夏琳琳,趙 耀,馬文杰,叢靖宇,肖建磊
(東北電力大學,吉林 吉林 132012)
基于MEMS的IMU/GPS組合導航系統尺寸小、可靠性高,可為車載導航系統提供成本較低、精度較高的導航方案[1-3]。由于GPS存在受多路徑效應影響、抗干擾能力差、低信噪比等缺點,且陸地載體在運行過程中不可避免地會受到外部環境的干擾(如遇高建筑物遮擋、駛過隧道等),此時會出現衛星信號接收不良的情況[4-6]。一旦GPS信號發生異常,或接收到信號的衛星數不足以完成衛星定位,工作在“速度-位置”模式下的組合模型將失去意義,整機系統將退化為純慣性導航工作模式。可以預見的是,由于MEMS慣性測量元件的精度不高,必然會引起導航參數的誤差隨時間逐漸積累,導航解算精度隨之失去保證。為了確保在GPS失鎖期間得到持續、高精度的導航信息,具備自適應學習特性的人工神經網絡輔助方法越來越多地被引入到導航系統的信息處理中。其中,文獻[7-8]采用了基于Bagging的集成學習法開展組合導航系統信息融合問題研究,針對網絡訓練樣本不全面對預測精度造成不利影響的問題,采用放回重抽樣方法,實現對多個學習器的集成,通過組合多學習器來強化預測精度,抑制SINS的定位誤差。受到上述文獻的啟發,本文引入Adaboost方法來改進單一的BP神經網絡(BPNN)逼近器,在GPS失鎖的情況下,對組合濾波器的觀測值,即MIMUs與GPS分別輸出的速度、位置誤差進行預測,并將Adaboost優化的BPNN模型集成到MIMUs中,補償失鎖期間丟失的導航信息。……