遗传优化小波神经网络在组合导航中的应用研究

摘要

惯性导航系统(Inertial Navigation System,INS)与全球定位系统(Global Position System,GPS)相结合是提高导航精度和可靠性的重要途径之一。论文针对GPS/INS系统中GPS信号应用不可靠的问题,对惯性组合导航系统建立误差预测模型,以修正GPS信号无效期间INS的导航参数,从而提高INS独立工作时的精度。为了提高模型的训练速度、泛化性能和防止陷入局部极小的情况,选用先进的小波神经网络(Wavelet Neural Network,WNN)并引入了遗传算法(Genetic Algorithm,GA)进行误差预测模型的建立。同时,在建模前,对惯性导航系统中占主体地位的惯性元件建立准确的数学模型并对其误差进行有效地补偿或削弱。
　　 论文以小波变换的尺度特性为基础,主要针对惯性导航系统中随机误差建立了相应的模型,以提高系统的导航精度,研究了基于小波多尺度理论的组合导航系统的滤波算法;建立GPS/INS组合导航系统的小波神经网络滤波算法,以提高INS独立工作时的精度。
　　 研究使用小波多分辨率分析(Waveletmulti-resolutionanalysis,WMRA)处理陀螺信号,对载体最大范围内角运动的陀螺测量信号进行频谱分析和频带能量统计,确定陀螺信号的有用频带,并利用小波包动态阈值降噪算法针对陀螺各频带特征进行自适应滤波降噪。针对惯性器件研究利用小波理论分析陀螺的漂移特性,提取光纤陀螺的随机漂移;在此基础上,研究基于自适应线性神经网络建立随机漂移的预测模型,利用小波神经网络非线性预测算法对陀螺漂移实时预测。将平稳小波变换(StationaWaveleteTransformation,SWT)应用剑GPS/INS组合导航中,利用小波阈值滤波对惯导信号多分辨分析后各层的小波系数进行适当处理,有效抑制了惯导的误差,提高了组合导航的精度。
　　 研究利用小波变换对GPS、INS的位置、速度信息进行动态滤波的算法,对信号的低频发展趋势以小波系数的形式加以提取进而得到INS相对于GPS的误差。针对GPS/INS组合导航系统在实际应用中遇到的问题,提出小波神经网络的自适应滤波算法,旨在利用滤波器得到的INS误差模型修正GPS信号无效期间INS的导航参数,从而提高INS独立工作时的精度。该模型采用小波神经网络避免了其它网络存在的局部最小化的缺陷,并将小波分析和遗传算法引入其中,对GPS失效情况下的INS数据预测和建模,有效提高了导航精度。在GPS有效时,该算法采用基于遗传算法的小波神经网络对GPS/INS信号建立INS位置、姿态、速度误筹预测模型。在GPS失效时,利用已建立的预测模型预测INS位置、姿态、速度误差来修复INS数据,实现机体在复杂机动下的实时精确导航定位。

目录

文摘

英文文摘

论文说明:图表目录、注释表

第一章 绪论

1.1 引言

1.2 组合导航系统的背景及发展现状

1.3 论文的研究背景和意义

1.4 论文的内容和安排

第二章 小波变换及陀螺信号分析

2.1 引言

2.2 离散小波变换的快速算法

2.2.1 Mallat快速离散小波变换

2.2.2 单子带重构改进算法

2.2.3 陀螺信号频谱分析

2.3 陀螺信号的小波包频带分析

2.3.1 小波包分解的频域特征

2.3.2 小波包频带分析算法

2.3.3 陀螺信号频带分析

2.3.4 小波包动态阈值去噪算法

2.3.5 小波包阈值去噪结果分析

2.4 本章小结

第三章 陀螺漂移的提取与非线性预测

3.1 引言

3.2 陀螺漂移提取与动态标定

3.2.1 随机漂移的提取

3.2.2 陀螺信号标定与Allan方差分析

3.3 小波神经在陀螺漂移预测中的应用

3.3.1 神经网络与非线性预测

3.3.2 时间序列的线性预测方法

3.3.3 小波神经网络的预测原理

3.3.4 实验验证

3.4 本章小结

第四章 基于小波变换的GPS/SINS组合导航的数据融合算法

4.1 引言

4.2 GPS/SINS卡尔曼滤波数据融合算法

4.2.1 SINS的工作原理

4.2.2 GPS/SINS组合导航的卡尔曼滤波

4.3 基于平稳小波变换的CKF数据融合算法

4.3.1 平稳小波变换阈值消噪算法

4.3.2 基于平稳小波变换的CKF数据融合算法的建立

4.4 本章小结

第五章 遗传优化小波神经网络在GPS/SINS的应用

5.1 引言

5.2 遗传优化的小波神经网络预测算法

5.2.1 遗传算法简介

5.2.2 用遗传算法优化神经网络权值的学习过程

5.3 组合导航仿真与预测

5.3.1 WMRA分析GPS/SINS数据

5.3.2 基于GA-WNN的组合导航建模与预测

5.3.3 仿真分析

5.4 本章小结

第六章 总结与展望

6.1 全文主要工作总结

6.2 后续研究工作展望

参考文献

致谢

在学期间的研究成果及发表的学术论文