一种水下航行器用神经网络辅助组合导航方法

摘要

本发明公开了一种水下航行器用神经网络辅助组合导航方法。本发明由捷联惯性导航系统SINS、多普勒测速仪DVL、磁航向仪MCP和地形辅助导航系统TAN组成，采用径向基函数神经网络(RBFNN)辅助卡尔曼滤波的分散滤波结构和容错方法完成组合导航。在无故障时间段，RBFNN为在线学模式，SINS与各辅助系统的观测量之差作为RBFNN的期望输出，经误差补偿后的加速度计的输出f^b和陀螺仪的输出作为RBFNN的输入；当SINS作为参考系统与各辅助系统组成的子系统发生故障时，立即切换到RBFNN预测模式，预测输出作为相应子滤波器的量测输入。相比于发生故障时的SINS模式，RBFNN模式的导航精度有所提高，尤其当故障恢复时间相对较长时，其导航精度提高的尤为明显。

主权项

一种水下航行器用神经网络辅助组合导航方法，其特征在于：由捷联惯性导航系统(SINS)、多普勒测速仪(DVL)、磁航向仪(MCP)和地形辅助导航系统(TAN)组成导航系统，采用径向基函数神经网络(RBFNN)辅助卡尔曼滤波的分散滤波结构和容错方法完成组合导航，通过以下步骤实现： 1.)建立径向基函数神经网络(RBFNN)和各导航系统之间的组合模型 捷联惯性导航系统(SINS)作为参考系统和多普勒测速仪(DVL)、RBFNN(1)、子滤波器(1)及故障检测模块(1)组成子系统1，捷联惯性导航系统(SINS)和磁航向仪(MCP)、RBFNN(2)、子滤波器(2)及故障检测模块(2)组成子系统2，捷联惯性导航系统(SINS)地形辅助导航系统(TAN)、RBFNN(3)、子滤波器(3)及故障检测模块(3)组成子系统3。子系统分为两种工作模式：RBFNN学习模式和RBFNN预测模式。当子系统正常工作时，子系统的RBFNN处于在线并行学习模式，并采用相应的训练方法对神经网络的关键参数进行调整；当子系统发生故障时，子系统的RBFNN处于预测模式，预测输出各子滤波器的量测输入； 2.)故障检测模块判断子系统是否发生故障 假定组合导航系统中的SINS是可靠的，导航系统故障判断准则为：若故障检测模块(1)检测出子系统1发生故障，则判定导航系统DVL故障；若故障检测模块(2)检测出子系统2发生故障，则判定导航系统MCP故障；若故障检测模块(3)检测出子系统3发生故障，则判定导航系统TAN故障。当故障检测模块检测出子系统无故障时，则进入步骤3.)，否则进入步骤4.)； 3.)当故障检测模块检测出子系统无故障时，则对各子系统的RBFNN进行在线训练，在线训练过程和导航过程是并行执行的；RBFNN1的训练输入为经误差补偿后的加速度计输出f^b和陀螺仪的输出子滤波器(1)的量测输入作为RBFNN1的期望输出；RBFNN2的训练输入为f^b和子滤波器(2)的量测输入作为RBFNN2的期望输出；RBFNN3的训练输入为f^b和子滤波器(3)的量测输入作为RBFNN3的期望输出；4.)当故障检测模块检测出子系统发生故障时，子系统由RBFNN学习模式切换到RBFNN预测模式，即RBFNN为各子滤波器提供相应的量测输入；当子系统1发生故障时，RBFNN(1)预测输出子滤波器(1)的量测输入；当子系统2发生 故障时，RBFNN2预测输出滤波器(2)的量测输入；当子系统3发生故障时，RBFNN(3)预测输出子滤波器(3)的量测输入； 5.)各子滤波器提供的信息进入主滤波器进行信息融合，输出的误差补偿量再反馈校正捷联惯性导航系统(SINS)； 6.)当发生故障的导航系统恢复正常工作状态时，此时RBFNN由预测模式转为在线学习模式。