)為求期望算子；
[0170] 得到能量信號之后解決最優化問題：
[0172] 最終得到滿足上式的最優化系統參數ω ;
[0173] 通過數值迭代算法可得：
[0175] 其中，Δ Ukj為系統參數修正值，η為學習步長；
[0176] (4)在接收機中添加時滯濾波模塊，改善環路跟蹤誤差與更新時間的相關性：
[0177] 將脈沖序列與參考命令卷積形成的整形命令作為控制信號，濾掉參考命令中引起 系統振動的頻率分量，消除^階震湯系統的震湯殘留；
[0178] 通常接收機中采用典型的二階PLL(鎖相環）的結構，接收機環路的傳遞函數為：
[0180] 其中，ξ為二階系統的阻尼系數，ωΑ自然圓頻率，α IMU為SINS的輔助數據帶 寬；
[0181] 此處采用雙脈沖零振時滯濾波器（ZV)，當濾波器模型參數與系統本身參數相同， 且不存在參數不確定性的時候，濾波器傳遞函數如下：
[0183] 其中，脈沖幅度和時延表達式如下：
[0189] 于是，最終載波環路誤差的最終傳遞函數為：
[0190] HF(s) = F(S) · H(S)
[0191] 對比其他實際應用的導航方式，可以看出本設計具有較為完備的數據計算體系和 性能調節模塊，說明采用本發明方法可以很好地實現基于慣性導航的高精度組合導航，且 各模塊計算及硬件實現過程較為簡潔明了，工程實現性較強。
[0192] 本發明書中未作詳細描述的內容屬于本領域專業技術人員公知的現有技術。
【主權項】
1. 一種慣性導航平臺和北斗衛星的高精度超緊耦合導航方法，其特征在于：根據運動 物體狀態方程及測量方程建立隨機線性定常離散系統模型；利用對系統的冗余測量值的差 分序列進行統計分析，實現基于冗余測量的卡爾曼濾波算法，準確的估計了系統量測噪聲 并自適應調節捷聯慣導（SINS)和北斗衛星（BDS)噪聲方差R;根據超緊耦合傳統結構，弓丨 入神經網絡預測模塊，用于輔助失鎖狀態下的北斗衛星載波跟蹤環和碼跟蹤環；在北斗衛 星接收機中添加時滯濾波模塊，顯著改善了超緊耦合系統中的環路跟蹤誤差與更新時間的 相關性，具體包括以下步驟： (1) 根據運動物體狀態方程及測量方程建立隨機線性定常離散系統模型：狀態方程式中，\為SINS/BDS系統的n維狀態變量；〇 k, k :為系統的n x n維狀態轉 移矩陣；rk,k:為n x p維系統過程噪聲輸入矩陣；Wk i為p維系統隨機過程噪聲序列； 測量方程式中，Zk為測量系統的m維觀測序列，即測量值；HkSm x n維觀測矩陣；Vk 為m維系統隨機觀測噪聲序列； 上面兩式中Xk包含的狀態分量有：其中，下標E、N、U分別代表東、北、天三個方向；下標x、y、z分別代表待導航機體的右、 前和上軸向；巾為慣導平臺誤差角；S vE等表示速度誤差；S L、S A和S h分別表示三個 方向的位置誤差；e bx等表示陀螺漂移；7%等表示加速度計漂移； 在自適應卡爾曼濾波的關鍵步驟就是針對測量噪聲的準確估計，即需要對\的性質和 參數進行準確的分析； (2) 基于冗余測量的卡爾曼濾波算法，實現噪聲方差的自適應估計與調節： 在系統量測噪聲未知的條件下，通過針對系統冗余值的一階二階差分分析，獲得統計 特性，進而自適應調節方差； 通過計算二階差分序列的自相關可得： E[ ( AZi-A Z2) ( A Zi- A Z2)T] = 2 (Rj+R^ 計算兩個一階差分序列自相關，并相減：于是得到噪聲方差矩陣：將對應的SINS/BDS系統差分序列代入上式：AZSB -AZSINS_AZBDS 式中，AZSINSSSINS的測量系統的一階差分序列；AZBDS為BDS測量系統的；AZBDS為SINS和BDS的二階差分序列； 在實際工程中采用劃窗方式保證計算結果的實時性，上式中，k表示當前測量時刻，M為劃窗長度；實際選取k-M:k范圍內的信息作為參考值，以此保證自適應的實時效應； (3)引入神經網絡預測模塊，實現對于BDS的載波跟蹤環和碼跟蹤環的校正： 最基本的RBF神經網絡分為輸入層輸出層和隱層，隱層用于進行從輸入空間到隱藏空 間的變換，一般情況下隱層空間具有較高維度；輸出層作用在輸入層的激活模式并提供響 應； 依據超緊耦合的經典模式，系統需要在輸出導航變量的同時，輸出對衛星接收機的輔 助變量，通常為偽距和多普勒頻移的估計值；本方法中采用的就是將偽距和多普勒頻移的 輔助變量估計通過神經網絡來實現； 神經網絡的工作過程分為兩個過程，分別是學習過程和輸出過程；其中學習過程又分 為自組織學習過程和監督學習過程，分別確定隱層函數和輸出層權值； 本方法的工作方式是，當BDS和SINS正常工作時，對神經網絡進行訓練，BDS和SINS的 組合導航輸出作為目標神經網絡的輸出，BDS本身的偽距和多普勒頻移測量結果作為目標 神經網絡的輸入；訓練算法迭代修正網絡參數，從而達到誤差的最小均方值；當SINS性能 惡化，無法針對BDS完成直接輔助的時候，將BDS的偽距和多普勒結果作為訓練完成的神經 網絡輸入，從而預測偽距和多普勒頻移的誤差，通過矢量相加的方式實現輔助功能； 神經網絡的主要模塊在于通過學習構建隱層系統參數，前饋型神經網絡的結構中，迭 代過程為求解最優化問題： 構造誤差信號能量函數為：其中，e|(n)為誤差信號的平方；e( ?)為求期望算子； 得到能量信號之后解決最優化問題：最終得到滿足上式的最優化系統參數《 ; 通過數值迭代算法可得：其中，aOg為系統參數修正值，n為學習步長； (4)在接收機中添加時滯濾波模塊，改善環路跟蹤誤差與更新時間的相關性： 將脈沖序列與參考命令卷積形成的整形命令作為控制信號，濾掉參考命令中引起系統 振動的頻率分量，消除^?階震湯系統的震湯殘留； 通常接收機中采用典型的二階PLL(鎖相環）的結構，接收機環路的傳遞函數為：其中，I為二階系統的阻尼系數，《"為自然圓頻率，aIMU為SINS的輔助數據帶寬； 此處采用雙脈沖零振時滯濾波器（ZV)，當濾波器模型參數與系統本身參數相同，且不 存在參數不確定性的時候，濾波器傳遞函數如下：1=丄 苴由.脈沖幅磨和時鉦丟i大忒加下.于是，最終載波環路誤差的最終傳遞函數為： HF(s) =F(s) ?H(s) 〇
【專利摘要】本發明涉及一種慣性導航平臺和北斗衛星的高精度超緊耦合導航方法。根據運動物體狀態方程及測量方程建立了隨機線性定常離散系統力學模型；利用對系統的冗余測量值的一階、二階差分序列進行統計分析，實現了基于冗余測量的自適應卡爾曼濾波算法，準確的估計了系統量測噪聲，進而自適應調節噪聲方差R；根據超緊耦合傳統結構，引入神經網絡預測模塊，用于輔助失鎖狀態下的北斗衛星載波跟蹤環和碼跟蹤環。采用時滯濾波器用于北斗衛星接收機，顯著改善了超緊耦合系統中的環路跟蹤誤差與更新時間的相關性；本發明屬于導航控制技術領域，可應用于各類搭載捷聯慣性導航平臺的運載體的高精度導航。
【IPC分類】G01S19/47
【公開號】CN105116431
【申請號】CN201510565824
【發明人】任元, 蘇靖軒, 邵瓊玲, 陳曉岑, 繆存孝, 蔡遠文, 李新洪, 汪洲
【申請人】中國人民解放軍裝備學院
【公開日】2015年12月2日
【申請日】2015年9月8日