论文部分内容阅读
惯性导航系统(SINS)是一种自主式导航系统,可以连续提供多种导航信息,短时间内运行的精度较高,然而其定位误差随时间积累,长时间精度较差。全球定位系统(GPS)长期误差特性较好,但是短期误差精度不好。因此以SINS/GPS为组合方式的组合导航系统能够取长补短,是一种理想的组合方式。论文以SINS/GPS组合导航系统为研究对象,系统地研究了利用智能数据融合技术提高滤波性能的算法。论文首先讨论了SINS,GPS导航系统的定位原理、误差分析,进而建立了GPS/SINS系统的数学模型。其次论文介绍了模糊控制和BP神经网络的基本理论及各自局限性、互补性,从而提出了基于神经网络的模糊控制器结构。最后论文论述了当导航系统噪声统计特性不确定时,如何改善滤波估计效果和提高SINS/GPS组合导航系统的定位精度的问题。探讨了加权自适应Kalman滤波算法利弊,针对系统的噪声统计特性不确定时,传统Kalman滤波器估计会产生大的偏差或发散的问题,论文设计了一种基于模糊神经网络自适应Kalman滤波器,即通过基于神经网络的模糊控制系统在线实时调整自适应Kalman滤波器的加权因子,保证滤波精度。给出三种仿真环境下的基本Kalman滤波与模糊自适应Kalman滤波估计效果对比曲线。仿真结果说明在噪声统计逐渐增大的情况下,本文设计的自适应算法具有较强的鲁棒性,可以提供较高的导航定位精度。