GPSINS自适应组合导航算法研究.docVIP

论文中英文摘要 作者姓名：高为广 论文题目：GPS/INS自适应组合导航算法研究 作者简介：高为广，男，1979年09月出生，2005年9月师从于信息工程大学杨元喜院士，于2008年06月获博士学位。 中 文 摘 要 本文围绕利用GPS/INS自适应组合导航算法这一中心问题展开研究，涉及到自适应滤波算法研究、神经网络算法研究、动力学模型误差补偿算法研究、故障检测算法研究等诸多内容，所有这些构成了一套完整的GPS/INS组合导航系统自适应滤波理论、模型和算法，得到了一些有益的结论。论文的主要内容和创新点概括如下： 1．对全球卫星导航系统（GPS、GLONASS、GALILEO、北斗）和区域卫星导航系统（MSAS/QZSS、GAGAN/IRNSS）的发展现状进行了概括总结。论述了本文的研究背景及意义，分析了GPS/INS组合导航系统数据处理算法的研究历史及现状，介绍了论文的主要研究内容。 2．从线性最优估计算法和非线性次优估计算法两方面出发，对目前导航系统数据处理算法进行了归纳与分类。并指出：导航解算时，必须首先分析非线性模型方程的非线性强度，非线性强度弱可以采用该方法直接进行导航解算。反之，则应该采用其它能够尽可能避免线性化误差的算法，如迭代滤波算法、高阶截断滤波算法、UKF滤波算法等等。 3．重点对组合导航系统的自适应滤波算法进行了研究。主要内容包含如下几个方面： 首先，在观测信息无冗余的情况下，介绍了几种新的基于预报残差构造的自适应滤波算法。分析总结了观测信息冗余情况下基于预报状态构造的几种自适应因子表达式，并详细推导了基于状态不符值和基于方差分量比构造自适应因子的方法。其次，为了弥补基于预报状态构造的自适应滤波算法对观测信息冗余情况的要求，重点研究了基于预报残差构造的统计量和几种自适应因子，并给出了几种预报残差协方差矩阵的表达式。该统计量及相应的自适应因子虽然对观测信息个数没有要求，但可以较好地调整动力学模型信息和观测信息之间的权比，抑制动力学模型误差和扰动异常对导航解的影响。 其次，在GPS观测信息有无冗余情况下，基于预报残差构造的自适应因子，给出了相应的自适应滤波导航算法。实测数据计算结果表明，观测信息冗余时，基于预报状态构造的自适应滤波解优于基于预报残差构造的自适应滤波解；观测信息无冗余时，基于预报状态构造的自适应滤波算法不可用，此时基于预报残差构造的自适应滤波算法能够有效地抑制动力学模型异常扰动误差对导航解的影响，其导航解优于标准Kalman滤波。 第三，在GPS/INS松组合导航系统观测信息无冗余情况下，将基于预报残差构造的自适应因子引入到GPS/INS松组合导航系统，给出了一种GPS/INS自适应组合导航算法。实测数据计算结果表明，该算法导航解精度明显优于标准Kalman滤波导航解，能够有效地抑制动力学模型误差对导航解的影响。 最后，在观测信息有冗余和无冗余混合的情况下，基于预报状态构造的自适应滤波算法和基于预报残差构造的自适应滤波算法，对联邦滤波算法进行了改进，提出了一种自适应联邦滤波算法，并用模拟数据验证了算法的可行性。 4．重点研究了Hopfield神经网络和BP神经网络的改进算法及其在导航系统中的应用。 首先，给出了基于Hopfield神经网络进行状态估计的有效算法。对Hopfield神经网络学习速率的人为给定问题，进行了自适应计算。并且为了抑制异常观测信息对导航解的影响，将抗差等价权原理引入到Hopfield神经网络算法，提出了基于等价权原理的Hopfield神经网络状态估计算法。计算结果表明：当观测信息存在异常观测（粗差）或观测噪声不满足高斯白噪声分布时，最小二乘算法不能得到状态参数的最优解。而Hopfield神经网络算法对观测噪声的分布没有特别要求，观测噪声为非高斯分布或法方程系数矩阵弱相关时，其导航解相对最小二乘算法均有明显改善。 其次，详细研究了BP神经网络的改进算法。为了提高网络训练速度，分别给出了提高BP神经网络收敛速度的两种算法－学习速率和动量因子的自适应计算方法以及层间连接权的误差补偿算法，并利用机载实测数据证明了方法的可行性。在提高神经网络泛化能力方面，首先给出了利用EKF和UKF对神经网络隐含层和输出层连接权值的部分训练方法。针对UKF参数选取随意性的问题，采用移动开窗估计法对状态噪声和观测噪声协方差矩阵进行自适应估计，提出了一种新的提高神经网络泛化能力的自适应UKF算法。并利用实测数据进行了验证，结果表明利用EKF、UKF和自适应UKF算法训练神经网络都能提高其泛化能力，其中自适应UKF优于其它几种算法。 5．重点研究了GPS/INS组合导航系统动力学模型误差的补偿算法。主要内容包含如下几个方面： 首先，对各种控制动力学模型误差影响的函数模型补偿滤波算法和随机模型补偿滤波