基于Bagging模型的惯导系统误差抑制方法

由惯性导航系统(SINS)和卫星导航系统(GPS)构成的组合导航系统一直是陆用车辆的主要导航设备。当GPS失锁时,SINS的定位误差将随着时间不受控制的迅速增长。为了提高惯导系统的定位精度,相比较于单一的神经网络,集成学习算法中的Bagging模型能够深度学习惯导误差之间的内在关系,进一步提高导航性能。在智能算法和组合导航系统的框架下提出了惯导系统的误差抑制方案,即在GPS存在时训练组合导航系统数据,当GPS失锁时预测惯导系统位置增量。试验结果表明,该方案能够在GPS丢失时抑制惯导系统定位误差发散,相比较于BP算法,Bagging模型的定位精度在5 min时提高了约49%,15 min时提高了约41%。

振动条件下平台惯导系统误差抑制技术研究

飞行载体在发射运行过程中常常处于振动环境中,从而影响惯性平台的导航精度。为了更好地辨识振动条件下的平台漂移误差系数,根据小角度的平台误差角模型,推导出了加速度计输出与平台误差角之间的关系,并按照该模型建立了描述平台漂移的状态空间方程和量测方程。将平台漂移角及漂移角速率作为状态变量,利用自适应卡尔曼滤波进行估计。试验结果表明,估计收敛速度快且趋于稳定,能够有效抑制惯导系统速度误差发散,相比较于未补偿平台漂移角,振动后最大速度误差降幅82%~83%。