基于模糊神经网络自适应Kalman滤波算法的研究

摘要

惯性导航系统(SINS)是一种自主式导航系统，可以连续提供多种导航信息，短时间内运行的精度较高，然而其定位误差随时间积累，长时间精度较差。全球定位系统(GPS)长期误差特性较好，但是短期误差精度不好。因此以SINS/GPS为组合方式的组合导航系统能够取长补短，是一种理想的组合方式。 论文以SINS/GPS组合导航系统为研究对象，系统地研究了利用智能数据融合技术提高滤波性能的算法。论文首先讨论了SINS，GPS导航系统的定位原理、误差分析，进而建立了GPS/SINS系统的数学模型。其次论文介绍了模糊控制和BP神经网络的基本理论及各自局限性、互补性，从而提出了基于神经网络的模糊控制器结构。最后论文论述了当导航系统噪声统计特性不确定时，如何改善滤波估计效果和提高SINS/GPS组合导航系统的定位精度的问题。探讨了加权自适应Kalman滤波算法利弊，针对系统的噪声统计特性不确定时，传统Kalman滤波器估计会产生大的偏差或发散的问题，论文设计了一种基于模糊神经网络自适应Kalman滤波器，即通过基于神经网络的模糊控制系统在线实时调整自适应Kalman滤波器的加权因子，保证滤波精度。给出三种仿真环境下的基本Kalman滤波与模糊自适应Kalman滤波估计效果对比曲线。仿真结果说明在噪声统计逐渐增大的情况下，本文设计的自适应算法具有较强的鲁棒性，可以提供较高的导航定位精度。

目录

文摘

英文文摘

声明

第1章绪论

1.1引言

1.2 Kalman滤波技术的发展

1.3导航系统的发展

1.4论文的主要工作和章节安排

第2章 SINS/GPS组合导航系统原理

2.1引言

2.2 SINS惯性导航系统工作原理和基本方程

2.2.1惯性导航系统工作原理

2.2.2常用坐标系定义

2.2.3 SINS惯性导航系统的基本方程

2.2.4 SINS惯性导航系统的姿态算法

2.2.5 SINS惯性导航系统的力学编排

2.2.6 SINS惯性导航系统的误差方程

2.3 GPS导航系统定位原理及误差分析

2.3.1 GPS导航系统概述

2.3.2 GPS导航系统的定位原理

2.3.3 GPS导航系统的定位计算

2.3.4 GPS导航系统的误差分析

2.4 GPS/SINS组合导航系统

2.4.1 GPS/SINS组合导航系统简介

2.4.2 GPS/SINS组合导航系统的组合模式

2.4.3 GPS/SINS组合导航系统的数学模型

2.5本章小结

第3章模糊控制与神经网络

3.1模糊控制与模糊推理

3.1.1模糊控制

3.1.2模糊推理

3.2神经网络的基本理论

3.2.1神经网络的概述

3.2.2标准BP神经网络

3.3模糊神经网络

3.3.1模糊神经网络概述

3.3.2基于神经网络的模糊系统

3.4本章小结

第4章智能自适应Kalman滤波算法研究

4.1引言

4.2组合导航基本Kalman滤波算法

4.3模糊神经自适应Kalman滤波算法分析

4.3.1引言

4.3.2智能融合技术的Kalman滤波理论

4.3.3指数加权Kalman滤波算法

4.3.4模糊神经网络控制器结构

4.4本章小结

第5章仿真与实验结果分析

5.1 SINS导航系统仿真研究

5.2基本Kalman组合导航系统仿真研究

5.3智能Kalman滤波组合导航系统仿真研究

5.4仿真结果比较及分析

5.5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢