高过载环境下的捷联惯性导航系统陀螺信号智能滤波方法

摘要

本发明公开了一种高过载环境下的捷联惯性导航系统陀螺信号智能滤波方法，其主要目的在于：建立3个BP网络模拟高过载环境下X、Y、Z三个轴上的陀螺输出，捷联惯性导航系统的陀螺和加速度计直接安装在载体上；根据加速度计输出进行判断载体是否处于进入高过载环境，当加速度计输出大于设定阈值时，则视为进入高过载环境，否则视为非高过载环境；当判断结果为非高过载环境，则将3个陀螺输出用于导航计算并将陀螺输出作为BP网络在线训练样本，以保证网络参数与当前载体运动态势的一致性；当判断结果为进入高过载环境时，则3个BP网络工作在模拟输出状态，模拟陀螺信号输出，保证捷联惯性系统的平稳工作。

主权项

1.一种高过载环境下的捷联惯性导航系统陀螺信号智能滤波方法，其特征为：步骤1：建立3个BP网络结构，所述3个BP网络初始结构包括模拟高过载环境下X轴陀螺输出的BP网络、模拟高过载环境下Y轴陀螺输出的BP网络和模拟高过载环境下Z轴陀螺输出的BP网络，3个BP网络初始结构为：单输入/单输出和单个隐含层的三层网络结构形式，隐含层节点数为m，m＝10；3个BP网络的输入分别为X、Y、Z轴上的陀螺输出时间相关值x^θ、x^γ、输出分别为X、Y、Z轴上的陀螺输出y^θ、y^γ、其中x、y分别表示BP网络的输入、输出，上标θ、γ、分别表示对应X、Y、Z轴的输入或输出；3个BP网络的输出与输入之间的关系分别为：$y^{\theta }=g^{\theta }\left[\underset{j=1}{\overset{10}{\Sigma }}{w}_{\mathrm{jk}}^{\theta }{f}_j^{\theta }\left(w_{\mathrm{ij}}^{\theta }{x}^{\theta }\right)\right]$$y^{\gamma }=g^{\gamma }\left[\underset{j=1}{\overset{10}{\Sigma }}{w}_{\mathrm{jk}}^{\gamma }{f}_j^{\gamma }\left(w_{\mathrm{ij}}^{\gamma }{x}^{\gamma }\right)\right]$式中分别表示3个BP网络输入层到隐含层的连接权值，下标i、j分别表示输入层第i个节点与隐含层第j个节点；分别表示3个BP网络隐含层到输出层之间的连接权值，下标k表示输出层第k个节点，i＝1,k＝1；分别表示3个BP网络隐含层激活函数，都为Sigmoidal函数，Sigmoidal函数表达式如下：$f_j^{\theta }\left(u_j^{\theta }\right)=\frac{1}{1+e^{{-u}_j^{\theta }}}$$f_j^{\gamma }\left(u_j^{\gamma }\right)=\frac{1}{1+e^{{-u}_j^{\gamma }}}$其导数为：$f_j^{\theta \prime }\left(u_j^{\theta }\right)=\frac{1}{1+e^{{-u}_j^{\theta }}}\frac{e^{{-u}_j^{\theta }}}{1+e^{{-u}_j^{\theta }}}=[1-f_j^{\theta }\left(u_j^{\theta }\right)]f_j^{\theta }\left(u_j^{\theta }\right)$$f_j^{\gamma \prime }\left(u_j^{\gamma }\right)=\frac{1}{1+e^{{-u}_j^{\gamma }}}\frac{e^{{-u}_j^{\gamma }}}{1+e^{{-u}_j^{\gamma }}}=[1-f_j^{\gamma }\left(u_j^{\gamma }\right)]f_j^{\gamma }\left(u_j^{\gamma }\right)$其中，分别表示3个BP网络隐含层激活函数的输入，且为指数函数；分别表示3个BP网络隐含层激活函数的输出分别表示3个BP网络输出层激活函数，都为Sigmoidal函数，Sigmoidal函数表达式如下：$g^{\theta }\left(u^{\prime \theta }\right)=\frac{1}{1+e^{{-u}^{\prime \theta }}}$$g^{\gamma }\left(u^{\prime \gamma }\right)=\frac{1}{1+e^{{-u}^{\prime \gamma }}}$其导数为：$g^{\theta \prime }\left(u^{\prime \theta }\right)=\frac{1}{1+e^{{-u}^{\prime \theta }}}\frac{e^{{-u}^{\prime \theta }}}{1+e^{{-u}^{\prime \theta }}}=[1-g^{\theta }\left(u^{\prime \theta }\right)]g^{\theta }\left(u^{\prime \theta }\right)$$g^{\gamma \prime }\left(u^{\prime \gamma }\right)=\frac{1}{1+e^{{-u}^{\prime \gamma }}}\frac{e^{{-u}^{\prime \gamma }}}{1+e^{{-u}^{\prime \gamma }}}=[1-g^{\gamma }\left(u^{\prime \gamma }\right)]g^{\gamma }\left(u^{\prime \gamma }\right)$其中，u^′θ、u^′γ、分别表示3个BP网络输出层激活函数的输入，且$u^{\prime \theta }=\underset{j=1}{\overset{10}{\Sigma }}{w}_{\mathrm{jk}}^{\theta }{f}_j^{\theta }\left(w_{\mathrm{ij}}^{\theta }{x}^{\theta }\right),$$u^{\prime \gamma }=\underset{j=1}{\overset{10}{\Sigma }}{w}_{\mathrm{jk}}^{\gamma }{f}_j^{\gamma }\left(w_{\mathrm{ij}}^{\gamma }{x}^{\gamma }\right),$步骤2：分别接收X、Y、Z轴上的陀螺信号；步骤3：判断是否处于进入高过载环境，所述的高过载环境判断方法为：根据捷联惯性导航系统的加速度计输出进行判断，当加速度计输出大于设定阈值5g且g为重力加速度时，则视为进入高过载环境，否则视为非高过载环境；步骤4：当判断结果为进入高过载环境时，则3个BP网络工作在模拟输出状态，模拟陀螺信号输出，且分别以当前最新的步骤1的输出y^θ、y^γ、作为X、Y、Z轴上陀螺的模拟信号输出并用于导航计算；步骤5：当判断结果为非高过载环境，则将3个陀螺输出用于导航计算并将非高过载环境下的陀螺输出作为BP网络在线训练样本，所述在线训练样本包括陀螺输出时间相关值和非高过载环境下的陀螺输出陀螺累计采样数为p，再令p=p+1，如果p小于在线训练样本数P，P=300，则返回步骤2，如果p等于300，则利用300个训练样本对BP网络进行在线训练，并以当前在线训练结果更新步骤1所述的BP网络连接权值p清零后返回步骤2，所述在线训练包括X轴在线训练、Y轴在线训练和Z轴在线训练；所述X轴在线训练的步骤如下：步骤5.1.1：令迭代次数n_θ的初始值为1，利用随机函数Random(·)对模拟高过载环境下X轴陀螺输出的BP网络隐含层和输出层的权值进行初始化：$w_{\mathrm{ij}}^{\theta }=\begin{array}{cc}\mathrm{Random}(·)& w_{\mathrm{ij}}^{\theta }\in \left[\mathrm{0,1}\right]\end{array}$$w_{\mathrm{jk}}^{\theta }=\begin{array}{cc}\mathrm{Random}(·)& w_{\mathrm{jk}}^{\theta }\in \left[\mathrm{0,1}\right]\end{array}$步骤5.1.2：计算当前迭代过程中所用300个样本总误差$E_{A\left(n_{\theta }\right)}^{\theta }=\underset{p=1}{\overset{300}{\Sigma }}{E}_{p\left(n_{\theta }\right)}^{\theta }=\frac{1}{2}\underset{p=1}{\overset{300}{\Sigma }}{(d_p^{\theta }-y_{p\left(n_{\theta }\right)}^{\theta })}^2$式中为当前迭代过程中当输入第p个样本时模拟高过$y_{p\left(n_{\theta }\right)}^{\theta }=g^{\theta }\left[\underset{j=1}{\overset{10}{\Sigma }}{w}_{\mathrm{jk}}^{\theta }{f}_j^{\theta }\left(w_{\mathrm{ij}}^{\theta }{x}_p^{\theta }\right)\right]$步骤5.1.3：如果或者n_θ≥10000，则采用当前更新步骤1的模拟高过载环境下X轴陀螺输出的BP网络中的否则进入步骤5.1.4；步骤5.1.4：令n_θ＝n_θ+1，$w_{\mathrm{ij}\left(n_{\theta }\right)}^{\theta }=w_{\mathrm{ij}(n_{\theta }-1)}^{\theta }+\Delta w_{\mathrm{ij}\left(n_{\theta }\right)}^{\theta },$$w_{\mathrm{jk}\left(n_{\theta }\right)}^{\theta }=w_{\mathrm{jk}(n_{\theta }-1)}^{\theta }+\Delta w_{\mathrm{jk}\left(n_{\theta }\right)}^{\theta }$其中$\Delta w_{\mathrm{ij}\left(n_{\theta }\right)}^{\theta }=-0.58\frac{\partial E_A^{\theta }}{\partial w_{\mathrm{ij}(n_{\theta }-1)}^{\theta }}$$\Delta w_{\mathrm{jk}\left(n_{\theta }\right)}^{\theta }=-0.58\frac{\partial E_A^{\theta }}{\partial w_{\mathrm{jk}(n_{\theta }-1)}^{\theta }}$其中$\frac{\partial E_A^{\theta }}{\partial w_{\mathrm{ij}(n_{\theta }-1)}^{\theta }}=\underset{p=1}{\overset{300}{\Sigma }}\frac{\partial E_p^{\theta }}{\partial w_{\mathrm{ij}(n_{\theta }-1)}^{\theta }}=\underset{p=1}{\overset{300}{\Sigma }}\underset{j=1}{\overset{10}{\Sigma }}\frac{\partial E_p^{\theta }}{\partial y_{p(n_{\theta }-1)}^{\theta }}\frac{\partial y_{p(n_{\theta }-1)}^{\theta }}{\partial u_{p(n_{\theta }-1)}^{\prime \theta }}\frac{\partial u_{p(n_{\theta }-1)}^{\prime \theta }}{\partial x_{\mathrm{jp}(n_{\theta }-1)}^{\prime \theta }}\frac{\partial x_{\mathrm{jp}(n_{\theta }-1)}^{\prime \theta }}{\partial u_{\mathrm{jp}(n_{\theta }-1)}^{\theta }}\frac{\partial u_{\mathrm{jp}(n_{\theta }-1)}^{\theta }}{\partial w_{\mathrm{ij}(n_{\theta }-1)}^{\theta }}$$=-\underset{p=1}{\overset{300}{\Sigma }}\underset{j=1}{\overset{10}{\Sigma }}(d_p^{\theta }-y_{p(n_{\theta }-1)}^{\theta })y_{p(n_{\theta }-1)}^{\theta }(1-y_{p(n_{\theta }-1)}^{\theta })w_{\mathrm{jk}(n_{\theta }-1)}^{\theta }{x}_{\mathrm{jp}(n_{\theta }-1)}^{\prime \theta }(1-x_{\mathrm{jp}(n_{\theta }-1)}^{\prime \theta })x_p^{\theta }$$\frac{\partial E_A^{\theta }}{\partial w_{\mathrm{jk}(n_{\theta }-1)}^{\theta }}=\underset{p=1}{\overset{300}{\Sigma }}\frac{\partial E_p^{\theta }}{\partial w_{\mathrm{jk}(n_{\theta }-1)}^{\theta }}=\underset{p=1}{\overset{300}{\Sigma }}\frac{\partial E_p^{\theta }}{\partial y_{p(n_{\theta }-1)}^{\theta }}\frac{\partial y_{p(n_{\theta }-1)}^{\theta }}{\partial u_{p(n_{\theta }-1)}^{\prime \theta }}\frac{\partial u_{p(n_{\theta }-1)}^{\prime \theta }}{\partial w_{\mathrm{jk}(n_{\theta }-1)}^{\theta }}=-\underset{p=1}{\overset{300}{\Sigma }}(d_p^{\theta }-y_{p(n_{\theta }-1)}^{\theta })g^{\theta \prime }\left(u_{p(n_{\theta }-1)}^{\prime \theta }\right)x_{\mathrm{jp}(n_{\theta }-1)}^{\prime \theta }$$=-\underset{p=1}{\overset{300}{\Sigma }}(d_p^{\theta }-y_{p(n_{\theta }-1)}^{\theta })y_{p(n_{\theta }-1)}^{\theta }(1-y_{p(n_{\theta }-1)}^{\theta })x_{\mathrm{jp}(n_{\theta }-1)}^{\prime \theta }$式中表示上一次迭代过程中当输入第p个样本时的BP网络输出，表示上一次迭代过程中当输入第p个样本时的BP网络输出层激活函数的输入，表示上一次迭代过程中当输入第p个样本时的BP网络隐含层激活函数的输出，表示上一次迭代过程中当输入第p个样本时的BP网络隐含层激活函数的输入，表示上一次迭代结束后隐含层到输出层的连接权值，为上一次迭代结束后输入层到隐含层的连接权值，返回步骤5.1.2；所述Y轴在线训练的步骤如下：步骤5.2.1：令迭代次数n_γ的初始值为1，利用随机函数Random(·)对模拟高过载环境下Y轴陀螺输出的BP网络隐含层和输出层的权值进行初始化：$w_{\mathrm{ij}}^{\gamma }=\begin{array}{c}\begin{array}{cc}\mathrm{Random}(·)& w_{\mathrm{ij}}^{\gamma }\in \left[\mathrm{0,1}\right]\end{array}\end{array}$$w_{\mathrm{jk}}^{\gamma }=\begin{array}{c}\begin{array}{cc}\mathrm{Random}(·)& w_{\mathrm{jk}}^{\gamma }\in \left[\mathrm{0,1}\right]\end{array}\end{array}$步骤5.2.2：计算当前迭代过程中所用300个样本总误差$E_{A\left(n_{\gamma }\right)}^{\gamma }=\underset{p=1}{\overset{300}{\Sigma }}{E}_{p\left(n_{\gamma }\right)}^{\gamma }=\frac{1}{2}\underset{p=1}{\overset{300}{\Sigma }}{(d_p^{\gamma }-y_{p\left(n_{\gamma }\right)}^{\gamma })}^2$式中为当前迭代过程中当输入第p个样本时模拟高过载环境下Y轴陀螺输出的BP网络的输出；$y_{p\left(n_{\gamma }\right)}^{\gamma }=g^{\gamma }\left[\underset{j=1}{\overset{10}{\Sigma }}{w}_{\mathrm{jk}}^{\gamma }{f}_j^{\gamma }\left(w_{\mathrm{ij}}^{\gamma }{x}_p^{\gamma }\right)\right]$步骤5.2.3：如果或者n_γ≥10000，则采用当前更新步骤1的模拟高过载环境下Y轴陀螺输出的BP网络中的否则进入步骤5.2.4；步骤5.2.4：令n_γ＝n_γ+1，$w_{\mathrm{ij}\left(n_{\gamma }\right)}^{\gamma }=w_{\mathrm{ij}(n_{\gamma }-1)+}^{\gamma }\Delta w_{\mathrm{ij}\left(n_{\gamma }\right)}^{\gamma },$$w_{\mathrm{jk}\left(n_{\gamma }\right)}^{\gamma }=w_{\mathrm{jk}(n_{\gamma }-1)}^{\gamma }+\Delta w_{\mathrm{jk}\left(n_{\gamma }\right)}^{\gamma }$其中$\Delta w_{\mathrm{ij}\left(n_{\gamma }\right)}^{\gamma }=-0.58\frac{\partial E_A^{\gamma }}{\partial w_{\mathrm{ij}(n_{\gamma }-1)}^{\gamma }}$$\Delta w_{\mathrm{jk}\left(n_{\gamma }\right)}^{\gamma }=-0.58\frac{\partial E_A^{\gamma }}{\partial w_{\mathrm{jk}(n_{\gamma }-1)}^{\gamma }}$其中$\frac{\partial E_A^{\gamma }}{\partial w_{\mathrm{ij}(n_{\gamma }-1)}^{\gamma }}=\underset{p=1}{\overset{300}{\Sigma }}\frac{\partial E_p^{\gamma }}{\partial w_{\mathrm{ij}(n_{\gamma }-1)}^{\gamma }}=\underset{p=1}{\overset{300}{\Sigma }}\underset{j=1}{\overset{10}{\Sigma }}\frac{\partial E_p^{\gamma }}{\partial y_{p(n_{\gamma }-1)}^{\gamma }}\frac{\partial y_{p(n_{\gamma }-1)}^{\gamma }}{\partial u_{p(n_{\gamma }-1)}^{\prime \gamma }}\frac{\partial u_{p(n_{\gamma }-1)}^{\prime \gamma }}{\partial x_{\mathrm{jp}(n_{\gamma }-1)}^{\prime \gamma }}\frac{\partial x_{\mathrm{jp}(n_{\gamma }-1)}^{\prime \gamma }}{\partial u_{\mathrm{jp}(n_{\gamma }-1)}^{\gamma }}\frac{\partial u_{\mathrm{jp}(n_{\gamma }-1)}^{\gamma }}{\partial w_{\mathrm{ij}(n_{\gamma }-1)}^{\gamma }}$$=-\underset{p=1}{\overset{300}{\Sigma }}\underset{j=1}{\overset{10}{\Sigma }}(d_p^{\gamma }-y_{p(n_{\gamma }-1)}^{\gamma })y_{p(n_{\gamma }-1)}^{\gamma }(1-y_{p(n_{\gamma }-1)}^{\gamma })w_{\mathrm{jk}(n_{\gamma }-1)}^{\gamma }{x}_{\mathrm{jp}(n_{\gamma }-1)}^{\prime \gamma }(1-x_{\mathrm{jp}(n_{\gamma }-1)}^{\prime \gamma })x_p^{\gamma }$$\frac{\partial E_A^{\gamma }}{\partial w_{\mathrm{jk}(n_{\gamma }-1)}^{\gamma }}=\underset{p=1}{\overset{300}{\Sigma }}\frac{\partial E_p^{\gamma }}{\partial w_{\mathrm{jk}(n_{\gamma }-1)}^{\gamma }}=\underset{p=1}{\overset{300}{\Sigma }}\frac{\partial E_p^{\gamma }}{\partial y_{p(n_{\gamma }-1)}^{\gamma }}\frac{\partial y_{p(n_{\gamma }-1)}^{\gamma }}{\partial u_{p(n_{\gamma }-1)}^{\prime \gamma }}\frac{\partial u_{p(n_{\gamma }-1)}^{\prime \gamma }}{\partial w_{\mathrm{jk}(n_{\gamma }-1)}^{\gamma }}=-\underset{p=1}{\overset{300}{\Sigma }}(d_p^{\gamma }-y_{p(n_{\gamma }-1)}^{\gamma })g^{\gamma \prime }\left(u_{p(n_{\gamma }-1)}^{\prime \gamma }\right)x_{\mathrm{jp}(n_{\gamma }-1)}^{\prime \gamma }$$=-\underset{p=1}{\overset{300}{\Sigma }}(d_p^{\gamma }-y_{p(n_{\gamma }-1)}^{\gamma })y_{p(n_{\gamma }-1)}^{\gamma }(1-y_{p(n_{\gamma }-1)}^{\gamma })x_{\mathrm{jp}(n_{\gamma }-1)}^{\prime \gamma }$式中表示上一次迭代过程中当输入第p个样本时的BP网络输出，表示上一次迭代过程中当输入第p个样本时的BP网络输出层激活函数的输入，表示上一次迭代过程中当输入第p个样本时的BP网络隐含层激活函数的输出，表示上一次迭代过程中当输入第p个样本时的BP网络隐含层激活函数的输入，表示上一次迭代结束后隐含层到输出层的连接权值，为上一次迭代结束后输入层到隐含层的连接权值，返回步骤5.2.2；所述Z轴在线训练的步骤如下：步骤5.3.1：令迭代次数的初始值为1，利用随机函数Random(·)对模拟高过载环境下Z轴陀螺输出的BP网络隐含层和输出层的权值进行初始化：步骤5.3.2：计算当前迭代过程中所用300个样本总误差式中为当前迭代过程中当输入第p个样本时模拟高过载环境下Z轴陀螺输出的BP网络的输出；步骤5.3.3：如果或者则采用当前更新步骤1的模拟高过载环境下Z轴陀螺输出的BP网络中的否则进入步骤5.3.4；步骤5.3.4：令其中其中式中表示上一次迭代过程中当输入第p个样本时的BP网络输出，表示上一次迭代过程中当输入第p个样本时的BP网络输出层激活函数的输入，表示上一次迭代过程中当输入第p个样本时的BP网络隐含层激活函数的输出，表示上一次迭代过程中当输入第p个样本时的BP网络隐含层激活函数的输入，表示上一次迭代结束后隐含层到输出层的连接权值，为上一次迭代结束后输入层到隐含层的连接权值，返回步骤5.3.2。