基于GRU循环神经网络辅助的组合导航算法

针对复杂场景下GPS信号失锁导致的INS/GPS组合导航系统定位精度严重下降问题,提出基于GRU(门控循环单元)循环神经网络辅助的方法.在GPS信号锁定的情况下,使用GRU循环神经网络对IMU传感器数据、组合导航信息、GPS信息进行训练;GPS信号失锁后,利用训练好的模型进行预测,继续补偿INS结果.通过实际跑车采得的...     

神经网络辅助的GPS/INS组合导航滤波算法研究

在高空高速条件下,GPS信号失锁致使常规的卡尔曼滤波器发散,从而导致组合导航系统精度严重下降。以BP神经网络辅助技术手段对GPS/INS组合导航滤波算法实施精度补偿,即在GPS信号锁定时,对神经网络进行实时在线训练,而当在GPS信号失锁时,利用之前训练好的神经网络进行组合导航滤波,以解决精度严重下降问题。算法采用多神经网络并行结构,以减少神经网络在训练过程中的交叉耦合,提高训练速度。通过MATLAB仿真,验证了算法的可靠性与可行性,并证明其在GPS信号丢失时,精度较纯惯性导航系统有较大提高。     

组合导航系统神经网络模式选择研究

组会导航未来的发展方向将是自动化、智能化,本文从组会导航的发展趋势出发,以传统的组合模式为基础．对用神经网络实现组会导航系统组合模式智能自选择进行了研究。并给出了一个神经网络的具体实现。该方法可自动选择组合模式,采用分布式并行运算具有高可靠性和容错性。对于不同的组会导航模式,只需改变神经网络离线训练数据并训练神经网络,不涉及编程,移植性好。     

神经网络在MEMS-IMU/GPS组合导航中的应用研究

针对基于MEMS传感器组成的INS/GPS组合中GPS信号缺失的情况下,系统误差瞬时增大,滤波迅速退化无法继续工作的问题,本文提出利用神经网络辅助INS/GPS导航系统以解决这一问题的方法.该方法首先建立系统模型,用组合导航的输入作为网络模型的输入,通过网络训练得到输出需要参数,结合卡尔曼滤波用于组合导航以继续使导航系统工作,仿真结果表明该方法可行和有效性的.     

基于递归神经网络的网络流量组合预测模型

为了提高网络流量的预测精度,提出了一种基于Elman递归神经网络,小波和自回归的网络流量组合预测模型.对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,对具有平稳特征的尺度系数序列用AR模型进行预测:而对体现了网络流量非线性、非平稳特性的小波系数序列使用Elman递归神经网络进行预测,最后通过Mallat算法重构得到网络流量的预测值.     

基于时频空间的非模型组合导航滤波方法

针对传统的组合导航方法存在建立模型困难和数据维度大等问题,提出了一种利用小波神经网络,直接对解算后的位置速度误差信息进行非线性预测的方法,该方法充分利用小波神经网络强大的时频分析与非线性预测能力,摆脱了数学模型的桎梏,避免模型建立中引入新的误差,并采用多个并行网络对数据进行降维处理,大大降低了计算量。以卡尔曼滤波为参照进行仿真实验,结果表明,该方法能够有效提高组合导航系统的精度与实时性,为组合导航滤波提供一种新的可行路径。     

自回归与神经网络组合的网络流量预测模型

网络流量具有时变性和非线性,单一预测方法难以准确描述网络流量变化规律,为提高网络流量预测准确率,提出一种网络流量组合预测模型(ARIMA-BPNN);首先采用ARIMA对网络流量进行预测,然后采用BPNN对网络流量非线性变化规律进行预测,且遗传算法优化BPNN初始权值,最后将两者预测结果作为BPNN输入进行二次预测,得到ARIMA-BPNN预测结果;仿真实验结果表明,相对于ARIMA、BPNN,ARIMA-BPNN提高网络流量预测精度,在网络管理中有着广泛的应用前景。     

基于MLP神经网络改进组合导航算法

为解决GPS信号失锁条件下,GPS/INS(inertial navigation system)组合导航系统解算精度降低甚至发散的问题,提出采用多层感知机神经网络(multilayer perceptron neural networks,MLPNN)来辅助组合导航系统.在GPS信号有效时对神经网络进行训练,在GPS...     

基于RBF神经网络的组合导航融合算法

提出一种基于径向基函数（RBF）神经网络的组合导航容错算法。该算法将局部滤波器状态估计分组引入作为融合中心的RBF神经网络,通过RBF神经网络的局部特性,实现全局估计的自适应性和容错性。该算法等价于对局部估计的模糊推理。仿真结果表明,该融合算法有较高的估计精度,能够及时检测出传感器故障并在融合网络中予以隔离,不致影响全局估计。     

基于ANFIS神经网络的GPS/INS组合导航信息融合

介绍了自适应神经网络模糊推理技术(ANFIS),在此基础上采取新息自适应调整的思想,设计了一种基于滤波器工作参数调整的GPS/INS组合导航神经网络辅助卡尔曼滤波器,利用神经网络的非线性,根据滤波器的实际输出在线实时动态调整滤波器参数,达到对滤波器的调整和控制。与传统卡尔曼滤波器进行计算机仿真比较表明,基于ANFIS神经网络的GPS/INS组合导航信息融合技术具有较强的自适应性,能够在复杂的环境下抑制数据的发散,提高导航精度。     

基于神经网络的组合导航系统状态估计

在干扰大的外界环境中,传统滤波法对组合导航系统进行状态估计的精度难以满足要求,文中提出了引入Elman神经网络,具体讲解了它的状态估计的设计方法,对如何获取训练样本及网络的训练算法给予了详细的介绍,并把优化后的算法与原有方法进行仿真对比,最后以INS／GPS组合导航系统为例,分别用传统滤波法与Elman神经网络法进行状态估计,仿真结果证明了该法是有效的,实用的。     

一种基于在线学习前向神经网络的组合导航滤波器

首先建立了带反馈校正的组合导航数学模型，在此基础上提出了一种在线学习的神经网络滤波算法。这种算法不需要噪声的先验知识，对系统模型的依赖也较弱。仿真表明，卡尔曼滤波器在理想情况下有较高的估计精度，而神经网络滤波器在非理想情况下有较高的精度，对模型误差和噪声特性的变化具有良好的鲁棒性。     

组合导航中低成本磁航向系统的神经网络补偿

根据组合导航的特点,设计了低成本磁航向系统神经网络补偿方法。研究了磁航向系统的误差和补偿技术;在全球定位系统信号良好情况下,以捷联惯导/全球定位组合导航系统的航向信息为参考,使用卡尔曼滤波作为学习算法,建立多层前向神经网络模型补偿磁航向系统。实验结果表明,神经网络补偿方法将磁航向系统的航向角误差由±15°减小到约±1°,取得了明显的效果。     

基于模糊神经网络的智能轮椅导航系统

智能轮椅将移动机器人的技术应用于电动轮椅，帮助老年和残障人士提高行动自由度。本文针对轮椅的运动特性，提出一种简单、高效的分区算法对轮椅传感器所获得的数据进行初步融合，并将障碍物距离信息模糊化，采用BP神经网络对障碍物环境进行分类。利用L-M优化算法进行模式识别。轮椅运动的动态仿真结果表明，该算法具有较好的实时性和可靠性，同时也适用于其它移动机器人的导航系统。     

遗传优化模糊神经网络在组合导航系统中的应用

组合导航系统中,传统的多传感器数据融合算法存在着非线性、计算误差、维数灾难和模型误差等问题.遗传优化模糊神经网络不仅具有模糊神经网络的表达近似与定性知识,较强的学习和非线性表达等能力,而且具有遗传算法的全局搜索能力,是一种有效的数据融合算法.本文将之应用于组合导航系统中,仿真结果证明了该算法的有效性.     

惯性基高精度组合导航方法研究与仿真

研究了一种基于捷联惯性导航系统(SINS)的高精度组合导航方法;选取SINS的系统误差作为组合导航系统状态,利用天文导航系统(CNS)输出的姿态矩阵和SINS输出信息计算得到的等效姿态矩阵来构造量测,设计SINS/CNS组合导航算法;利用SINS与北斗卫星导航系统(RDSS)各自的位置输出构造量测,设计SINS/RDSS组合导航算法,从而,利用联邦卡尔曼滤波技术设计SINS/CNS/RDSS组合导航算法;仿真结果表明,惯性基SINS/CNS/RDSS组合导航方法具有较高的导航定位精度,工程应用前景良好。     

基于地球坐标系的全球惯性导航与组合导航方法

包含高纬度极区的全球导航是现代民用和远程军用飞机对导航系统的重要要求。极区地理环境的特殊性导致常规的指北方位惯导算法在极区不适用。针对全球导航中极区与非极区惯导算法不统一的问题,提出了以基于地球坐标系的惯导机械编排为内核,导航参数在地理坐标系和格网坐标系输出的全球导航方法。针对长航时惯导系统存在的误差累积问题,设计了基于地球坐标系的惯性/卫星紧组合导航滤波器。仿真实验表明,基于地球坐标系的惯导算法在极区与非极区的算法性能分别与格网算法和指北算法一致,惯性/卫星紧组合导航有效提升了导航精度。     

组合导航系统模拟器中的卡尔曼滤波设计

组合导航系统模拟器是飞行训练模拟系统的关键部件,在分别设计了惯性导航系统模拟器以及卫星导航模拟器的基础上,为了提高模拟器的真实性,针对如何实现两个系统最优组合,为其它系统提供准确可靠的导航数据的问题,参照现代飞机组合导航系统的组成结构及工作原理,设计了组合导航卡尔曼滤波器,建立了松组合和紧组合两种组合导航方式的方程和量测方程,并与纯惯性导航系统的结果进行对比分析,证明了所设计的组合导航系统卡尔曼滤波器的有效性.