组合导航系统中基于混沌、小波和神经网络的信息融合方法研究

人工神经网络在克服组合导航系统的不确定性和非先验性上具有潜在的优势，能够辅助卡尔曼滤波进行信息融合，并能提高组合导航系统的智能化程度。本课题拟探讨组合导航系统中基于混沌、小波和神经网络的信息融合方法。利用ARMA (Autoregressive Moving Average)理论和混沌遗传算法确定小波神经网络输入层和隐层的节点数、提高小波神经网络的收敛速度及预测能力，并应用其调整卡尔曼滤波的噪声自适应因子，提高组合导航系统的定位精度和稳定性；建立卡尔曼滤波状态预测和估计的ARMA模型，并利用混沌神经网络对ARMA模型进行参数辨识，提高BP（Back-Propagation）网络在线修正卡尔曼滤波状态预测和估计的精度；利用小波理论辅助混沌神经网络，提高复杂环境下组合导航系统的智能规划能力。通过该课题的研究，为提高组合导航系统的定位精度、稳定性及其智能化程度奠定理论基础。

利用人工神经网络辅助卡尔曼滤波进行信息融合是提高组合导航系统定位精度和稳定性的可行方法。本项目以组合导航系统为背景，研究了混沌、小波及神经网络在卡尔曼滤波、差分GPS和多目标跟踪的信息融合方法，并探索了一种基于无线多跳网广播调度的差分GPS修正数传输方式。.　　本项目首先围绕小波神经网络辅助卡尔曼滤波的信息融合方法，利用遗传算法初始种群在解空间中的均匀分布和变尺度混沌搜索思想，提高混沌遗传算法对小波神经网 络的优化性能，进而改善小波神经网络辅助卡尔曼滤波的状态估计精度；其次以非线性ARMA理论构建了小波神经网络，并以差分GPS修正数的预测为出发点，利用改进的混沌遗传算法确立了小波神经网络的结构，提高了差分GPS修正数的预测精度，克 服了基准站接收机不连续发送差分GPS修正数而造成定位精度低的缺陷；再次针对ARMA在线辅助卡尔曼滤波状态预测方法，将小波与混沌神经网络结合提出了小波混沌神经网络，并利用小波混沌神经网络辨识ARMA模型参数，以改善ARMA在线辅助卡尔曼滤波的状态预测精度；最后，以无线多跳网络数据传输为出发 点，提出了一种优化性能更好的迟滞噪声混沌，探索了其在无线多跳网数据传输的广播调度算法以及多目标跟踪方法。.　　研究结果表明，基于 混沌遗传算法的小波神经网络能够有效地提高卡尔曼滤波的状态估计精度；以非线性ARMA为基础的小波神经网络，能够在混沌遗传算法的辅助下提高差分GPS 修正数的预测精度，进而保持差分GPS定位的精确性；基于小波理论的混沌神经网路能够达到渐进稳定；ARMA模型可通过小波混沌神 经网络识别参数并可在线辅助卡尔曼滤波进行状态预测，提高预测精度；混沌神经网络在噪声迟滞的帮助下可表现出更强的优化性能，能够有效地提高无线多跳网络中广播调度数据的传输容量、减小传输延迟，也能够有效地提高多目标跟踪的精度。.　　通过研究，共发表与项目有关的学术论文78篇，其中SCI检索4篇，待检索1篇，EI检索51篇；出版学术著作6部，申报专利16项，获得各类奖励称号17项。