基于卷积神经网络的冗余高精度加速度计导航系统研究

惯性导航系统(Inertial Navigation System,INS)是为各类运载体平台在GPS拒止环境下提供自主导航的关键技术。然而,现有的INS存在误差累积问题,影响其长期导航精度。为增强INS的准确性,本文通过引入高精度加速度计并利用卷积神经网络(Convolutional Neural Networks,CNN)提出一种新型基于卷积神经网络的冗余高精度加速度计导航系统,该系统优化了误差预测和反演校正能力,显著提高了导航精度。实验结果证明,该系统在减少误差累积和提高长期导航稳定性方面优于传统INS方法。

基于窄带处理的多线谱中心频率提取方法

针对水下运动平台辐射噪声存在多根线谱时,现有中心频率提取方法计算量较大的问题,提出一种基于窄带处理的多线谱中心频率提取方法。在水下目标辐射噪声特性分析的基础上,根据能量判据得到信号线谱所在频段,进而利用小波阈值降噪处理原始信号,结合线谱特征特性,在降噪后信号频域上分别寻得存在线谱的各个频段,将包含线谱的频段视为窄带内的正弦波信号,采用正弦波信号频率估计方法,分别提取出线谱的中心频率。实验结果表明,该方法可以准确获得全部线谱的中心频率,提取值与实际值的最大偏差不超过0.4 Hz。相比传统方法,该方法计算量较小,为多根线谱的中心频率估计问题提供了一种便捷的解决方案,具有一定的工程应用价值。