專利名稱：自進化anfis與ukf結(jié)合的gps/mems-ins組合定位誤差動態(tài)預測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及GPS/MEMS-INS(Micro Electro Mechanical System-InertialNavigation System，基于微機電系統(tǒng)的慣性導航系統(tǒng)，簡稱微型慣性導航系統(tǒng))組合導航系統(tǒng)定位誤差預測領(lǐng)域，具體涉及一種自進化ANFIS(adaptive neuro-fuzzy inferencesystem，自適應神經(jīng)模糊推理系統(tǒng))與UKF(Unscented Kalman Filter，無跡卡爾曼濾波)結(jié)合的GPS/MEMS-INS組合導航系統(tǒng)在GPS信號丟失時定位誤差的動態(tài)預測方法。

背景技術(shù)：
近年來，隨著MEMS技術(shù)的發(fā)展，MEMS慣性傳感器開始在導航定位領(lǐng)域獲得越來越廣泛的應用。其所具有體積小、重量輕、成本低的特點符合了大多數(shù)商業(yè)應用領(lǐng)域?qū)Ш较到y(tǒng)的基本要求。由于MEMS-INS與GPS所具有的互補特性，GPS/MEMS-INS組合導航系統(tǒng)現(xiàn)已逐漸成為導航系統(tǒng)一個主要的發(fā)展方向之一。
GPS/MEMS-INS組合導航系統(tǒng)最常用的組合濾波算法是卡爾曼濾波器?？柭鼮V波方法對于具有高斯分布噪聲的線性系統(tǒng)，可以得到系統(tǒng)狀態(tài)的遞推最小均方差估計。GPS/MEMS-INS組合導航系統(tǒng)的狀態(tài)方程是非線性的，故需采用擴展卡爾曼濾波(ExtendedKalman Filtering，EKF)。但EKF只是對非線性的系統(tǒng)方程進行簡單的線性化，并未完全解決系統(tǒng)的非線性濾波問題，且非線性方程線性化會帶來一定的誤差，甚至造成濾波器的不穩(wěn)定，將其應用于組合導航系統(tǒng)，最終會影響定位性能。UKF是一種基于采樣點的非線性濾波算法，它直接使用非線性系統(tǒng)模型，不需要進行線性化近似。因此對于組合導航系統(tǒng)等非線性系統(tǒng)，UKF更為合適。
將UKF應用于GPS/MEMS-INS組合導航系統(tǒng)進行組合濾波，當GPS信號完好時，UKF可以有效地進行信息融合及濾波，獲得精確的導航狀態(tài)量的估計。但當GPS信號丟失時，組合導航系統(tǒng)的精度主要取決于MEMS-INS，而由于MEMS慣性傳感器存在嚴重的非線性漂移誤差，導致MEMS-INS單獨導航時定位誤差隨時間快速積累，因此當GPS信號丟失時，GPS/MEMS-INS組合導航系統(tǒng)定位精度會快速下降，造成很大的定位誤差。
MEMS慣性傳感器的非線性漂移誤差要實現(xiàn)對其精確建模是很困難的。在傳統(tǒng)的組合濾波器中，一般將其建模為一定的隨機過程，例如一階馬爾可夫過程或者自回歸模型。然而，這些模型只能對慣性傳感器的漂移進行近似的描述，特別是對于MEMS慣性傳感器，由于其漂移隨時間變化較迅速，模型的有效時間很短。
為解決GPS信號丟失時，GPS/MEMS-INS組合導航系統(tǒng)定位精度下降問題，人工智能的方法被引入GPS/MEMS-INS組合算法中。人工智能方法包括神經(jīng)網(wǎng)絡、模糊邏輯等，其可以較好地對非線性系統(tǒng)進行建模及預測，因此可以被用于解決MEMS慣性傳感器的非線性漂移問題，對組合導航中的非線性誤差進行建模及預測，從而提高GPS信號丟失時導航系統(tǒng)的定位精度。
多層前饋型神經(jīng)網(wǎng)絡是一種常用的神經(jīng)網(wǎng)絡，已被成功應用于GPS/MEMS-INS組合導航系統(tǒng)中進行誤差的非線性預測，一般包括以慣導輸出的位置作為神經(jīng)網(wǎng)絡輸入、預測組合導航系統(tǒng)的精確位置的PUA模式(位置更新模式)，以及以慣導輸出的位置作為神經(jīng)網(wǎng)絡輸入，預測組合導航系統(tǒng)輸出的位置誤差的P-δP(位置-位置誤差)模式等。但多層前饋型神經(jīng)網(wǎng)絡用于GPS信號丟失時非線性誤差預測中存在訓練時間較長，計算量大、實時性難于保證等問題。
基于徑向基函數(shù)的神經(jīng)網(wǎng)絡RBFNN只有一個隱層，輸出單元是線性求和單元，結(jié)構(gòu)簡單固定，不需要做太多變化，訓練時間短，因此將其引入組合導航系統(tǒng)誤差預測中，可以獲得較好的實時性，但其預測效果不如多層前饋型神經(jīng)網(wǎng)絡好。
1993年美國加利福尼亞大學的Jyh-Shing Roger Jang提出了一類功能上與模糊推理系統(tǒng)等價的自適應網(wǎng)絡，稱為ANFIS，即自適應神經(jīng)模糊推理系統(tǒng)。其可利用基于神經(jīng)網(wǎng)絡訓練算法及最小二乘估計的混合算法確定最優(yōu)參數(shù)，減少了其訓練時間。但實踐證明，將其單獨用于GPS/MEMS-INS組合導航系統(tǒng)中的預測效果受到限制。2007年加拿大CALGARY大學的Walid Abdel-Hamid和Aboelmagd Noureldin及加拿大皇家軍事學院的Naser El-Sheimy共同將ANFIS應用于低成本MEMS-INS/GPS組合導航系統(tǒng)中，與KF相結(jié)合，構(gòu)成擴展ANFI-KF系統(tǒng)，進行位置誤差的自適應模糊預測，取得了較好的效果，當GPS信號丟失30s時，ANFI-KF的定位誤差比傳統(tǒng)KF減小75％～80％。但當GPS信號丟失時間較短時(5～10s)，傳統(tǒng)KF定位精度優(yōu)于ANFI-KF。由于ANFIS不是遞推算法，其采用了30s寬度的滑動窗進行模型的更新，即每采集30s的輸入輸出樣本數(shù)據(jù)后再采用最小二乘及梯度下降算法調(diào)整參數(shù)。對于組合導航系統(tǒng)這類時變系統(tǒng)，采用30s的樣本數(shù)據(jù)進行參數(shù)調(diào)整是不適當?shù)摹Ｒ驗槠鋵?0s內(nèi)的新舊數(shù)據(jù)采取同等的信任度，這樣獲得的模型參數(shù)實際上對應的是載體在30s內(nèi)的平均動態(tài)特征，而沒能表征載體最新的運動特征及系統(tǒng)的誤差特性，采用此ANFIS模型來預測隨后的組合導航系統(tǒng)定位誤差是不夠準確的。特別是當載體動態(tài)性較強時，模型對當前系統(tǒng)誤差特性的反映就更不準確，從而會造成模型預測誤差較大的問題。而且還存在計算量大，參數(shù)一次調(diào)整時間較長，實時性受到影響等問題。
因而，將ANFIS與UKF構(gòu)成的組合濾波器用于GPS/MEMS-INS組合導航系統(tǒng)中，可以克服EKF在解決非線性問題時由于進行一階線性化帶來的誤差。此外，采用自適應遞推算法代替一般最小二乘算法實現(xiàn)ANFIS模型參數(shù)的自進化實時調(diào)整，使ANFIS模型與當前系統(tǒng)的誤差特性相匹配，并保證系統(tǒng)的實時性；同時，利用UKF短期預測效果好與ANFIS長期預測精度高相結(jié)合，實現(xiàn)優(yōu)勢互補，動態(tài)地預測定位誤差，則可以提高GPS/MEMS-INS組合導航系統(tǒng)位置誤差的實時預測精度，進而增強組合導航系統(tǒng)的定位性能。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種自進化ANFIS與UKF組合的GPS/MEMS-INS組合導航系統(tǒng)定位誤差預測方法。采用漸消自適應卡爾曼濾波及梯度下降算法相結(jié)合實現(xiàn)ANFIS模型參數(shù)的自進化實時更新，保證了導航系統(tǒng)的實時性，且可解決載體動態(tài)性較強情況下預測誤差大的問題，增強了模型的動態(tài)性能及自適應能力；利用UKF的短期預測及ANFIS的長期預測動態(tài)結(jié)合的方法來實時預測GPS信號丟失時GPS/MEMS-INS組合導航系統(tǒng)定位誤差并進行補償，從而提高組合導航系統(tǒng)的定位性能。
本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的自進化ANFIS與UKF結(jié)合的GPS/MEMS-INS組合定位誤差動態(tài)預測方法，步驟如下 (1)根據(jù)包含載體各種運動特征的大量實驗數(shù)據(jù)離線進行ANFIS結(jié)構(gòu)及初始前提參數(shù)的確定，其中ANFIS結(jié)構(gòu)確定包括每個輸入變量對應的隸屬函數(shù)(這里取為高斯函數(shù))個數(shù)及最終規(guī)則個數(shù)的選擇；初始前提參數(shù)包括高斯函數(shù)的中心vj，i和方差σj，i2，i＝1，…，m；j＝1，…，n，m為每個輸入變量對應的隸屬函數(shù)個數(shù)，n為輸入變量的個數(shù)。初始前提參數(shù)的確定采用模糊C均值聚類法(FCM)； (2)當GPS/MEMS-INS組合導航系統(tǒng)開始工作，且GPS信號完好時，此時UKF包括兩種并行工作模式預測模式及更新模式，以UKF預測模式下對應的MEMS-INS輸出的東、北、天速度及GPS信號丟失時間作為ANFIS的輸入，以UKF兩種模式下輸出的位置誤差的差值作為ANFIS的期望輸出，進行ANFIS模型的自進化實時更新，對于每一時刻ANFIS的輸入，ANFIS模型的自進化實時更新過程如下 (2.1)當前提參數(shù)固定時，由ANFIS的結(jié)構(gòu)及各層數(shù)學功能，對于k時刻的輸入向量Xk(Xk＝[x1，k，…，xn，k]T)，可得ANFIS總輸出yk，即位置誤差為 其中

是由激勵強度

和輸入向量Xk構(gòu)成的(n+1).M維行向量；

為k時刻各規(guī)則對應的歸一化激勵強度；

θk是由k時刻所有規(guī)則對應的結(jié)論參數(shù)ai，j，k，bi，k(i＝1，…，M，j＝1，…，n)所組成的(n+1).M維列向量，

(i＝1，…，M)是由k時刻的部分結(jié)論參數(shù)構(gòu)成的列向量，M為規(guī)則總數(shù)，n為輸入個數(shù)； 采用漸消自適應卡爾曼濾波算法進行結(jié)論參數(shù)的計算，從而獲得更新后的結(jié)論參數(shù)，其狀態(tài)方程為θk＝θk-1，觀測方程為yk＝Ak·θk+Vk，其中θk為狀態(tài)量，yk為觀測量，Vk為觀測噪聲， 參數(shù)更新過程如下 Sk為(n+1)M×(n+1)M的協(xié)方差矩陣，λ為漸消因子；上式中初始參數(shù)θ0＝0，S0＝ηI，η為一個任意的很大的正數(shù)，I為單位矩陣； (2.2)結(jié)論參數(shù)確定后，采用梯度下降算法進行前提參數(shù)vj，i，σj，i2(i＝1，…，m；j＝1，…，n)的調(diào)整，設k時刻的訓練誤差為

其中yk為k時刻的輸出，yd為k時刻的期望輸出； (2.3)利用調(diào)整后的前提參數(shù)，根據(jù)步驟(2.1)重新計算結(jié)論參數(shù)； (2.4)計算此時的訓練誤差

如果Ek＞預先設定的誤差目標值，則返回執(zhí)行步驟(2.2)，依次往下；否則，就獲得最優(yōu)結(jié)論及前提參數(shù)，然后根據(jù)下一時刻的訓練樣本，即輸入-輸出數(shù)據(jù)，從步驟(2.2)開始進行下一時刻參數(shù)的學習； (3)當GPS信號丟失時，ANFIS模型及UKF均工作于預測模式，此時，利用ANFIS模型預測與UKF預測動態(tài)結(jié)合的方法來預測位置誤差并校正，輸出校正后的組合導航系統(tǒng)定位結(jié)果。
本發(fā)明與現(xiàn)有技術(shù)相比的有益效果主要體現(xiàn)在與現(xiàn)有GPS/MEMS-INS組合導航系統(tǒng)定位誤差預測方法相比，本發(fā)明提出了一種基于ANFIS-UKF的GPS/MEMS-INS組合導航系統(tǒng)定位誤差預測方法。利用漸消自適應卡爾曼濾波算法與梯度下降算法相結(jié)合進行參數(shù)在線調(diào)整，實現(xiàn)ANFIS模型的自進化實時更新，保證了導航系統(tǒng)的實時性，且可解決現(xiàn)有方法在載體動態(tài)性較強情況下預測誤差大的問題，提高了ANFIS模型的動態(tài)適用性能及自適應能力；利用UKF的短期預測及ANFIS的長期預測動態(tài)結(jié)合的方法來預測GPS信號丟失時GPS/MEMS-INS組合導航系統(tǒng)定位誤差，可克服ANFIS在GPS信號丟失的開始階段預測精度不高的問題，且一定程度上減小了計算量，保證了系統(tǒng)進行預測時的實時性，最終增強了GPS信號丟失時組合導航系統(tǒng)的定位性能。



圖1是本發(fā)明的GPS/MEMS-INS位置誤差預測方法流程圖； 圖2是本發(fā)明的ANFIS結(jié)構(gòu)示意圖； 圖3是本發(fā)明的GPS信號完好時ANFIS工作于更新模式示意圖； 圖4是本發(fā)明的GPS信號丟失時ANFIS工作于預測模式示意圖； 圖5是本發(fā)明的GPS信號丟失時，ANFIS與UKF相結(jié)合進行位置誤差動態(tài)預測的示意圖。

具體實施例方式 ANFIS結(jié)構(gòu)圖如圖2所示，此處假設模糊推理系統(tǒng)有兩輸入INS輸出的速度VINS及GPS信號丟失時間TGRS，單輸出為UKF處于預測狀態(tài)時的位置估計誤差。采用一階Sugeno模糊模型，假設每個輸入對應三個模糊集合，具有M(此處假設M為3)條模糊if-then規(guī)則的普通規(guī)則集如下 規(guī)則i如果VINS∈Vi，TGPS∈Ti，那么δPi＝piVINS+qiTGPS+ri，i＝1，2…，c 這里同一層結(jié)點具有相同函數(shù)(記層1的第i個結(jié)點的輸出為Ol，i)，以下分別介紹每層的數(shù)學功能 層1在這一層的每個結(jié)點i是有一個結(jié)點函數(shù)的自適應結(jié)點。
或者 這里O1，i是模糊集V(＝V1，V2，V3)或T(＝T1，T2，T3)的隸屬度，它確定了給定輸入滿足模糊集的程度。這里模糊集V和T的隸屬函數(shù)選擇高斯函數(shù) 式中{vj，i，σj，i2}(i＝1，2，3；j＝1，2)是參數(shù)集，稱為前提參數(shù)。層2在這一層的每個結(jié)點是一個標以∏的固定結(jié)點，它的輸出是所有輸入信號的積 每個結(jié)點的輸出表示一條規(guī)則的激勵強度。一般來說，本層結(jié)點函數(shù)可以用任意其它執(zhí)行模糊“與”的T范式算子。
層3在這一層的每個結(jié)點是一個標以N的固定結(jié)點。第i個結(jié)點計算第i條規(guī)則的激勵強度與所有激勵強度之和的比值 本層的輸出稱為歸一化激勵強度，其中wi＝O2，i(i＝1，2，3)。
層4在這一層的每個結(jié)點i是一個有結(jié)點函數(shù)的自適應結(jié)點 式中

(i＝1，2，3)是從層3傳來的歸一化激勵強度，{pi，qi，ri}是該結(jié)點的參數(shù)集。本層的參數(shù)稱為結(jié)論參數(shù)。
層5這一層的單結(jié)點是一個標以∑的固定結(jié)點，它計算所有傳來信號之和作為總輸出
基于ANFIS-UKF的GPS/MEMS-INS組合導航系統(tǒng)定位誤差預測方法的流程圖如圖1所示。
其具體實施步驟如下 1、根據(jù)包含載體各種運動特征的大量實驗數(shù)據(jù)離線進行ANFIS結(jié)構(gòu)及初始參數(shù)的確定。其中ANFIS結(jié)構(gòu)確定包括每個輸入變量對應的隸屬函數(shù)個數(shù)及最終規(guī)則個數(shù)的選擇。一般每個輸入變量對應的隸屬函數(shù)個數(shù)為2～4，規(guī)則個數(shù)最多為mn，其中m為隸屬函數(shù)個數(shù)，n為輸入變量個數(shù)。此處輸入變量個數(shù)n為4，包括MEMS-INS輸出的東、北、天速度和GPS信號丟失時間；m取為2，規(guī)則個數(shù)M取為16個。
初始前提參數(shù)vj，i，σj，i2，i＝1，…，m；j＝1，…，n的確定采用模糊C均值聚類法(FCM)，其具體實施過程如下 模糊C均值聚類法把N組輸入數(shù)據(jù)向量Xk＝[x1，k，…，xn，k]T(k＝1，2，…N)分為m個模糊組，并求每組的聚類中心Vi(v1，i，…vn，i)，使非相似性指標的價值函數(shù)達到最小。具體步驟如下 1.1FCM采用模糊劃分，使得每個給定數(shù)據(jù)用值在0，1間的隸屬度來確定其屬于各個組的程度，各個輸入的隸屬度則構(gòu)成了隸屬矩陣U。用值在0，1間的隨機數(shù)初始化隸屬矩陣U，并使其滿足下式的約束條件 其中uj，i，k，i＝1，…，m；j＝1，…，n；k＝1，…，N為隸屬矩陣U的某一元素。
1.2計算m組聚類中心Vi(v1，i，…vn，i)(即高斯函數(shù)的中心vj，i)和高斯函數(shù)的方差σj，i2 其中c∈[1，∞]是一個加權(quán)指數(shù)，一般取為2。
1.3計算價值函數(shù) 其中Dj，i，k＝||xj，k-vj，i||表示xj，k和vj，i之間的歐幾里得距離。
如果它小于某個確定的閾值或它相對上次價值函數(shù)值的改變量小于某個閾值，則算法停止，獲得所需的前提參數(shù)；否則繼續(xù)執(zhí)行步驟1.4。
1.4計算新的U陣

再返回執(zhí)行步驟1.2。
2當GPS/MEMS-INS組合導航系統(tǒng)開始工作，且GPS信號完好時，此時UKF包括兩種并行工作模式預測模式及更新模式。以UKF預測模式下對應的MEMS-INS輸出的東、北、天速度及GPS信號丟失時間作為ANFIS的輸入，以UKF兩種模式下輸出的位置誤差的差值作為ANFIS的期望輸出，進行ANFIS模型的自進化實時更新。對于每一時刻ANFIS的輸入，ANFIS模型更新過程如下 2.1當前提參數(shù)固定時，由ANFIS的結(jié)構(gòu)及各層數(shù)學功能，對于k時刻的輸入向量XK(Xk＝[x1，k，…，xn，k]T)，可得ANFIS總輸出yk(即位置誤差)為 其中

是由激勵強度

和輸入向量Xk構(gòu)成的(n+1).M維行向量；

(i＝1，…，M)為k時刻各規(guī)則對應的歸一化激勵強度；

θk是由k時刻所有規(guī)則對應的結(jié)論參數(shù)ai，j，k，bi，k(i＝1，…，M，j＝1，…，n)所組成的(n+1).M維列向量，ai，k＝[ai，1，k，…，ai，n，k]T (i＝1，…，M)是由k時刻的部分結(jié)論參數(shù)構(gòu)成的列向量，M為規(guī)則總數(shù)，n為輸入個數(shù)。
采用漸消自適應卡爾曼濾波算法進行結(jié)論參數(shù)的計算，從而獲得更新后的結(jié)論參數(shù)。其狀態(tài)方程為θk＝θk-1，觀測方程為yk＝Ak·θk+Vk，其中θk為狀態(tài)量，yk為觀測量，Vk為觀測噪聲， 參數(shù)更新過程如下 由于組合導航系統(tǒng)屬于時變系統(tǒng)，故此處采用帶漸消因子的漸消自適應卡爾曼濾波算法。漸消因子λ的作用是控制舊數(shù)據(jù)的衰減，增強對新數(shù)據(jù)的信任度，在實踐中一般取值為0.9到1之間(此處取0.9)，Sk為(n+1)M×(n+1)M的協(xié)方差矩陣。上式中初始參數(shù)θ0＝0，S0＝ηI，η為一個任意的很大的正數(shù)，I為單位矩陣。
2.2結(jié)論參數(shù)確定后，采用梯度下降算法進行前提參數(shù)vj，i，σj，i2(i＝1，…，m；j＝1，…，n)的調(diào)整。設k時刻的訓練誤差為

其中yk為k時刻的輸出，yd為k時刻的期望輸出。梯度下降算法的具體步驟如下 (1)計算ANFIS第5層輸出節(jié)點的誤差率 (2)計算ANFIS第4層各節(jié)點的誤差率 其中O4，t表示ANFIS第4層第t個節(jié)點的輸出，M為規(guī)則個數(shù)。
(3)計算ANFIS第3層各節(jié)點的誤差率 其中O3，s表示ANFIS第3層第s個節(jié)點的輸出，as，kT、bs，k為k時刻第s個規(guī)則對應的結(jié)論參數(shù)，Xk為k時刻的輸入向量。
(4)計算ANFIS第2層各節(jié)點的誤差率 其中O2，p表示ANFIS第2層第p個節(jié)點的輸出，wi，i＝1，…，M為ANFIS第2層第i個節(jié)點輸出。
(5)計算ANFIS第1層各節(jié)點的誤差率 O1，q表示ANFIS第1層第q個節(jié)點的輸出，n為輸入變量的個數(shù)，m為每個輸入變量對應的隸屬函數(shù)個數(shù)。
其中 (6)計算
(7)前提參數(shù)vj，i、σj，i的調(diào)整 其中η是一個學習系數(shù)，一般取0.01～0.8，可在實際應用中通過在一定范圍內(nèi)以一定的遞增或遞減率進行自適應調(diào)整，獲取最優(yōu)學習系數(shù)值。這樣就實現(xiàn)了前提參數(shù)的一步調(diào)整。
2.3利用調(diào)整后的前提參數(shù)，根據(jù)步驟2.1重新計算結(jié)論參數(shù)； 2.4計算此時的訓練誤差

如果Ek＞預先設定的誤差目標值(這里取10-5)，則返回執(zhí)行步驟2.2，依次往下；否則，就獲得最優(yōu)結(jié)論及前提參數(shù)，然后根據(jù)下一時刻的訓練樣本(輸入-輸出數(shù)據(jù))，從步驟2.2開始進行下一時刻參數(shù)的學習。
為了保證系統(tǒng)的實時性，以GPS/MEMS-INS組合導航系統(tǒng)輸出周期T的整數(shù)倍進行ANFIS模型的更新，此處以5T為一個周期更新ANFIS模型參數(shù)，這樣可以避免由于ANFIS參數(shù)學習的耗時問題影響組合導航系統(tǒng)的實時性，減小了計算量。
3.當GPS信號丟失時，ANFIS模型及UKF均工作于預測模式，此時，利用ANFIS模型預測與UKF預測動態(tài)結(jié)合的方法來預測位置誤差并校正，輸出校正后的組合導航系統(tǒng)定位結(jié)果。具體過程如下 3.1UKF工作于預測模式，其預測過程如下 假設組合導航系統(tǒng)離散時間非線性狀態(tài)方程如下式所示， x(k+1)＝f[x(k)，w(k)] 其中f[·，·，·]是過程模型，x(k)是k時刻系統(tǒng)狀態(tài)，在組合導航中其一般包括三維位置誤差、三維速度誤差和三個姿態(tài)誤差角。w(k)為驅(qū)動噪聲序列。
系統(tǒng)觀測方程為 z(k+1)＝h[x(k+1)，v(k+1)] 其中z(k+1)是觀測向量，h[·，·，·]是量測方程，v(k)為量測噪聲序列。w(k)和v(k)是互不相關(guān)的零均值高斯白噪聲序列。
(1)計算sigma點 其中P(k-1)為k-1時刻狀態(tài)量的協(xié)方差陣，

為k-1時刻的狀態(tài)估計。
(2)時間預測 Xx(k/k-1)＝f[X(k-1)] 其中


i＝1...2L，L為狀態(tài)量維數(shù)，λ＝α2(L+κ)-L是一個標量，常量α決定了sigma點離均值

的分布情況，通常設置為一個小的正數(shù)(如1e-4≤α≤1)。常數(shù)κ是第二個標量參數(shù)，通常設置為0或3-L。
這樣就可獲得UKF預測的位置誤差、速度誤差和姿態(tài)角誤差。
3.2ANFIS預測輸出的計算 對于k時刻MEMS-INS輸出的速度和GPS信號丟失時間，將其作為ANFIS的輸入xj，j＝1，…，n 則ANFIS層1的輸出為 其中vj，i、σj，i2為前提參數(shù)，xj(j＝1，…，n)為ANFIS此時刻的輸入。
ANFIS層2的輸出為 w8(s-1)+4(t-1)+2(p-1)+q＝μ1，s(x1).μ2，t(x2).μ3，p(x3).μ4，q(x4)(s＝1，2，t＝1，2，p＝1，2，q＝1，2) ANFIS層3的輸出為 其中M為規(guī)則個數(shù)。
則最終ANFIS的預測輸出為 其中，y為ANFIS預測的UKF工作于預測模式時的位置誤差，xj(j＝1，…，n)為此時刻MEMS-INS輸出的三軸速度及GPS信號丟失時間，ai，j，bi為結(jié)論參數(shù)。
3.3設UKF預測的狀態(tài)量中的位置誤差為

此時刻ANFIS輸出為y。如果此時GPS信號丟失時間小于10s，則預測的MEMS-INS輸出的位置誤差
如果GPS信號丟失時間大于10s，則采用附圖5所示的動態(tài)方法進行位置誤差預測。每隔T時刻處采用UKF預測輸出的位置誤差

作為MEMS-INS輸出的位置誤差

當?shù)竭_5T的整數(shù)倍時刻處，采用ANFIS的預測輸出y對此時刻UKF的預測輸出

進行校正，得此時刻MEMS-INS輸出的位置誤差

即
3.4利用

對MEMS-INS輸出的位置pINS(k)進行校正，則獲得組合導航系統(tǒng)該時刻的最終位置輸出
綜上所述，本發(fā)明提出了一種自適應ANFIS與UKF結(jié)合的組合導航系統(tǒng)位置誤差動態(tài)預測方法。在ANFIS模型更新階段，引入漸消自適應卡爾曼濾波和梯度下降的混合訓練算法實時地進行參數(shù)的自進化實時調(diào)整，保證了系統(tǒng)的實時性，且增強了模型的動態(tài)性能及自適應能力；在ANFIS預測階段，將ANFIS的長期預測精度高和UKF短期預測精度高的特點相結(jié)合，動態(tài)地來預測位置誤差，保證了短期及長期的位置誤差預測精度及實時性，提高了GPS信號丟失時組合導航系統(tǒng)的定位精度。
本發(fā)明未詳細闡述的部分屬于本領(lǐng)域公知技術(shù)。
以上僅是本發(fā)明的具體應用范例，對本發(fā)明的保護范圍不構(gòu)成任何限制。其可擴展應用于所有組合導航位置誤差預測的應用領(lǐng)域，凡采用等同變換或者等效替換而形成的技術(shù)方案，均落在本發(fā)明權(quán)利保護范圍之內(nèi)。
權(quán)利要求
1.自進化ANFIS與UKF結(jié)合的GPS/MEMS-INS組合定位誤差動態(tài)預測方法，其特征在于步驟如下
(1)根據(jù)包含載體各種運動特征的大量實驗數(shù)據(jù)離線進行ANFIS結(jié)構(gòu)及初始前提參數(shù)的確定，其中ANFIS結(jié)構(gòu)確定包括每個輸入變量對應的隸屬函數(shù)個數(shù)及最終規(guī)則個數(shù)的選擇，所述隸屬函數(shù)為高斯函數(shù)；初始前提參數(shù)包括高斯函數(shù)的中心vj，i和方差σj，i2，i＝1，…，m；j＝1，…，n，m為每個輸入對應的隸屬函數(shù)個數(shù)，n為輸入變量的個數(shù)，初始前提參數(shù)的確定采用模糊C均值聚類法；
(2)當GPS/MEMS-INS組合導航系統(tǒng)開始工作，且GPS信號完好時，此時UKF包括兩種并行工作模式預測模式及更新模式，以UKF預測模式下對應的MEMS-INS輸出的東、北、天速度及GPS信號丟失時間作為ANFIS的輸入，以UKF預測及更新模式下輸出的位置誤差的差值作為ANFIS的期望輸出，進行ANFIS模型的自進化實時更新，對于每一時刻ANFIS的輸入，ANFIS模型的自進化實時更新過程如下
(2.1)當前提參數(shù)固定時，由ANFIS的結(jié)構(gòu)及各層數(shù)學功能，對于k時刻的輸入向量Xk(Xk＝[x1，k，…，xn，k]T)，得ANFIS總輸出yk，即位置誤差為
其中
是由激勵強度
和輸入向量Xk構(gòu)成的(n+1).M維行向量；
(i＝1，…，M)為k時刻各規(guī)則對應的歸一化激勵強度；
θk是由k時刻所有規(guī)則對應的結(jié)論參數(shù)ai，j，k，bi，k(i＝1，…，M，j＝1，…，n)所組成的(n+1).M維列向量，ai，k＝[ai，1，k，…，ai，n，k]T(i＝1，…，M)是由k時刻的部分結(jié)論參數(shù)構(gòu)成的列向量，M為規(guī)則總數(shù)，n為輸入個數(shù)；
采用漸消自適應卡爾曼濾波算法進行結(jié)論參數(shù)的計算，從而獲得更新后的結(jié)論參數(shù)，其狀態(tài)方程為θk＝θk-1，觀測方程為yk＝Ak·θk+Vk，其中θk為狀態(tài)量，yk為觀測量，Vk為觀測噪聲，
參數(shù)更新過程如下
Sk為(n+1)M×(n+1)M的協(xié)方差矩陣，λ為漸消因子；上式中初始參數(shù)θ0＝0，S0＝ηI，η為一個任意的很大的正數(shù)，I為單位矩陣；
(2.2)結(jié)論參數(shù)確定后，采用梯度下降算法進行前提參數(shù)vj，i，σj，i2(i＝1，…，m；j＝1，…，n)的調(diào)整，設k時刻的訓練誤差為
其中yk為k時刻的輸出，yd為k時刻的期望輸出；
(2.3)利用調(diào)整后的前提參數(shù)，根據(jù)步驟(2.1)重新計算結(jié)論參數(shù)；
(2.4)計算此時的訓練誤差
如果Ek＞預先設定的誤差目標值，則返回執(zhí)行步驟(2.2)，依次往下；否則，就獲得最優(yōu)結(jié)論及前提參數(shù)，然后根據(jù)下一時刻的訓練樣本，即輸入-輸出數(shù)據(jù)，從步驟(2.2)開始進行下一時刻參數(shù)的學習；
(3)當GPS信號丟失時，ANFIS模型及UKF均工作于預測模式，此時，利用ANFIS模型預測與UKF預測動態(tài)結(jié)合的方法來預測位置誤差并校正，輸出校正后的組合導航系統(tǒng)定位結(jié)果。
2.根據(jù)權(quán)利要求1所述的自進化ANFIS與UKF結(jié)合的GPS/MEMS-INS組合定位誤差動態(tài)預測方法，其特征在于所述步驟(1)中模糊C均值聚類法過程如下
模糊C均值聚類法把N組輸入數(shù)據(jù)向量Xk＝[x1，k，…，xn，k]T(k＝1，2，…N)分為m個模糊組，并求每組的聚類中心Vi(v1，i，…vn，i)，使非相似性指標的價值函數(shù)達到最小，具體步驟如下
(1.1)FCM采用模糊劃分，使得每個給定數(shù)據(jù)用值在0，1間的隸屬度來確定其屬于各個組的程度，各個輸入的隸屬度則構(gòu)成了隸屬矩陣U，用值在0，1間的隨機數(shù)初始化隸屬矩陣U，并使其滿足下式的約束條件
其中uj，i，k，i＝1，…，m；j＝1，…，n；k＝1，…，N為隸屬矩陣U的某一元素；
(1.2)計算m組聚類中心Vi(v1，i，…vn，i)，即高斯函數(shù)的中心vj，i和高斯函數(shù)的方差σj，i2
其中c∈[1，∞]是一個加權(quán)指數(shù)，n為每一時刻輸入的個數(shù)；
(1.3)計算價值函數(shù)
其中Dj，i，k＝||kj，k-vj，i‖表示xj，k和vj，i之間的歐幾里得距離；
如果價值函數(shù)小于某個確定的閾值或它相對上次價值函數(shù)值的改變量小于某個閾值，則停止，獲得所需的前提參數(shù)；否則繼續(xù)執(zhí)行步驟(1.4)；
(1.4)計算新的U陣
再返回執(zhí)行步驟(1.2)。
3.根據(jù)權(quán)利要求1所述的自進化ANFIS與UKF結(jié)合的GPS/MEMS-INS組合定位誤差動態(tài)預測方法，其特征在于所述步驟(2.2)中梯度下降算法的具體步驟如下
(a)計算ANFIS第5層輸出節(jié)點的誤差率
其中
為訓練誤差，yk為k時刻的輸出，yd為k時刻的期望輸出；
(b)計算ANFIS第4層各節(jié)點的誤差率
其中O4，t表示ANFIS第4層第t個節(jié)點的輸出，M為規(guī)則個數(shù)；
(c)計算ANFIS第3層各節(jié)點的誤差率
其中O3，s表示ANFIS第3層第s個節(jié)點的輸出，as，kT、bs，k為k時刻第s個規(guī)則對應的結(jié)論參數(shù)；
(d)計算ANFIS第2層各節(jié)點的誤差率
其中O2，p表示ANFIS第2層第p個節(jié)點的輸出，wi，i＝1，…，M為ANFIS第2層第i個節(jié)點輸出；
(e)計算ANFIS第1層各節(jié)點的誤差率
O1，q表示ANFIS第1層第q個節(jié)點的輸出，n為輸入變量的個數(shù)，m為每個輸入變量對應的隸屬函數(shù)個數(shù)。
其中
(f)計算
和
(g)前提參數(shù)vj，i、σj，i的調(diào)整
其中η是一個學習系數(shù)，這樣就實現(xiàn)了前提參數(shù)的調(diào)整。
4.根據(jù)權(quán)利要求1所述的自進化ANFIS與UKF結(jié)合的GPS/MEMS-INS組合定位誤差動態(tài)預測方法，其特征在于所述步驟(3)中當GPS信號丟失時，ANFIS模型及UKF均工作于預測模式，此時，利用ANFIS模型預測與UKF預測動態(tài)結(jié)合的方法來預測位置誤差并校正，輸出校正后的組合導航系統(tǒng)定位結(jié)果，具體過程如下
(3.1)UKF工作于預測模式，其預測過程如下
假設組合導航系統(tǒng)離散時間非線性狀態(tài)方程如下式所示，
x(k+1)＝f[x(k)，w(k)]
其中f[·，·，·]是過程模型，x(k)是k時刻系統(tǒng)狀態(tài)，在組合導航中其一般包括三維位置誤差、三維速度誤差和三個姿態(tài)誤差角，w(k)為驅(qū)動噪聲序列；
系統(tǒng)觀測方程為
z(k+1)＝h[x(k+1)，v(k+1)]
其中z(k+1)是觀測向量，h[·，·，·]是量測方程，v(k)為量測噪聲序列，w(k)和v(k)是互不相關(guān)的零均值高斯白噪聲序列；
(1)計算sigma點
其中P(k-1)為k-1時刻狀態(tài)量的協(xié)方差陣，
為k-1時刻的狀態(tài)估計；
(2)時間預測
Xx(k/k-1)＝f[X(k-1)]
其中
i＝1...2L，L為狀態(tài)量維數(shù)，λ＝α2(L+κ)-L是一個標量，常量α決定了sigma點離均值
的分布情況，常數(shù)κ是第二個標量參數(shù)，這樣就可獲得UKF預測的位置誤差、速度誤差和姿態(tài)角誤差；
(3.2)ANFIS預測輸出的計算
對于k時刻MEMS-INS輸出的速度和GPS信號丟失時間，將其作為ANFIS的輸入xj，j＝1，…，n
則ANFIS層1的輸出為
ANFIS層2的輸出為
ANFIS層3的輸出為
則最終ANFIS的預測輸出為
其中，y為ANFIS預測的UKF工作于預測模式時的位置誤差，xj(j＝1，…，N)為此時刻MEMS-INS輸出的三軸速度及GPS信號丟失時間，ai，j，bi為結(jié)論參數(shù)；
(3.3)設UKF預測的狀態(tài)量中的位置誤差為
此時刻ANFIS輸出為y；如果此時GPS信號丟失時間小于10s，則預測的MEMS-INS輸出的位置誤差
如果GPS信號丟失時間大于10s，則采用動態(tài)方法進行位置誤差預測，每隔T時刻處采用UKF預測輸出的位置誤差
作為MEMS-INS輸出的位置誤差
當?shù)竭_5T的整數(shù)倍時刻處，采用ANFIS的預測輸出y對此時刻UKF的預測輸出
進行校正，得此時刻MEMS-INS輸出的位置誤差
即
(3.4)利用
對MEMS-INS輸出的位置pINS(k)進行校正，則獲得組合導航系統(tǒng)該時刻的最終位置輸出
全文摘要
自進化ANFIS與UKF結(jié)合的GPS/MEMS-INS組合定位誤差動態(tài)預測方法，步驟為(1)根據(jù)包含載體各種運動特征的大量實驗數(shù)據(jù)離線進行ANFIS結(jié)構(gòu)及初始前提參數(shù)的確定；(2)當GPS/MEMS-INS組合導航系統(tǒng)開始工作，且GPS信號完好時，此時UKF包括兩種并行工作模式預測模式及更新模式，以UKF預測模式下對應的MEMS-INS輸出的東、北、天速度及GPS信號丟失時間作為ANFIS的輸入，以UKF兩種模式下輸出的位置誤差的差值作為ANFIS的期望輸出，進行ANFIS模型的自進化實時更新；(3)當GPS信號丟失時，ANFIS模型及UKF均工作于預測模式，此時，利用ANFIS模型預測與UKF預測動態(tài)結(jié)合的方法來預測位置誤差并校正，輸出校正后的組合導航系統(tǒng)定位結(jié)果。本發(fā)明增強了ANFIS模型的動態(tài)性能及自適應能力，提高組合導航系統(tǒng)的定位性能。
文檔編號G01C21/00GK101819041SQ20101015257
公開日2010年9月1日 申請日期2010年4月16日 優(yōu)先權(quán)日2010年4月16日
發(fā)明者秦紅磊, 叢麗, 邢菊紅 申請人:北京航空航天大學