基于机器学习的惯性导航系统初始对准方法研究

惯性导航系统初始对准的现有方法存在速度和精度的矛盾：精度高，即滤波效果好的那些方法，初始对准过程长。.机器学习是自动获取知识和改善系统行为的智能过程。机器学习方法，如支持向量机（SVM）方法的泛化能力强，即当输入矢量带有噪声时，它能准确地呈现出应有的输出，且速度快。.本项目拟将SVM与卡尔曼滤波、反馈控制相结合，以获得快速高精度的惯导系统初始对准智能方法。SVM是根据统计学习理论提出的一种新的机器学习方法,其突出优点是：由有限的训练集样本得到的小误差能够保证对独立的测试集仍保持小的误差；得到的解一定是全局最优解。这样，用SVM获得自适应因子，进而调整自适应卡尔曼滤波方法的量测噪声权值矩阵，预期可解决卡尔曼滤波可能发散的问题、局部解问题、求解时间长的问题。以期形成自主知识产权，为高精度实时导航关键技术奠定重要理论基础。对突破我国导航领域的技术瓶颈具有重要意义。

提出将SVM与Kalman滤波、反馈控制相结合的智能初始对准方法。建立捷联惯导系统初始对准的状态方程与量测方程，根据实时信息的理论方差与实际方差的比值，结合SVM的学习能力，得到自适应因子，在线调整Kalman滤波器的噪声协方差矩阵，改变滤波器增益矩阵，从而，从理论和技术上克服了现有卡尔曼滤波技术在随机时变非线性系统动态过程中的滤波发散问题，并大大提高了失准角估计的收敛快速性和精度。. 研究了影响捷联惯导系统初始对准系统性能的其他因素，提出有效的结构设计和补偿方法。将SVM与非线性UKF结合来补偿惯性器件的随机漂移，分别在光纤陀螺和微机械陀螺中取得了比现有器件级滤波方法更好的效果。考虑了提高捷联式惯性器件的可靠性结构设计，从而使得该项目的初始对准系统适应多种环境，并进一步提高了精度和可靠性。. 研制了光纤陀螺和石英数字加速度计构成的IMU捷联惯导初始对准系统，进行了晃动基座对准试验，并在研究过程中解决了预期的测试困难和技术难点。为本基金项目的成果应用奠定了基础。. 至此，已完成项目计划内容。. 此外，为了应用推广目的，还对车载捷联惯导系统智能自对准、车载卫星-惯性导航组合系统的组合策略及其智能传递对准、制导炮弹动基座空中智能自对准进行了研究，研究表明，本项目的智能初始对准方法在多种环境多种捷联惯导系统中能够快速准确地估计出失准角，具有理论意义和工程应用价值。.对十二五期间我国导航与位置服务领域的高精度实时自主导航关键技术实现具有重要意义。. 成果统计：获专利授权4项，新申请专利3项；获软件著作权10项；发表论文15篇，其中核心期刊6篇，EI收录4篇；参加国际会议6人次；撰写著作2部，其中1部已出版，另1部专著待出版(已签协议)；出版教材1部；培养青年教师2名、研究生9名；申请并获教育部科技成果1项。