[发明专利]一种基于非线性网络的惯性导航算法架构的确定方法

摘要

本发明公开了一种基于非线性网络的惯性导航算法架构的确定方法，无力学编排体现在摒弃了传统利用牛顿力学方程计算位置与速度的导航计算方式；认知主要体现在针对不同惯性器件，基于神经网络等工具，自主化建立导航计算模型。其主要优点一、精度更高，由于认知惯性导航的非线性网络模型通过大量数据分析挖掘所建立，该模型是定制化的，与原力学编排通用模型相比，能够更好的适应惯性器件，因此能够具备更高精度；优点二、能力自提升，神经网络训练模型在后台处理，随着训练数据，训练方法的优化，认知惯性导航系统能力是不断提高的，可以具备在线升级能力。

主权项

1.一种基于非线性网络的惯性导航算法架构的确定方法，其特征在于，包括惯性导航算法训练阶段，所述的惯性导航算法训练阶段具体包括以下步骤：(1)粗对准：在静态情况下，忽略载体晃动干扰，将陀螺和加速度计的输出近似看成地球自转角速度ωie和重力加速度g量测值，近似确定载体坐标系与地理坐标系间的角度关系；(2)精对准：在静态情况下，根据粗对准姿态阵和陀螺实时输出解算出姿态阵，然后计算出速度，从中估计出失准角，提升载体坐标系与地理坐标系间的对准精度；(3)姿态计算：基于步骤(2)中精对准的结果及陀螺测量值，计算载体姿态角和载体姿态矩阵，利用载体姿态矩阵将加速度计的测量值由载体坐标系变换至地理坐标系，得到地理坐标系加速度；(4)非线性网络模型建立：设定非线性网络中各神经元的输入输出参数及各神经元间的连接权值，完成载体的地理坐标系加速度与载体的位置变化量和速度变化量的非线性网络模型的建立；步骤(4)具体为：非线性网络由输入层、隐含层和输出层构成，其中输入层有4个神经元，隐含层有n个神经元,输出层有6个神经元，n为大于1的整数；输入层的输入为地理坐标系加速度与采样周期，表示为：式中，为地理坐标系下东向加速度，为地理坐标系下北向加速度，为地理坐标系下垂直加速度，T为采样周期；隐含层第j个神经元的输入为：隐含层第j个神经元输出为：式中h_ij为隐含层第j个神经元的输入，h_oj为隐含层第j个神经元的输出，m₀为输入层的第m₀个神经元，为输入层神经元与隐含层第j个神经元的权值；b_h为隐含层第j个神经元阈值，h＝1,2,3,...n；输出层第j个神经元的输入为：输出层第j个神经元输出：式中，为隐含层第n个神经元与输出层第j个神经元之间的连接权值；m₁为隐含层的第m₁个神经元，b_o为输出层第j个神经元阈值,o＝1,2,3,...6；误差函数为：d_oj为d_o的第j个元素，d_o为参考值；(5)非线性网络训练：在外部训练样本的驱动下不断改变非线性网络的连接权值,使非线性网络的输出不断地接近预设期望值，完成非线性网络的训练；所述的训练样本为实时差分定位模块测量的载体的位置变化量和速度变化量以及地理系加速度的三维加速度；步骤(5)具体包括以下步骤：(500)非线性网络初始化：给输入层各神经元到隐含层各神经元的连接权值和隐含层各神经元到输出层各神经元的连接权值分别赋一个区间(‑1，1)内的随机数，设定期望精度值和最大学习次数，将初始学习次数设为零；(501)选取一组训练样本，将训练样本中地理坐标系加速度的三维加速度作为输入层神经元的输入,计算隐含层各神经元的输入和输出，然后计算输出层各神经元的输入和输出；(502)根据误差函数、输出层各神经元的输出和选取训练样本中的位置变化量和速度变化量计算误差值；学习次数增加一次；(503)判断误差值是否达到期望精度值或学习次数是否大于设定的最大学习次数，若是，则执行步骤(509)，否则，执行步骤(504)；(504)利用位置变化量、速度变化量和输出层神经元的输出分别计算误差函数对输出层的各神经元的偏导数；(505)利用隐含层各神经元到输出层各神经元的连接权值、输出层各神经元的偏导数和隐含层各神经元的输出，分别计算误差函数对隐含层各神经元的偏导数；(506)利用误差函数对输出层各神经元的偏导数和隐含层各神经元的输出，分别修正隐含层各神经元与输出层各神经元之间的连接权值；(507)利用误差函数对隐含层各神经元的偏导数和输入层各神经元的输入，分别修正输入层与隐含层各神经元之间的连接权值；(508)重新选取一组训练样本，将训练样本中地理坐标系加速度的三维加速度作为输入层神经元的输入，计算隐含层各神经元的输入和输出，然后计算输出层各神经元输入和输出；跳转到步骤(502)；(509)保存训练完成的非线性网络；完成基于非线性网络的惯性导航算法架构的确定。