GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法技术

本发明专利技术公开了GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，包括以下步骤：第一步，建立基于马氏距离的误差检测状态方程；第二步，建立鲁棒卡尔曼滤波方程和自适应卡尔曼滤波方程；第三步，广义回归神经网络算法辅助鲁棒自适应卡尔曼滤波进行导航系统的故障识别，消除GPS/BDS的异常观测值，在组合系统动态初始化阶段，在线调整GRNN的最优扩展因子；利用剩余的观测值和最优扩展因子，采用滑动窗法进行GRNN网络训练，通过跟踪决策阈值来识别系统故障的来源，并自动为集成系统选择鲁棒或自适应卡尔曼滤波。该方法可提高检测、识别和消除复杂城市区域中误差的成功率，还能够提高GNSS信号短期中断时的整体定位精度。

GRNN assisted adaptive Kalman filter for navigation fault identification

【技术实现步骤摘要】
GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法
本专利技术GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，属于导航故障检测

技术介绍
GNSS是基于位置的服务(LBS)中常用的一种技术。一个典型的基于GNSS的陆地车辆导航系统必须在密集的城市区域运行，在这些区域内，由于周跳或多径效应等现象，GNSS信号要么被阻塞要么严重退化，这限制了其达到令人满意的精度和定位的可靠性。惯性导航系统(INS)能够在GNSS信号失效时提供连续的位置信息和精确的姿态信息。很明显，与单独的系统相比，GNSS/INS组合导航系统可以提供更好的性能。卡尔曼滤波已成熟应用多年，为GPS/INS集成模块提供了一种最优的数据融合方法。但GNSS/INS综合系统不仅存在动态模型误差，而且存在观测误差，由于观测和状态残差同时受动力学模型误差和观测误差的影响，很难用观测和状态残差来区分动态模型误差和观测总误差。而自适应卡尔曼滤波或鲁棒卡尔曼滤波只能有效地限制其中之一。
技术实现思路
本专利技术克服现有技术存在的不足，所要解决的技术问题是提供GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，该方法可提高检测、识别和消除复杂城市区域中误差的成功率，还能够提高GNSS信号短期中断时的整体定位精度。为解决上述技术问题，本专利技术所采用的技术方案是：GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，包括以下步骤：第一步，建立基于马氏距离的误差检测状态方程；第二步，建立鲁棒卡尔曼滤波方程和自适应卡尔曼滤波方程；第三步，广义回归神经网络算法辅助鲁棒自适应卡尔曼滤波进行导航系统的故障识别，首先，消除GPS/BDS的异常观测值；然后，在组合系统动态初始化阶段，在线调整GRNN的最优扩展因子；最后，利用剩余的观测值和最优扩展因子，采用滑动窗法进行GRNN网络训练，通过跟踪决策阈值来识别系统故障的来源，并自动为集成系统选择鲁棒或自适应卡尔曼滤波。优选的，所述第一步中，基于马氏距离的误差检测状态方程建立方法如下：卡尔曼滤波的基本方程如下：状态预测和状态预测协方差方程为：式中，k为历元数，上标“^”表示变量的估计值，表示系统的状态向量，是系统状态向量的估计值，Φk，k-1为状态转移矩阵，wk-1为过程噪声向量，为k历元的状态预测协方差，为k-1历元的状态预测协方差，Qk-1为wk-1的协方差矩阵，T表示矩阵的转置；观测方程为：zk＝HkXk+vk，式中，zk表示观测量，Hk为表示关系矩阵，vk为表示关系矩阵测量噪声向量；测量更新过程为：式中，Kk为卡尔曼增益，Hk表示关系矩阵，Rk为观测噪声协方差，从观测量Zk到其均值的马氏距离的平方被视为相关的检验统计量γk，表示为：其中，Mk是马氏距离，zk表示观测量，是观测预测矢量，为协方差，表示如下：当观测误差和动态模型噪声wk-1都是高斯分布，则该检验统计量γk满足参数为m的卡方分布：其中，m是自由度即观测量的维度，是显著水平的α阈值；当检验统计量γk的实测值比α大，则说明存在观测误差。优选的，所述第二步中，鲁棒卡尔曼滤波方程建立方法如下：观测噪声协方差如下：式中，λk为尺度因子，为更新的观测噪声协方差；进而得到新的观测预测矢量：式中，为新的观测预测矢量，n为样本个数，nk为第k个样本，为协方差；所以满足下式：再应用牛顿迭代法求解得：式中，i＝0,1,2...；预先确定自由度为6，即显著水平为1％，所以χα为16.812；引入另一个标量因子κk，调节观测预测的协方差，来保证鲁棒性：鲁棒卡尔曼增益Kk为：通过以上步骤，使得观测观测量的所占比例较小，动态模型的信息权重大，有效地抑制了实际观测误差的影响。优选的，所述第二步中，自适应卡尔曼滤波方程建立方法如下：传统的自适应卡尔曼滤波如下：其中，αk是自适应因子；tr是矩阵的迹：其中，C0k为残差的实协方差，是残差序列，通过这种方法，降低了历史状态信息的可用性因子，即增加了当前可用性因子度量信息。从而有效地抑制了动态模型误差的影响。优选的，所述第三步中所述的广义回归神经网络算法在结构上由四层构成，分别为输入层、模式层、求和层和输出层：1)输入层神经元的数量和学习样本中输入向量的维数t相等，输入变量经输入层神经元传递给模式层；2)模式层中各神经元分别对应不同的样本,其神经元数量和学习样本的数量n相等,模式层神经元传递函数为：其中，n为样本个数，σ为光滑因子，X为输入的状态向量；3)求和层中用来进行求和的神经元有两种，其中一种为对全部模式层神经元的输出进行算术求和,其模式层与每个神经元的连接权值都为1,传递函数SD为：另一种神经元对所有模式层的神经元进行加权求和,输入样本中的第j个元素即为模式层中第i个神经元和求和层中第j个神经元的连接权值,传递函数Szj为：其中，j为输出变量的维数，yij为输出的状态向量；4)输出层将求和层传递过来的两类求和神经元相除，结果作为预测值:广义回归神经网络是建立在数理统计基础上的径向基函数网络，其理论基础是非线性回归分析。GRNN具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，网络还可以处理不稳定数据。一般可以通过径向基神经元和线性神经元可以建立广义回归神经网络。优选的，所述第三步的具体方法如下：将原始加速度和旋转速度的积分作为GRNN的训练输入，并作为角和速度增量的和；然后，将GPS/BDS位置差作为训练输出，这是一个以北、东、下位置为分量的三维矢量。表达式为：其中，B为大地坐标，str为GRNN网络结构，为加速度计的原始加速度，是旋转陀螺速率，是n坐标系中的位置增量，ΔB,ΔL,ΔH分别为大地坐标的差值，Rm为子午线曲率半径，RN是曲率的横向半径；在差分导航解可靠、网络学习在k历元前合理的前提下，网络输出可以预测动态模型状态参数的最优估计，因此可靠的观测是获得最优估计的关键前提。为此，我们提出以下策略来提高观测信息的质量。第一步，消除GPS/BDS的异常观测值，残差序列的标准差为：为残差序列，若GPS/BDS观测及相应的残差序列均剔除，其中c为常数；第二步，在组合系统动态初始化阶段，在线调整GRNN的最优扩展因子，GRNN预测结果的均方根RMS表示为：其中，ZGNSS为在训练期间GNSS的观测值，Zpre是网络的预测值，N是历元数，然后通过以下本文档来自技高网...

【技术保护点】
1.GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，其特征在于，包括以下步骤：/n第一步，建立基于马氏距离的误差检测状态方程；/n第二步，建立鲁棒卡尔曼滤波方程和自适应卡尔曼滤波方程；/n第三步，广义回归神经网络算法辅助鲁棒自适应卡尔曼滤波进行导航系统的故障识别，首先，消除GPS/BDS的异常观测值；然后，在组合系统动态初始化阶段，在线调整GRNN的最优扩展因子；最后，利用剩余的观测值和最优扩展因子，采用滑动窗法进行GRNN网络训练，通过跟踪决策阈值来识别系统故障的来源，并自动为集成系统选择鲁棒或自适应卡尔曼滤波。/n

【技术特征摘要】
1.GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，其特征在于，包括以下步骤：
第一步，建立基于马氏距离的误差检测状态方程；
第二步，建立鲁棒卡尔曼滤波方程和自适应卡尔曼滤波方程；
第三步，广义回归神经网络算法辅助鲁棒自适应卡尔曼滤波进行导航系统的故障识别，首先，消除GPS/BDS的异常观测值；然后，在组合系统动态初始化阶段，在线调整GRNN的最优扩展因子；最后，利用剩余的观测值和最优扩展因子，采用滑动窗法进行GRNN网络训练，通过跟踪决策阈值来识别系统故障的来源，并自动为集成系统选择鲁棒或自适应卡尔曼滤波。


2.根据权利要求1所述的GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，其特征在于，所述第一步中，基于马氏距离的误差检测状态方程建立方法如下：
卡尔曼滤波的基本方程如下：
状态预测和状态预测协方差方程为：



式中，k为历元数，上标“^.”表示变量的估计值，表示系统的状态向量，是系统状态向量的估计值，Φk，k-1为状态转移矩阵，wk-1为过程噪声向量，为k历元的状态预测协方差，为k-1历元的状态预测协方差，Qk-1为wk-1的协方差矩阵，T表示矩阵的转置；
观测方程为：zk＝HkXk+vk，式中，zk表示观测量，Hk为表示关系矩阵，vk为表示关系矩阵测量噪声向量；
测量更新过程为：



式中，Kk为卡尔曼增益，Hk表示关系矩阵，Rk为观测噪声协方差，从观测量Zk到其均值的马氏距离的平方被视为相关的检验统计量γk，表示为：



其中，Mk是马氏距离，zk表示观测量，是观测预测矢量，为协方差，表示如下：






当观测误差和动态模型噪声wk-1都是高斯分布，则该检验统计量γk满足参数为m的卡方分布：



其中，m是自由度即观测量的维度，是显著水平的α阈值；当检验统计量γk的实测值比α大，则说明存在观测误差。


3.根据权利要求1所述的GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，其特征在于，所述第二步中，鲁棒卡尔曼滤波方程建立方法如下：
观测噪声协方差如下：



式中，λk为尺度因子，为更新的观测噪声协方差；
进而得到：



式中，为新的观测预测矢量，n为样本个数，nk为第k个样本，为协方差；
所以满足下式：



再应用牛顿迭代法求解得：






式中，i＝0,1,2...；
预先确定自由度为6，即显著水平为1％，所以χα为16.812；
引入另一个标量因子κk，调节观测预测的协方差，来保证鲁棒性：






鲁棒卡尔曼增益Kk为：





4.根据权利要求1所述的GRNN辅助自适应卡尔曼滤波进行导航故障识别的方法，其特征在于，所述第二步中，自适应卡尔曼滤波方程建立方法如下：
传统的自适应卡尔曼滤波如下：...

【专利技术属性】
技术研发人员：李灯熬，赵菊敏，毋羽琦，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14