层的期望输出，表示期望的所述DVL波束方向的速度值。

3.如权利要求1或2所述的方法，其特征在于，通过下述方式利用K-means聚类方法确定c_m：

从输入样本X_p中随机选取M个样本作为c_m的初始值c_m(k)；

计算当前时刻每个输入样本与每个c_m(k)之间的欧氏距离：

||X_p-c_m(k)||,p＝1,2,3,...,P；m＝1,2,3,...,M

采用最近邻聚类算法，计算每个输入样本与M个c_m(k)之间的欧氏距离，针对每个样本X_p，确定满足最小欧氏距离的c_m(k)，将距离该c_m(k)最近的所有样本归为一个最近邻聚类集θ_m：

d_m＝min||X_p-c_m(k)||,p＝1,2,3,...,P；m＝1,2,3,...,M

以所述聚类集θ_m中所有样本的平均值更新所述c_m(k)，得到c_m(k+1)，若所述c_m(k+1)不等于c_m(k)，则以所述c_m(k+1)为所述c_m(k)，迭代计算所述c_m(k+1)；若所述c_m(k+1)等于c_m(k)，则以所述c_m(k+1)为所述c_m的终值。

4.如权利要求3所述的方法，其特征在于，所述d_max为全部c_m与X_p之间的最大欧氏距离。

5.如权利要求3所述的方法，其特征在于，所述c_m表示隐含层的中心向量。