基于小波神经网络与EKF的姿态解算方法及系统与流程

本发明涉及列车定位领域，具体地，涉及一种基于小波神经网络与ekf的姿态解算方法及系统。

背景技术

目前，惯性导航系统(ins)以其全天候工作、不易受外界环境干扰等优势得到广泛应用，微机电系统(mems)由于其成本低、体积小、易于集成以及功耗低等优点，近年来成了惯性导航系统的首选器件，基于mems的惯性测量单元(imu)能够测量载体运动的三轴陀螺信息和加速度信息，通过姿态解算就能够得到载体姿态，实现惯性导航。随着微机电系统(mems)技术和计算机技术的不断发展以及对低成本因素的考虑，陀螺仪、加速度计和磁传感器在越来越多的领域得到了应用。但是陀螺仪具有温度漂移特性，长时间运行漂移严重，并且积分运算会产生累积误差；加速度计易受载体震动和运动加速度的影响；磁传感器易受铁磁性物质的干扰。当这几个传感器分别独立工作时，都会由于各自的局限性而导致较大的偏差，不能单独用于姿态的测量，因此如何将这三种传感器的数据进行融合，滤除外部干扰，得到高可靠性、高精度的姿态数据，是一项值得研究的工作。

针对姿态解算算法，国内外学者和研究机构进行了广泛、深入的研究。其中对于上述传感器的缺陷，近几年有很多研究姿态解算的数据融合算法，而卡尔曼滤波算法被采用的最多。孙金秋等人介绍了一种基于卡尔曼滤波的姿态解算方法，并通过加速度计测量重力加速度来纠正姿态漂移，但存在自适应的问题；汪芳等人介绍了共轭梯度法滤波和互补滤波相结合在姿态解算中的应用，但存在迭代计算量和精度的平衡问题。汪绍华和h.gurung用扩展卡尔曼滤波算法(ekf)来进行参数估计和信息融合，该算法针对姿态解算参数建模，滤波器的预测方程是非线性的，在线性化时会引入模型误差。

技术实现要素：

本发明的目的在于，针对上述问题，提出一种基于小波神经网络与ekf的姿态解算方法及系统，以实现至少部分的解决现有技术中存在的问题。

为实现上述目的，本发明采用的技术方案是：

一种基于小波神经网络与ekf的姿态解算方法，包括：

获取imu传感器的数据；

将所述imu传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算，得到校准前的姿态信息；

将所述imu传感器的数据和所述校准前的姿态信息作为小波神经网络的输入进行训练和预测，从而得到校准后的姿态信息。

优选的，所述imu传感器的数据，包括：

加速度信息、陀螺信息和磁力计信息。

优选的，所述将所述imu传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算，得到校准前的姿态信息中，所述校准前的姿态信息，包括：

俯仰角、滚动角和偏航角。

优选的，所述扩展卡尔曼滤波器，包括：

基于扩展卡尔曼滤波器中的状态矩阵和高斯噪声，得到状态预测矩阵；

基于所述状态预测矩阵得到状态转移矩阵；

基于所述状态转移矩阵得到状态的先验估计值；

利用测量值修正所述状态的先验估计值，得到修改后的先验估计值；

基于所述状态的先验估计值得到卡尔曼增益；

基于所述卡尔曼增益和所述修改后的先验估计值进行状态后验估计，得到后验估值；

基于所述卡尔曼增益、所述状态的先验估计值和所述后验估值进行方差后验估计。

优选的，所述小波神经网络，采用融合型的小波神经网络。

优选的，所述小波神经网络中隐含层神经元的激励函数为：

h(x)＝-xcos(1.75x)exp(-(x²)/2)-1.75sin(1.75x)exp(-(x²)/2)，

其中，x为小波神经网络输入层的输入。

优选的，所述小波神经网络中输出层激励函数为：

out＝cos(1.75y)exp(-(y²)/2)，

其中y为小波神经网络隐含层的输出。

本发明还公开一种基于小波神经网络与ekf的姿态解算系统，包括：

获取模块：用于获取imu传感器的数据；

解算模块：用于将所述imu传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算，得到校准前的姿态信息；

模型训练模块：用于将所述imu传感器的数据和所述校准前的姿态信息作为小波神经网络的输入进行训练和预测，从而得到校准后的姿态信息。

优选的，所述imu传感器的数据，包括：

加速度信息、陀螺信息和磁力计信息。

优选的，所述校准前的姿态信息，包括：

俯仰角、滚动角和偏航角。

本发明的技术方案具有以下有益效果：

本发明的技术方案，采用小波神经网络结合卡尔曼滤波来进行姿态解算，小波神经网络(wnn)会补偿卡尔曼滤波自身存在的模型误差，减小模型以及滤波参数对最优估计值的影响，使其具有自适应能力应付动态环境的扰动，并提高其精度。

另外本发明还具有如下优点：

1、本发明采用小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免bp神经网络等结构设计上的盲目性。

2、本发明采用了小波神经网络有更强的学习能力,精度更高。

3、本发明采用小波神经网络(wnn)会补偿卡尔曼滤波自身存在的模型误差，减小模型以及滤波参数对最优估计值的影响，使其具有自适应能力应付动态环境的扰动。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例所述的基于小波神经网络与ekf的姿态解算方法的流程图；

图2为本发明实施例所述的基于小波神经网络与ekf的姿态解算方法仿真的结构原理框图；

图3本发明实施例所述的ekf原理图；

图4为本发明实施例所述的小波神经网络结构图；

图5为本发明实施例所述的基于小波神经网络与ekf的姿态解算系统的原理框图；

图6为本发明实施例所述的仿真实验流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

伴随着神经网络技术的快速发展，由于其良好的非线性映射能力、较强的自学习能力，应用领域不断拓展，对同样的学习任务小波神经网络相比于前向的神经网络:首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免bp神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力,精度更高。总的而言,小波神经网络结构更简单，精度更高,它有明显的优点。本发明将采用小波神经网络结合卡尔曼滤波模型来进行姿态解算。

如图1所示，一种基于小波神经网络与ekf的姿态解算方法，包括：

s101：获取imu传感器的数据；

s102：将imu传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算，得到校准前的姿态信息；

s103：将imu传感器的数据和校准前的姿态信息作为小波神经网络的输入进行训练和预测，从而得到校准后的姿态信息。

优选的方案中，imu传感器的数据，包括：

加速度信息、陀螺信息和磁力计信息，分别为三轴(x,y,z)加速度信息、三轴(x,y,z)陀螺信息和三轴(x,y,z)磁力计信息。

优选的方案中，将imu传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算，得到校准前的姿态信息中，校准前的姿态信息，包括：

俯仰角、滚动角和偏航角。

优选的方案中，扩展卡尔曼滤波器，包括：

基于扩展卡尔曼滤波器中的状态矩阵和高斯噪声，得到状态预测矩阵；

基于状态预测矩阵得到状态转移矩阵；

基于状态转移矩阵得到状态的先验估计值；

利用测量值修正状态的先验估计值，得到修改后的先验估计值；

基于状态的先验估计值得到卡尔曼增益；

基于卡尔曼增益和修改后的先验估计值进行状态后验估计，得到后验估值；

基于卡尔曼增益、状态的先验估计值和后验估值进行方差后验估计。

具体为ekf中的状态矩阵为：

其中，表示的是三轴角加速度。ωi＝[ωx,ωy，ωz]^τ表示三轴角速度，表示三轴角加速度，rg＝[rgx,rgy,rgz]^τ表示加速度的三轴分量，rm＝[rmx,rmy,rmz]^τ表示磁力计的三轴分量，

为分别由加速度计，陀螺仪，磁力计测得；

下一时刻状态预测矩阵：

其中为上一时刻的值，第一次为初始值，也就是前面式中x的值，w项均为高斯噪声，为姿态发生变化后，坐标系余旋变换矩阵，其中：

ωx,ωy，ωz依然为三轴角速度的值。

对该处函数在处求一阶偏导，可得到状态转移矩阵：

表示状态的先验估计。

此时可得到误差协方差：

其中q为过程噪声

利用测量值修正先验估计：

其中h为量测矩阵，r为测量噪声

卡尔曼增益：

状态后验估计：

方差后验估计：

ekf结构图如图3所示。

优选的方案中，小波神经网络，采用融合型的小波神经网络。

该小波神经网络主体为3层网络圈，具有单输入、单输出的结构，输入层为并行输入，来自三轴(x,y,z)加速度信息、三轴(x,y,z)陀螺信息和三轴(x,y,z)磁力计信息的9个信息和3个校准前的姿态信息共12个信息作为小波神经网络的输入层神经元。

小波神经网络中的伸缩，小波神经网络的参数都可以通过网络学习进行训练。

优选的方案中，小波神经网络中隐含层神经元的激励函数f1为：

h(x)＝-xcos(1.75x)exp(-(x²)/2)-1.75sin(1.75x)exp(-(x²)/2)，

其中，x为小波神经网络输入层的输入。

优选的方案中，小波神经网络中输出层激励函数f2为：

out＝cos(1.75y)exp(-(y²)/2)，

其中y为小波神经网络隐含层的输出。

小波神经网络的结构图如图4所示。

如图5所示，本发明还公开一种基于小波神经网络与ekf的姿态解算系统，包括：

获取模块：用于获取imu传感器的数据；

解算模块：用于将imu传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算，得到校准前的姿态信息；

模型训练模块：用于将imu传感器的数据和校准前的姿态信息作为小波神经网络的输入进行训练和预测，从而得到校准后的姿态信息。

优选的方案中，imu传感器的数据，包括：

加速度信息、陀螺信息和磁力计信息。

优选的方案中，校准前的姿态信息，包括：

俯仰角、滚动角和偏航角。

imu传感器为3dm-ahrs300a航姿参考系统。

本技术方案可以通过matlab仿真软件进行仿真实验，仿真硬件环境均为intel(r)core(tm)t9600cpu2.80ghz，4gram，windows7操作系统。图2为仿真的结构图，其中的加速度计、陀螺仪、磁力计集成在3dm-ahrs300a航姿参考系统中。仿真实验流程图设计如图6所示：

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。