基于SVM的水下机器人舰位推算导航误差模型

本文为了提高UUV水下航行过程中舰位推算的导航精度,建立了基于支持向量机的导航误差模型。文章选取UUV的航向、相对大地的前向速度及左向速度、纵倾和横倾、导航推算时刻距离初始时刻的时间等六个与UUV导航误差密切相关的参数作为模型的输入,以舰位推算出的经度误差和纬度误差为模型输出,结果是验证该模型的有效性。结论是使导航的相对误差能够从48.69‰下降到1.49‰,得出误差模型可以较好地修正舰位推算中的经纬度误差。

改进的渐消UKF神经网络学习算法及应用

针对BP神经网络在训练过程中存在易陷入局部极小值、对样本噪声缺乏自适应性等问题,设计一种改进的渐消无迹卡尔曼滤波神经网络(Improved fading unscented Kalman filter neural networks, IF-UKFNN)训练算法。该算法以UKF为基础,在滤波过程中引入渐消因子,实时调整滤波增益,限制样本噪声对权值更新的影响,进而提高网络训练的精度;同时,采用一种改进的自适应因子计算方法,使计算过程简化。将提出的算法应用于组合导航系统建立误差估计模型,仿真结果表明:提出的算法不仅可以提高模型的估计精度,而且增强了网络模型对噪声样本的适应性和鲁棒性,具有更好的应用效果。

晃动基座下正向-正向回溯初始对准方法

针对传统方式需要对准时间长的问题,提出一种晃动基座下正向-正向回溯初始对准方法,实现了快速初始对准的目的。首先,给出了导航惯性系粗对准的基本原理,分析了导航惯性系粗对准在回溯过程中的作用。其次,对捷联惯导系统初始对准过程进行了深入的研究,利用导航惯性系建立精对准系统误差模型,将晃动基座时变姿态误差角估计问题转换为时不变姿态误差角估计问题,进而为正向-正向回溯对准奠定了理论基础。在此基础上,详细分析了正向-正向回溯对准的基本原理和设计方法。最后,通过设计仿真实验,验证了本文设计的对准方法可以在303 s内实现晃动基座上航向误差优于0. 1°的对准精度。试验结果表明,本文提出的方法具有计算效率高、对准时间短、对准精度高的优点。