文摘

集中式卡尔曼滤波总是应用于匹配传递对准的速度和态度(TA)。但是集中卡尔曼有许多缺点,例如大量的计算,实时性能差,和低可靠性。在报纸上,联邦卡尔曼滤波器(FKF)基于神经网络用于TA的匹配速度和态度,调整卡尔曼滤波的神经网络在两个subfilters联邦滤波器用于引信的信息两个subfilters,和全球获得次优状态估计。仿真的结果表明,基于神经网络的联邦卡尔曼滤波器更好的估算初始态度偏差角的惯性导航系统(INS)当系统动态模型和噪声统计特性的惯性导航系统尚不清楚,估计误差更小,精度更高。

1。介绍

助教,因为有太多的向量维度集中卡尔曼滤波器有许多缺点,比如大量的计算,可怜的实时性能,可靠性和低。理论上,联邦滤波最优或次优,并且可靠性高的特点,设计灵活,容易适用于数据融合导航。在工程实践,系统噪声和测量噪声总是随机信号,因此很难得到的统计特征。联邦卡尔曼滤波的神经网络,提出了纸。联邦卡尔曼滤波器结合神经网络改进初始态度偏差角的精度的惯性导航系统1,2]。

2。联邦卡尔曼滤波理论的神经网络

2.1。传统的卡尔曼滤波器

假设线性离散系统的系统方程和测量方程可以写成: 在哪里 估计状态, 的测量系统, 是转移矩阵 来 。 是系统噪声序列激励。 是测量矩阵, 是测量噪声序列, 。

因此卡尔曼滤波方程如下所示。(1)时间更新 (2)测量更新

状态估计 当初始值计算吗 和 是已知的。

2.2。联邦滤波器

联邦滤波器是由几个subfilters和主过滤器,subfilter可以独立地更新时间和测量,结果将发送到主过滤器。和主要过滤后将反馈subfilter数据融合进行了分析。这是下一个周期的初始值。联邦滤波器的大矩阵集中滤波算法分为subfilters [3,4]。联邦滤波器的结构如图1。


图1
联邦滤波器的结构。

传统的联邦滤波器的融合算法如下: 在哪里 是全球性的状态估计融合后, 的局部最优估计subfilter公共系统的状态, 是局部最优估计的误差方差矩阵,和当地的估计并不相关。

2.3。BP神经网络

卡尔曼滤波器的正常运行时间正比于系统订单的立方。卡尔曼滤波将失去系统的实时性能,当顺序非常高,所以精度不是提高了系统的顺序。

人工神经网络是一个系统,模拟人脑神经元网络的结构和功能的工程技术方法。它是由大量简单的非线性处理单元,有复杂的和灵活的单位之间的联系。

神经网络有很强的自学能力和任意非线性函数和可以实现并行处理。因此神经网络总是应用于信息技术与控制工程。根据信息传输的特点,神经网络可分为前馈和反馈。BP神经网络前馈网络是基于误差反向传播算法(5- - - - - -7]。

有输入层节点,一个或多个隐层节点,在BP神经网络输出层节点。如果隐藏层和节点的数量在每一层决定,BP神经网络的结构确定(8- - - - - -10]。BP神经网络的原理如图所示2。


图2
BP神经网络的原则。
2.4。联邦卡尔曼滤波的神经网络
2.4.1。联邦卡尔曼滤波器的理论

助教的联邦卡尔曼滤波器的理论如下:(1)主惯性导航系统的输出日期(分钟)是用作公共参考系统,速度和生硬的口水惯性导航系统(罪)视为独立的子系统。为了解决这个问题,BP神经网络用于这两个子系统的系统动力学模型和噪声模型的统计特征尚不清楚。(2)两个子系统使用联邦滤波器的输出日期来获得全局次优估计。

2.4.2。卡尔曼滤波理论与神经网络

subfilter的目的使用BP神经网络是卡尔曼滤波器之后,BP神经网络误差最小。

神经网络的训练过程如下:首先,卡尔曼滤波器在开环状态消除对初值收敛速度的影响。第二,卡尔曼滤波器在闭环状态和初始样本值的神经网络构成的卡尔曼滤波器的输入和输出。最后,训练的样本值可以得到平均的测试值测量。培训后,BP神经网络将被单独工作时,卡尔曼滤波器是删除(11- - - - - -13]。

BP神经网络的输入是由三部分组成:①状态预测和状态估计的差别 。②观察和观测估计的差别 ③滤波器增益 。 作为BP神经网络的期望输出值,在哪里 状态向量的理论价值。 BP神经网络的输出和吗 卡尔曼滤波器的输出,两个输出加在一起后,BP神经网络训练样本。

神经网络的卡尔曼滤波器的原理如图所示3。


图3
卡尔曼滤波器的原理和神经网络。

3所示。助教的匹配速度和态度

速度匹配在需要助教协助操作(如右圆),和态度需要助教角速度匹配的音调或辊(如机翼操纵),但它不是分开头平台失调角的速度匹配和相同的态度匹配当飞机机翼操纵(13,14]。

匹配的速度和态度,水平对齐实现的速度和态度的方位对准实现匹配。机翼机动调整过程中是必需的。

3.1。状态方程的匹配速度和态度

据推测 是系统状态方程的匹配速度和态度,在哪里 是口水的平台失调角惯性导航系统, 是口水惯性导航系统的速度误差, 是导弹的安装误差角, 是加速度计常数口水惯性导航系统误差, 挠曲变形翼角, 是机翼的弯曲变形角速率。状态方程的匹配速度和态度

状态空间模型的匹配的速度和态度 在哪里 是口水惯性导航系统的姿态矩阵: 在哪里 是陀螺的高斯白噪声, 是加速度计的高斯白噪声, 是二阶高斯白噪声序列,在吗 , , 挠曲变形角的方差; 和 。

3.2。速度的测量方程和态度匹配

据推测 分钟的速度, 的速度是罪, 从分钟杆速度, 分钟的姿态矩阵, 是罪恶的姿态矩阵, 之间的变换矩阵 和 ,在哪里 是安装协调 是水平坐标。

分钟之间的速度差和罪恶的测量速度匹配;态度的测量矩阵是匹配的态度。速度的测量和态度匹配如下。

考虑

是主惯性导航系统的姿态误差角,然后呢 是口水惯性导航系统的姿态误差角。

测量方程的匹配速度和态度 的零均值高斯白噪声在哪里吗 ,和未知的测量噪声信号 。

4所示。联邦卡尔曼滤波的应用神经网络的匹配速度和态度

4.1。联邦卡尔曼滤波器的结构设计与神经网络

集中式卡尔曼滤波应用于TA的匹配速度和态度。它优越的速度匹配或匹配的态度,特别是在定位的速度和机动的要求,但有太多数量的维度和大量的计算。与神经网络相结合,联邦卡尔曼滤波器的性能改善的速度和态度相匹配时,系统动态模型和噪声模型的统计特征尚不清楚(15,16]。

并行计算与神经网络支持的联邦卡尔曼滤波器来降低计算的助教,和神经网络用于subfilter。联邦卡尔曼滤波器的原理图与神经网络在如图所示的匹配速度和态度4。


图4
联邦卡尔曼滤波器的原理图与神经网络。
4.2。联邦卡尔曼滤波器的仿真与神经网络的匹配速度和态度

应该是有翼的挠曲变形和未知的测量噪声信号,当联邦卡尔曼滤波器与神经网络模拟匹配速度和态度。

根据战斗特点,本文相应的数值模拟机翼运动下飞机。震动翅膀的时间是60年代和震动翅膀的角度 。助教的初始位置是北纬 ,东经是 ,海拔448米;最初的助教是偏航的态度 ,辊是0°,音高是0°。

条件模拟如下:错误参数的原罪:常数陀螺的漂移 ,陀螺随机游走 ,常数抵消加速度计误差 ,加速度计和标准偏差 。Installing-error角导弹身体: 。错位的初始角的罪: 。初始速度误差的原罪: 。

BP神经网络的输入层的节点数是6,BP神经网络的隐层节点的数量是12,和BP神经网络的输出层的节点数是3。

仿真周期是20毫秒。与此同时,卡尔曼滤波相同的条件。蓝色实线是联邦卡尔曼滤波的结果与神经网络,和红色虚线是卡尔曼滤波的结果。

之间的主要区别是联邦卡尔曼滤波的神经网络和卡尔曼滤波,卡尔曼滤波器与神经网络用于速度匹配和匹配的态度,结果得到了卡尔曼滤波的神经网络速度匹配和匹配的态度。为了得到最优估计的导航参数误差,结果被发送到数据融合的主要过滤。

从图5,它是显示偏差角的收敛的卡尔曼滤波器在20年代后10′。但是偏差的收敛角联邦卡尔曼滤波的神经网络一直在20年代后5′。联邦卡尔曼滤波器与神经网络的精度高于卡尔曼滤波器的精度。


图5
估计偏差角的误差。

5。总结

网络的输入是卡尔曼滤波的误差参数。经过样本训练,BP网络的输出添加到卡尔曼滤波器的结果。在实际的工程应用中,该算法优于非线性情况下的卡尔曼滤波器,仿真的结果表明,联邦卡尔曼滤波的神经网络速度和态度匹配更可行的和有效的。联邦卡尔曼滤波的神经网络更好的估计惯性导航系统的初始态度偏差角当系统动态模型和噪声统计特性的惯性导航系统尚不清楚,估计误差更小,精度更高。

的利益冲突

作者宣称他们没有任何商业或关联利益代表的利益冲突与提交的工作。

确认

这项工作是支持的部分特殊科研项目的陕西省政府的教育部门,学校基础研究基金、陕西省自然科学基金部门和中国的国家自然科学基金,项目数量:15 jk1416 JC1702 2016 jm6084, 51678470。