一种基于BP神经网络的导航信息预测方法及系统与流程

一种基于bp神经网络的导航信息预测方法及系统
技术领域
1.本发明涉及智能导航领域，特别是涉及一种基于bp神经网络的导航信息预测方法及系统。


背景技术：

2.罗经系统是一种测定方向基准的仪器，能够持续为船舰等载体提供姿态信息。捷联式陀螺罗经系统将惯性器件直接安装在运载体上，代替了复杂的实体平台，能够通过导航计算机实时解算出载体的姿态信息，在船舶、水下运载体和地面车辆导航领域具有良好的应用前景。然而捷联陀螺罗经作为一种惯性导航设备，其误差会随时间累积，因此将其与其他辅助导航设备进行组合可以使得捷联罗经系统整体性能得到大幅度的提高。其中gps是目前船舶定位方法中最精确、最接近实际船位的定位方法。
3.在实际导航应用中常常利用基于卡尔曼滤波的最优估计理论将gps与捷联罗经进行组合，以提供连续、可靠的航姿解算结果。当运载体出现故障，或运载体在比如极区、水下时等特定位置时，可能会导致gps信号失效，此时将无法为卡尔曼滤波器提供量测信息，导致系统无法对惯导解算数据进行矫正，会导致导航精度迅速下降甚至发散。而无卫星状态下的陀螺罗经长航时解算的航姿信息精度是衡量陀螺罗经性能的重要因素之一。
4.孙伟等人在第四届中国卫星导航学术年会电子文集中组合导航与导航新方法中发表的《gps失锁环境下基于捷联罗经技术的sins姿态测量方法》文章中利用butterworth低通滤波器的高阻特性滤除扰动加速度对系统姿态信息获取精度的影响，该方法可以在扰动环境下通过准确提取重力加速度并解算出载体姿态，经过车载实验验证了其姿态测量方法的可行性，但经过滤波器滤除后的幅值会变小且会引发相位滞后问题，导致航向信息滞后，定位精度仍不够高，且该方法仅适用于车载运动平稳的情况下适用，针对于船舶复杂运动情况下实用性不高。
5.李伟等人在《中国测试》第46卷第11期中发表的《高纬海区船舰陀螺罗经指向误差的分析与补偿》一文中利用最小二乘法获取陀螺罗经误差拟合曲线和拟合参数，后利用拟合参数建立在海区中陀螺罗经指向误差补偿模型来提高无gps情况下陀螺罗经的航向精度，经仿真验证该方法具有一定的有效性，可以消除大部分指向误差，但对海区复杂情况下的拟合修正相较于有gps光纤罗经的精度仍具有较大误差。
6.基于上述问题，亟需一种新的方法以提高导航定位的精确度。


技术实现要素：

7.本发明的目的是提供一种基于bp神经网络的导航信息预测方法及系统，可实现在gps信号缺失的情况下提高导航的精度。
8.为实现上述目的，本发明提供了如下方案：
9.一种基于bp神经网络的导航信息预测方法，包括：
10.获取惯性测量单元采集的载体的当前三轴输出信息；所述当前三轴输出信息包括
当前角速度信息及当前比力信息；
11.对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息；
12.基于误差预测模型，根据所述当前罗经解算信息及所述当前角速度信息，确定当前导航误差信息；所述误差预测模型为预先采用训练样本集对bp神经网络进行训练得到的；所述训练样本集包括多组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息；所述样本导航误差信息根据样本罗经解算信息及gps测量信息确定；
13.根据所述当前导航误差信息对所述罗经解算信息进行修正，得到载体的当前导航信息。
14.可选地，所述当前罗经解算信息包括当前罗经解算姿态信息、当前罗经解算速度信息及当前罗经解算位置信息；
15.所述对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息，具体包括：
16.根据所述当前角速度信息及预先确定的捷联姿态矩阵，确定载体的当前罗经解算姿态信息；所述当前罗经解算姿态信息包括当前罗经解算俯仰角、当前罗经解算倾斜角及当前罗经解算航向角；
17.根据前一时刻载体的罗经解算速度信息及当前比力信息，确定当前罗经解算速度信息；所述载体的初始速度为0；所述当前罗经解算速度信息包括当前罗经解算东向速度信息及当前罗经解算北向速度信息；
18.根据前一时刻载体的罗经解算位置信息及罗经解算速度信息，确定当前罗经解算位置信息；所述载体的初始位置预先确定。
19.可选地，采用以下公式，确定d时刻的罗经解算东向速度信息及当前罗经解算北向速度信息：
[0020][0021][0022]
其中，n表示导航坐标系，为d时刻的罗经解算北向速度信息，为d-1时刻的罗经解算北向速度信息，为d时刻的罗经解算东向速度信息，为d-1时刻的罗经解算东向速度信息，f为当前比力信息，为d-1时刻到d时刻产生的比力积分项，g为重力加速度，cor为互相关算法，g/cor为重力加速度与载体运动引起的地向心加速度的相关运算，为d-1时刻到d时刻产生的有害加速度信息。
[0023]
可选地，所述当前罗经解算位置信息包括当前罗经解算经度信息和当前罗经解算纬度度信息；
[0024]
采用以下公式，确定d时刻的罗经解算纬度信息和罗经解算经度信息：
[0025]
[0026]
其中，ld为d时刻的罗经解算纬度信息，l
d-1
为d-1时刻的罗经解算纬度信息，为d时刻的罗经解算北向速度信息，为d-1时刻的罗经解算北向速度信息，rm为子午圈曲率半径，可以使用前一时刻的纬度值计算，δt为相邻时刻间隔，λd为d时刻的罗经解算经度信息，λ
d-1
为d-1时刻的罗经解算经度信息，为d时刻的罗经解算东向速度信息，为d-1时刻的罗经解算东向速度信息，rn为卯酉圈曲率半径，l'为相邻两时刻罗经解算纬度信息的平均值，l'＝(ld+l
d-1
)/2。
[0027]
可选地，所述误差预测模型的建立方法包括：
[0028]
获取多组样本角速度信息、样本罗经解算信息及对应的gps测量信息；
[0029]
针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息；
[0030]
根据各组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息，采用反向传播算法，对bp神经网络进行迭代训练，直至损失函数收敛，以得到最优的bp神经网络；所述最优的bp神经网络为误差预测模型。
[0031]
可选地，所述样本罗经解算信息包括样本姿态信息、样本速度信息及样本位置信息；
[0032]
所述针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息，具体包括：
[0033]
根据所述gps测量信息及所述样本位置信息，确定位置误差向量；
[0034]
根据所述位置误差向量，采用卡尔曼滤波器，确定样本导航误差信息。
[0035]
可选地，所述载体的当前导航信息包括当前最优位置、当前最优速度及当前最优姿态；所述当前最优位置包括当前经度信息和当前纬度信息；所述最优速度包括当前东向速度及当前北向速度；所述最优姿态信息包括当前俯仰角、当前倾斜角及当前航向角；
[0036]
所述当前导航误差信息包括纬度误差、经度误差、东向速度误差、北向速度误差、东向角误差、北向角误差及航向角误差；
[0037]
采用以下公式，确定载体的当前导航信息：
[0038][0039]
其中，l为当前纬度信息，λ为当前经度信息，ve为当前东向速度，vn为当前北向速度，θ为当前俯仰角，γ为当前倾斜角，ψ为当前航向角，l
sins
为当前罗经解算纬度信息，λ
sins
为当前罗经解算经度信息，为当前罗经解算东向速度信息，为当前罗经解算北向速度信息，θ
sins
为当前罗经解算俯仰角，γ
sins
为当前罗经解算倾斜角，ψ
sins
为当前罗经解算航向角，δl为纬度误差，δλ为经度误差，δve为东向速度误差，δvn为北向速度误差，为东
向角误差，为北向角误差，为航向角误差。
[0040]
为实现上述目的，本发明还提供了如下方案：
[0041]
一种基于bp神经网络的导航信息预测系统，包括：
[0042]
数据获取单元，用于获取惯性测量单元采集的载体的当前三轴输出信息；所述当前三轴输出信息包括当前角速度信息及当前比力信息；
[0043]
罗经解算单元，与所述数据获取单元连接，用于对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息；
[0044]
误差预测单元，分别与所述数据获取单元及所述罗经解算单元连接，用于基于误差预测模型，根据所述当前罗经解算信息及所述当前角速度信息，确定当前导航误差信息；所述误差预测模型为预先采用训练样本集对bp神经网络进行训练得到的；所述训练样本集包括多组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息；所述样本导航误差信息根据样本罗经解算信息及gps测量信息确定；
[0045]
修正单元，分别与所述罗经解算单元及所述误差预测单元连接，用于根据所述当前导航误差信息对所述罗经解算信息进行修正，得到载体的当前导航信息。
[0046]
可选地，所述当前罗经解算信息包括当前罗经解算姿态信息、当前罗经解算速度信息及当前罗经解算位置信息；
[0047]
所述罗经解算单元包括：
[0048]
姿态确定模块，与所述数据获取单元连接，用于根据所述当前角速度信息及预先确定的捷联姿态矩阵，确定载体的当前罗经解算姿态信息；所述当前罗经解算姿态信息包括当前罗经解算俯仰角、当前罗经解算倾斜角及当前罗经解算航向角；
[0049]
速度确定模块，与所述数据获取单元连接，用于根据前一时刻载体的罗经解算速度信息及当前比力信息，确定当前罗经解算速度信息；所述载体的初始速度为0；所述当前罗经解算速度信息包括当前罗经解算东向速度信息及当前罗经解算北向速度信息；
[0050]
位置确定模块，与所述数据获取单元连接，用于根据前一时刻载体的罗经解算位置信息及罗经解算速度信息，确定当前罗经解算位置信息；所述载体的初始位置预先确定。
[0051]
可选地，基于bp神经网络的导航信息预测系统还包括：
[0052]
样本数据获取单元，用于获取多组样本角速度信息、样本罗经解算信息及对应的gps测量信息；
[0053]
融合单元，与所述样本数据获取单元连接，用于针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息；
[0054]
训练单元，分别与所述样本数据获取单元、所述融合单元及所述误差预测单元连接，用于根据各组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息，采用反向传播算法，对bp神经网络进行迭代训练，直至损失函数收敛，以得到最优的bp神经网络；所述最优的bp神经网络为误差预测模型。
[0055]
根据本发明提供的具体实施例，本发明公开了以下技术效果：在无gps量测信息的情况下，先对惯性测量单元采集的三轴输出信息进行捷联罗经解算，再根据罗经解算信息，采用误差预测模型，预测当前导航误差信息，根据导航误差信息对罗经解算信息进行修正，得到载体的当前导航信息，以实现在导航系统gps信号丢失的情况下，采用神经网络的方式
提供可靠精准的导航信息，进而实现持续可靠的导航。
附图说明
[0056]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1为本发明基于bp神经网络的导航信息预测方法的流程图；
[0058]
图2为误差预测模型的建立方法示意图；
[0059]
图3为航向误差预测值的曲线图；
[0060]
图4为本发明基于bp神经网络的导航信息预测系统的模块结构示意图。
[0061]
符号说明：
[0062]
数据获取单元-1，罗经解算单元-2，误差预测单元-3，修正单元-4，样本数据获取单元-101，融合单元-102，训练单元-103。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
本发明的目的是提供一种基于bp神经网络的导航信息预测方法及系统，在导航系统的gps信号丢失的情况下，采用神经网络的方式提供可靠精准的导航信息，进而实现持续可靠的导航。
[0065]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0066]
如图1所示，本发明基于bp神经网络的导航信息预测方法包括：
[0067]
s1：获取惯性测量单元采集的载体的当前三轴输出信息。所述当前三轴输出信息包括当前角速度信息及当前比力信息。具体地，惯性测量单元通过陀螺仪采集当前三轴输出信息，陀螺仪的采样频率为10hz。
[0068]
s2：对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息。在本实施例中，所述当前罗经解算信息包括当前罗经解算姿态信息、当前罗经解算速度信息及当前罗经解算位置信息。
[0069]
s3：基于误差预测模型，根据所述当前罗经解算信息及所述当前角速度信息，确定当前导航误差信息。所述误差预测模型为预先采用训练样本集对bp神经网络进行训练得到的。所述训练样本集包括多组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息；所述样本导航误差信息根据样本罗经解算信息及gps测量信息确定。
[0070]
s4：根据所述当前导航误差信息对所述罗经解算信息进行修正，得到载体的当前导航信息。
[0071]
具体地，所述载体的当前导航信息包括当前最优位置、当前最优速度及当前最优
姿态；所述当前最优位置包括当前经度信息和当前纬度信息。所述最优速度包括当前东向速度及当前北向速度；所述最优姿态信息包括当前俯仰角、当前倾斜角及当前航向角。
[0072]
所述当前导航误差信息包括纬度误差、经度误差、东向速度误差、北向速度误差、东向角误差、北向角误差及航向角误差。
[0073]
采用以下公式，确定载体的当前导航信息：
[0074][0075]
其中，l为当前纬度信息，λ为当前经度信息，ve为当前东向速度，vn为当前北向速度，θ为当前俯仰角，γ为当前倾斜角，ψ为当前航向角，l
sins
为当前罗经解算纬度信息，λ
sins
为当前罗经解算经度信息，为当前罗经解算东向速度信息，为当前罗经解算北向速度信息，θ
sins
为当前罗经解算俯仰角，γ
sins
为当前罗经解算倾斜角，ψ
sins
为当前罗经解算航向角，δl为纬度误差，δλ为经度误差，δve为东向速度误差，δvn为北向速度误差，为东向角误差，为北向角误差，为航向角误差。为当前导航误差信息。
[0076]
进一步地，步骤s2具体包括：
[0077]
s21：根据所述当前角速度信息及预先确定的捷联姿态矩阵，确定载体的当前罗经解算姿态信息；所述当前罗经解算姿态信息包括当前罗经解算俯仰角、当前罗经解算倾斜角及当前罗经解算航向角。
[0078]
在本实施例中，采用龙格库塔法对四元数进行即时修正，采用四元数法对捷联姿态矩阵进行即时计算，并采用捷联姿态矩阵求解载体相对于平台坐标系的角速度信息并确定当前罗经解算姿态信息。
[0079]
具体地，载体坐标系(b系)的坐标轴与载体固联，原点位于载体的重心处，x轴沿载体横轴指向右，y轴沿载体纵轴指向前，z轴垂直与xoy平面。平台坐标系(p系)原点与载体坐标系重合，由载体坐标系到平台坐标系坐标转换的方向余弦矩阵称为捷联姿态矩阵t，捷联姿态矩阵t为：
[0080][0081]
其中，θ为俯仰角，γ为倾斜角，ψ为航向角。初始时刻俯仰角、倾斜角及航向角的值由初始对准得到。
[0082]
根据以下公式，确定载体相对于平台坐标系的角速度信息
[0083][0084]
其中，t为捷联姿态矩阵，为陀螺仪输出的角速度信息，为位置速率，为地球速率经位置矩阵转换后的结果。
[0085]
进一步地，由载体坐标系到平台坐标系的转动可以由转动四元数q表示：
[0086]
q＝q0+q1i+q2j+q3c；
[0087][0088]
其中，q0,q1,q2,q3代表四元数的四个元数，i、j、c是x、y、z坐标轴对应的单位矢量，p代表平台坐标系，b代表载体坐标系，[x
p y
p z
p
]
t
为空间内某点在平台坐标系的投影，[x
b y
b zb]
t
为空间内某点在载体坐标系的投影。
[0089]
由上述矩阵可确定转动四元数q与捷联姿态矩阵t存在着对应关系，求解出四元数q0,q1,q2,q3即可求解出捷联姿态矩阵t中对应的九个元素，从而确定姿态信息。
[0090]
采用四元数法对捷联姿态矩阵进行即时修正，将四元数微分方程用矩阵形式表示：
[0091][0092]
其中，为位置速率以载体坐标系(b系)相对于平台坐标系(p系)的角速率在载体坐标系(b系)上沿x轴的投影，为位置速率以载体坐标系(b系)相对于平台坐标系(p系)的角速率在载体坐标系(b系)上沿y轴的投影，为位置速率沿载体坐标系(b系)相对于平台坐标系(p系)的角速率在载体坐标系(b系)上沿z轴的投影。
[0093]
通过获取实时更新的角速度信息对四元数进行求解后，采用以下公式对捷联姿态
矩阵进行实时修正：
[0094][0095]
同时，采用四阶龙格库塔法对四元数进行修正：
[0096][0097][0098][0099][0100][0101]
其中，代表四元数的求导运算，q代表四元数的元素，修正后的四元数可继续用于下一时刻捷联姿态矩阵t的计算，为载体相对于平台坐标系的角速度信息，r为对角速度信息进行采样的采样点，为时刻对四元数的预报值，为依据k2再次对时刻四元数进行预报，为t
r+1
时刻对四元数的预报值，qr为r采样点处的四元数，hn为步长，k1为tr时刻采样点处的斜率，k2为时刻采样点处的斜率，k3为利用k2的值进行预报后再次对处求斜率，k4为t
r+1
时刻采样点r处的斜率。
[0102]
进一步地，采用以下公式确定姿态信息：
[0103]
θ＝sin-1
t
32
[0104][0105][0106]
其中，θ为俯仰角，γ为倾斜角，ψ为航向角，其中t为捷联姿态矩阵，t
12
＝cosθsinψ，t
22
＝cosθcosψ，t
31
＝-sinγcosθ，t
32
＝sinθ，t
33
＝cosγcosθ。
[0107]
s22：根据前一时刻载体的罗经解算速度信息及当前比力信息，确定当前罗经解算速度信息。所述载体的初始速度为0。所述当前罗经解算速度信息包括当前罗经解算东向速度信息及当前罗经解算北向速度信息。
[0108]
具体地，采用以下公式，确定d时刻的罗经解算东向速度信息及当前罗经解算北向
速度信息：
[0109][0110][0111]
其中，n表示导航坐标系，为d时刻的罗经解算北向速度信息，为d-1时刻的罗经解算北向速度信息，为d时刻的罗经解算东向速度信息，为d-1时刻的罗经解算东向速度信息，f为当前比力信息，为d-1时刻到d时刻产生的比力积分项，g为重力加速度，cor为互相关算法，g/cor为重力加速度与载体运动引起的地向心加速度的相关运算，为d-1时刻到d时刻产生的有害加速度信息。
[0112]
s23：根据前一时刻载体的罗经解算位置信息及罗经解算速度信息，确定当前罗经解算位置信息；所述载体的初始位置预先确定。所述当前罗经解算位置信息包括当前罗经解算经度信息和当前罗经解算纬度信息。
[0113]
具体地，采用以下公式，确定d时刻的罗经解算纬度信息和罗经解算经度信息：
[0114][0115]
其中，ld为d时刻的罗经解算纬度信息，l
d-1
为d-1时刻的罗经解算纬度信息，为d时刻的罗经解算北向速度信息，为d-1时刻的罗经解算北向速度信息，rm为子午圈曲率半径，可以使用前一时刻的纬度值计算，δt为相邻时刻间隔，λd为d时刻的罗经解算经度信息，λ
d-1
为d-1时刻的罗经解算经度信息，为d时刻的罗经解算东向速度信息，为d-1时刻的罗经解算东向速度信息，rn为卯酉圈曲率半径，l'为相邻两时刻罗经解算纬度信息的平均值，l'＝(ld+l
d-1
)/2。
[0116]
更进一步地，所述误差预测模型的建立方法包括：
[0117]
s101：获取多组样本角速度信息、样本罗经解算信息及对应的gps测量信息。所述样本罗经解算信息包括样本姿态信息、样本速度信息及样本位置信息。具体地，首先对载体的导航设备通电，进行初始对准，并获取三轴输出信息与gps测量信息。
[0118]
s102：针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息。具体地，根据所述gps测量信息及所述样本位置信息，确定位置误差向量。根据所述位置误差向量，采用卡尔曼滤波器，确定样本导航误差信息。具体地，采用松组合模式设计卡尔曼滤波器，对gps测量信息及样本罗经解算信息进行融合。
[0119]
在本实施例中，所述卡尔曼滤波器为其中，x(t)为卡尔曼滤波器的状态量：δl为罗经解算纬度误差，δλ为经
度误差，δve为东向速度误差，δvn为北向速度误差，φe为东向角误差，φn为北向角误差，φu为航向角误差。上述误差信息可由惯性误差方程递推得出。f(t)为状态转移矩阵，可由惯性导航系统误差方程建立。w(t)为系统噪声矩阵：
[0120][0121]
其中，01×7是一行7列的全零行向量。
[0122]
量测信息z为罗经解算位置信息与gps的位置误差向量：
[0123][0124]
其中，p
sins
为罗经解算位置信息，p
gps
为gps测量的位置信息。l
sins
为罗经解算的纬度信息，λ
sins
为罗经解算的经度信息，l
gps
为gps测量的经度信息，λ
gps
为gps测量的纬度信息。
[0125]
通过卡尔曼滤波器对惯导的误差信息即x进行估计，使用估计出的样本导航误差信息矫正罗经解算的导航信息，使导航结果更精确，而量测信息z在滤波过程中起到修正的作用，获取当前时刻观测值对预估计的状态值进行修正，从而获得当前时刻的状态估计值，即获得当前时刻系统导航信息的估计误差值。
[0126]
s103：根据各组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息，采用反向传播算法，对bp神经网络进行迭代训练，直至损失函数收敛，以得到最优的bp神经网络；所述最优的bp神经网络为误差预测模型。误差预测模型的建立方法如图2所示。在本实施例中，bp神经网络采用的激活函数为sigmoid函数。
[0127]
bp神经网络包括输入层、隐含层及输出层。输入层的输入向量包括样本角速度信息、捷联罗经解算出的东向速度北向速度信息纬度信息l
sins
、经度信息λ
sins
、俯仰角θ
sins
、倾斜角γ
sins
及航向角ψ
sins
，共8维特征向量：输出层的输出向量为经卡尔曼滤波补偿后的导航误差信息：y＝[φu]，y为神经网络设置的输出向量，φu为滤波输出的航向误差信息。
[0128]
bp神经网络的隐含层及输出层为：
[0129][0130]
其中，m为输入层节点数，n为隐含层节点数，yk为输出层的输出值，uj为隐含层的输出，ai为输入层的输出值，aj为隐含层的输出值，w
ij
为输入层到隐层的连接权值，w
jk
为隐含层到输出层的连接权值，θj为隐含层的阈值，θk为输出层的阈值。
[0131]
具体地，所述误差预测模型为：
[0132][0133][0134]
其中，exp()为指数函数，m为输入层节点数，n为隐含层节点数yk为输出层的输出值，uj为隐含层的输出，ai为输入层的输出值，aj为隐含层的输出值，w
ij
为输入层到隐层的连接权值，w
jk
为隐层到输出层的连接权值，θj为隐含层的阈值，θk为输出层的阈值。
[0135]
bp神经网络的目标函数e为误差平方和函数：
[0136][0137]
其中，p为样本数，k为输出层的节点数，y
pk
为期望输出值，即设定为经卡尔曼滤波补偿后的样本导航误差信息，为bp神经网络实际预测输出的经卡尔曼滤波补偿后的导航误差信息。
[0138]
在训练过程中设置bp神经网络的训练次数为500次，学习率为lr＝0.3，期望训练目标设置为当误差函数值e到达10-6
时可停止训练。通过迭代训练确定网络的各权值参数，从而得到满足期望目标的bp神经网络模型，将其进行存储以便在预测阶段进行模型调用。
[0139]
在无gps信号阶段，此时无量测信息提供给卡尔曼滤波器，导致卡尔曼滤波环节失效罗经解算误差迅速随时间增大，故通过训练阶段训练好的bp神经网络模型对罗经信息进行辅助，将8维罗经解算信息输入至误差预测模型，误差预测模型将预测输出经卡尔曼滤波补偿后的航向误差信息，最后与罗经解算出的航向信息进行补偿后输出最终的导航信息。
[0140]
至此就实现了在无gps信号的情况下，在罗经系统工作中能够代替卡尔曼滤波继续辅助罗经系统解算出高精度的航向信息的要求。本发明适用于在无gps信号时罗经系统解算航向信息发散情况下，能够辅助罗经系统持续为船舰等载体提供精确的航向信息，在船舶、水下运载体和地面车辆导航领域具有良好的应用前景。为了验证所述方法的有效性，本发明基于威海海域船体航行10小时运动参数的数据进行了仿真，其中前2个小时的数据(72000组)用来训练网络，后约8个小时数据(260000组)用来测试验证。其仿真结果如图3所示。由仿真结果可知，本发明所预测的航行误差信息在仿真8小时内精度可以达到0.06
°
之内。
[0141]
如图4所示，本发明基于bp神经网络的导航信息预测系统包括：数据获取单元1、罗经解算单元2、误差预测单元3及修正单元4。
[0142]
其中，所述数据获取单元1用于获取惯性测量单元采集的载体的当前三轴输出信息。所述当前三轴输出信息包括当前角速度信息及当前比力信息。
[0143]
所述罗经解算单元2与所述数据获取单元1连接，所述罗经解算单元2用于对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息。在本实施例中，所述当前罗经解算信息包括当前罗经解算姿态信息、当前罗经解算速度信息及当前罗经解算位置信
息。
[0144]
所述误差预测单元3分别与所述数据获取单元1及所述罗经解算单元2连接，所述误差预测单元3用于基于误差预测模型，根据所述当前罗经解算信息及所述当前角速度信息，确定当前导航误差信息。所述误差预测模型为预先采用训练样本集对bp神经网络进行训练得到的。所述训练样本集包括多组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息。所述样本导航误差信息根据样本罗经解算信息及gps测量信息确定。
[0145]
所述修正单元4分别与所述罗经解算单元2及所述误差预测单元3连接，所述修正单元4用于根据所述当前导航误差信息对所述罗经解算信息进行修正，得到载体的当前导航信息。
[0146]
进一步地，所述罗经解算单元2包括：姿态确定模块、速度确定模块及位置确定模块。
[0147]
其中，所述姿态确定模块与所述数据获取单元1连接，所述姿态确定模块用于根据所述当前角速度信息及预先确定的捷联姿态矩阵，确定载体的当前罗经解算姿态信息。所述当前罗经解算姿态信息包括当前罗经解算俯仰角、当前罗经解算倾斜角及当前罗经解算航向角。
[0148]
所述速度确定模块与所述数据获取单元1连接，所述速度确定模块用于根据前一时刻载体的罗经解算速度信息及当前比力信息，确定当前罗经解算速度信息。所述载体的初始速度为0。所述当前罗经解算速度信息包括当前罗经解算东向速度信息及当前罗经解算北向速度信息。
[0149]
所述位置确定模块与所述数据获取单元1连接，所述位置确定模块用于根据前一时刻载体的罗经解算位置信息及罗经解算速度信息，确定当前罗经解算位置信息。所述载体的初始位置预先确定。
[0150]
此外，本发明基于bp神经网络的导航信息预测系统还包括：样本数据获取单元101、融合单元102及训练单元103。
[0151]
其中，所述样本数据获取单元101用于获取多组样本角速度信息、样本罗经解算信息及对应的gps测量信息。
[0152]
所述融合单元102与所述样本数据获取单元101连接，所述融合单元102用于针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息。
[0153]
所述训练单元103分别与所述样本数据获取单元101、所述融合单元102及所述误差预测单元3连接，所述训练单元103用于根据各组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息，采用反向传播算法，对bp神经网络进行迭代训练，直至损失函数收敛，以得到最优的bp神经网络；所述最优的bp神经网络为误差预测模型。
[0154]
相对于现有技术，本发明基于bp神经网络的导航信息预测系统与上述基于bp神经网络的导航信息预测方法的有益效果相同，在此不再赘述。
[0155]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0156]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于bp神经网络的导航信息预测方法，其特征在于，所述基于bp神经网络的导航信息预测方法包括：获取惯性测量单元采集的载体的当前三轴输出信息；所述当前三轴输出信息包括当前角速度信息及当前比力信息；对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息；基于误差预测模型，根据所述当前罗经解算信息及所述当前角速度信息，确定当前导航误差信息；所述误差预测模型为预先采用训练样本集对bp神经网络进行训练得到的；所述训练样本集包括多组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息；所述样本导航误差信息根据样本罗经解算信息及gps测量信息确定；根据所述当前导航误差信息对所述罗经解算信息进行修正，得到载体的当前导航信息。2.根据权利要求1所述的基于bp神经网络的导航信息预测方法，其特征在于，所述当前罗经解算信息包括当前罗经解算姿态信息、当前罗经解算速度信息及当前罗经解算位置信息；所述对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息，具体包括：根据所述当前角速度信息及预先确定的捷联姿态矩阵，确定载体的当前罗经解算姿态信息；所述当前罗经解算姿态信息包括当前罗经解算俯仰角、当前罗经解算倾斜角及当前罗经解算航向角；根据前一时刻载体的罗经解算速度信息及当前比力信息，确定当前罗经解算速度信息；所述载体的初始速度为0；所述当前罗经解算速度信息包括当前罗经解算东向速度信息及当前罗经解算北向速度信息；根据前一时刻载体的罗经解算位置信息及罗经解算速度信息，确定当前罗经解算位置信息；所述载体的初始位置预先确定。3.根据权利要求2所述的基于bp神经网络的导航信息预测方法，其特征在于，采用以下公式，确定d时刻的罗经解算东向速度信息及当前罗经解算北向速度信息：公式，确定d时刻的罗经解算东向速度信息及当前罗经解算北向速度信息：其中，n表示导航坐标系，为d时刻的罗经解算北向速度信息，为d-1时刻的罗经解算北向速度信息，为d时刻的罗经解算东向速度信息，为d-1时刻的罗经解算东向速度信息，f为当前比力信息，为d-1时刻到d时刻产生的比力积分项，g为重力加速度，cor为互相关算法，g/cor为重力加速度与载体运动引起的地向心加速度的相关运算，为d-1时刻到d时刻产生的有害加速度信息。4.根据权利要求2所述的基于bp神经网络的导航信息预测方法，其特征在于，所述当前罗经解算位置信息包括当前罗经解算经度信息和当前罗经解算纬度信息；采用以下公式，确定d时刻的罗经解算纬度信息和罗经解算经度信息：
其中，l
d
为d时刻的罗经解算纬度信息，l
d-1
为d-1时刻的罗经解算纬度信息，为d时刻的罗经解算北向速度信息，为d-1时刻的罗经解算北向速度信息，r
m
为子午圈曲率半径，可以使用前一时刻的纬度值计算，δt为相邻时刻间隔，λ
d
为d时刻的罗经解算经度信息，λ
d-1
为d-1时刻的罗经解算经度信息，为d时刻的罗经解算东向速度信息，为d-1时刻的罗经解算东向速度信息，r
n
为卯酉圈曲率半径，l'为相邻两时刻罗经解算纬度信息的平均值，l'＝(l
d
+l
d-1
)/2。5.根据权利要求1所述的基于bp神经网络的导航信息预测方法，其特征在于，所述误差预测模型的建立方法包括：获取多组样本角速度信息、样本罗经解算信息及对应的gps测量信息；针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息；根据各组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息，采用反向传播算法，对bp神经网络进行迭代训练，直至损失函数收敛，以得到最优的bp神经网络；所述最优的bp神经网络为误差预测模型。6.根据权利要求5所述的基于bp神经网络的导航信息预测方法，其特征在于，所述样本罗经解算信息包括样本姿态信息、样本速度信息及样本位置信息；所述针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息，具体包括：根据所述gps测量信息及所述样本位置信息，确定位置误差向量；根据所述位置误差向量，采用卡尔曼滤波器，确定样本导航误差信息。7.根据权利要求1所述的基于bp神经网络的导航信息预测方法，其特征在于，所述载体的当前导航信息包括当前最优位置、当前最优速度及当前最优姿态；所述当前最优位置包括当前经度信息和当前纬度信息；所述最优速度包括当前东向速度及当前北向速度；所述最优姿态信息包括当前俯仰角、当前倾斜角及当前航向角；所述当前导航误差信息包括纬度误差、经度误差、东向速度误差、北向速度误差、东向角误差、北向角误差及航向角误差；采用以下公式，确定载体的当前导航信息：
其中，l为当前纬度信息，λ为当前经度信息，v
e
为当前东向速度，v
n
为当前北向速度，θ为当前俯仰角，γ为当前倾斜角，ψ为当前航向角，l
sins
为当前罗经解算纬度信息，λ
sins
为当前罗经解算经度信息，v
esins
为当前罗经解算东向速度信息，v
nsins
为当前罗经解算北向速度信息，θ
sins
为当前罗经解算俯仰角，γ
sins
为当前罗经解算倾斜角，ψ
sins
为当前罗经解算航向角，δl为纬度误差，δλ为经度误差，δv
e
为东向速度误差，δv
n
为北向速度误差，为东向角误差，为北向角误差，为航向角误差。8.一种基于bp神经网络的导航信息预测系统，其特征在于，所述基于bp神经网络的导航信息预测系统包括：数据获取单元，用于获取惯性测量单元采集的载体的当前三轴输出信息；所述当前三轴输出信息包括当前角速度信息及当前比力信息；罗经解算单元，与所述数据获取单元连接，用于对所述当前三轴输出信息进行捷联罗经解算，得到当前罗经解算信息；误差预测单元，分别与所述数据获取单元及所述罗经解算单元连接，用于基于误差预测模型，根据所述当前罗经解算信息及所述当前角速度信息，确定当前导航误差信息；所述误差预测模型为预先采用训练样本集对bp神经网络进行训练得到的；所述训练样本集包括多组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息；所述样本导航误差信息根据样本罗经解算信息及gps测量信息确定；修正单元，分别与所述罗经解算单元及所述误差预测单元连接，用于根据所述当前导航误差信息对所述罗经解算信息进行修正，得到载体的当前导航信息。9.根据权利要求8所述的基于bp神经网络的导航信息预测系统，其特征在于，所述当前罗经解算信息包括当前罗经解算姿态信息、当前罗经解算速度信息及当前罗经解算位置信息；所述罗经解算单元包括：姿态确定模块，与所述数据获取单元连接，用于根据所述当前角速度信息及预先确定的捷联姿态矩阵，确定载体的当前罗经解算姿态信息；所述当前罗经解算姿态信息包括当前罗经解算俯仰角、当前罗经解算倾斜角及当前罗经解算航向角；速度确定模块，与所述数据获取单元连接，用于根据前一时刻载体的罗经解算速度信息及当前比力信息，确定当前罗经解算速度信息；所述载体的初始速度为0；所述当前罗经解算速度信息包括当前罗经解算东向速度信息及当前罗经解算北向速度信息；位置确定模块，与所述数据获取单元连接，用于根据前一时刻载体的罗经解算位置信息及罗经解算速度信息，确定当前罗经解算位置信息；所述载体的初始位置预先确定。
10.根据权利要求8所述的基于bp神经网络的导航信息预测系统，其特征在于，基于bp神经网络的导航信息预测系统还包括：样本数据获取单元，用于获取多组样本角速度信息、样本罗经解算信息及对应的gps测量信息；融合单元，与所述样本数据获取单元连接，用于针对每组样本罗经解算信息及gps测量信息，采用卡尔曼滤波器对所述gps测量信息及所述样本罗经解算信息进行融合，得到样本导航误差信息；训练单元，分别与所述样本数据获取单元、所述融合单元及所述误差预测单元连接，用于根据各组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息，采用反向传播算法，对bp神经网络进行迭代训练，直至损失函数收敛，以得到最优的bp神经网络；所述最优的bp神经网络为误差预测模型。

技术总结
本发明提供一种基于BP神经网络的导航信息预测方法及系统，属于智能导航领域，导航信息预测方法包括：获取惯性测量单元采集的载体的当前三轴输出信息；对当前三轴输出信息进行捷联罗经解算；基于误差预测模型，根据当前罗经解算信息及当前角速度信息，确定当前导航误差信息；误差预测模型预先采用训练样本集对BP神经网络进行训练得到；训练样本集包括多组样本角速度信息、样本罗经解算信息及对应的样本导航误差信息；样本导航误差信息根据样本罗经解算信息及GPS测量信息确定；根据当前导航误差信息对所述罗经解算信息进行修正，得到当前导航信息。在导航系统GPS信号丢失的情况下，采用神经网络模型可提供可靠精准的导航信息。用神经网络模型可提供可靠精准的导航信息。用神经网络模型可提供可靠精准的导航信息。


技术研发人员：吴磊 周广涛 张云浩 兰贺 李瓷冰 董诗淼 张莹军 蒋欣宇
受保护的技术使用者：哈尔滨哈船导航技术有限公司
技术研发日：2022.03.09
技术公布日：2023/9/23