本发明涉及组合导航信息处理领域，具体涉及一种adaboost优化的车载mimus/gps信息融合方法及系统。
背景技术：
现有的基于mems的imu/gps组合导航系统具有尺寸小，可靠性高的特点，可为车载导航系统提供成本较低、精度较高的导航方案。但由于gps存在多路径效应影响、抗干扰能力差、低信噪比等缺点，而陆地载体在运行过程中不可避免地存在在外部环境的干扰(如遇高建筑物遮挡，驶过隧道等)，从而会导致卫星信号接收不良。一旦gps信号发生异常，或接收到信号的卫星数不足以完成卫星定位，工作在速度一位置模式下的组合导航系统将失去意义，此时整个系统将工作在纯惯性导航的模式下。可以预见的是，由于mems惯性测量元件的精度不高，必会引起导航参数的误差随时间逐渐积累，导航精度无法保证。
为了在gps失锁期间得到持续的、高精度的导航信息，出现一种人工神经网络计算智能的方法来辅助组合导航系统是必要的。
技术实现要素：
为解决上述问题，本发明提供了一种adaboost优化的车载mimus/gps信息融合方法及系统，采用基于adaboost改进的bp方法能有效地预测出松组合模式下导航系统滤波的观测值，在不损失系统实时性的前提下，确保滤波器具有了理想的导航预测稳定性和预测精度。
为实现上述目的，本发明采取的技术方案为：
一种adaboost优化的车载mimus/gps信息融合方法，包括如下步骤：
s1：gps可用时，系统在速度-位置组合模式下工作，采集mimus惯性器件的输出和同一时刻ins、gps分别解算的速度、位置信息的差值，将kalman滤波观测值作为训练样本；
s2：利用步骤s1所采集到的训练样本，采用adaboost方法对bp神经网络进行离线训练，得到一个强学习器；
s3：gps失锁时，利用上一步训练得到的强学习器对组合导航系统的滤波观测值进行在线预测；
s4：将步骤s3得到的预测信息送入kalman滤波器，完成组合导航系统的信息融合。
优选地，具体包括如下步骤：
s1：在gps正常工作时，mimus/gps组合导航系统正常工作，采集mems陀螺仪的输出wibb和加速度计的输出fb作为训练的输入样本，同时采集mimus解算出的速度、位置信息与gps接收机的输出值，将二者作差，作为输出期望值；
s2：利用上述所采集的样本，采用bp算法进行一次训练，得到一个学习器，基于此学习器，采用adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，加权后得到一个用于gps失锁时组合导航系统观测值的预测的强学习器；
s3：gps失锁时，将mems惯性器件的输出作为步骤s2中训练得到的强学习器的输入，对mimus与gps输出之间的误差，即kalman滤波的观测值进行在线预测，将得到的预测信息送入kalman滤波器，完成组合导航系统的信息融合。
其中，所述的adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布d1(i)设为均匀分布，设样本总数为n，则d1(i)＝1/n，其中，i为样本序数；
(3)根据训练样本的概率分布dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学习器下各训练样本的误差e(i)以及误差的平均值et：
(5)计算当前学习器的权重wt：
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为t为止；
(8)将t个弱学习器的权重wt归一化之后加权结合，得到最终的强学习器l(x)；
本发明还提供了一种adaboost优化的车载mimus/gps信息融合系统，系统的状态方程为：
对于陆地载体，不对其天向速度和高度信息进行估计，状态变量表示为：
其中，φeφnφu为平台姿态角误差，δveδvn分别为东向和北向速度误差，δlδλ分别为纬度和经度误差，εrxεryεrz为三轴陀螺仪的漂移，
系统的观测方程为：
z(t)＝h(t)x(t)+v(t)
其中，
v(t)为观测噪声，可用白噪声表示；系统满足线性随机差分，且过程和观测噪声都是高斯白噪声，kalman滤波器为最优信息处理器。
该信息融合系统包括
训练样本数据采集模块，用于在gps正常工作时，进行mimus惯性器件的输出和同一时刻ins、gps分别解算的速度、位置信息的差值数据的采集；
学习器生成模块，用于通过bp算法对训练样本数据采集模块所采集到的训练样本进行一次训练，生成学习器；
强学习器生成模块，用于学习器生成模块所生成的学习器，采adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，然后进行加权输出一个用于gps失锁时组合导航系统观测值的预测的强学习器；所述的adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布d1(i)设为均匀分布，设样本总数为n，则d1(i)＝1/n，其中，i为样本序数；
(3)根据训练样本的概率分布dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学习器下各训练样本的误差e(i)以及误差的平均值et：
(5)计算当前学习器的权重wt：
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为t为止；
(8)将t个弱学习器的权重wt归一化之后加权结合，得到最终的强学习器l(x)；
组合导航系统的信息融合融合模块，用于在gps失锁时，将mems惯性器件的输出作为所述强学习器的输入，对mimus与gps输出之间的误差，即kalman滤波的观测值进行在线预测，将得到的预测信息送入kalman滤波器，完成组合导航系统的信息融合。
上述方案中，采用adaboost方法，在gps失锁时通过改进系统层面上的导航策略，补偿mimus单机工作下逐渐积累的导航参数误差，能在不损失系统实时性的前提下，获得更为理想的导航预测稳定性和预测精度。
附图说明
图1为本发明实施例中gps正常时组合导航系统的工作原理图；
图2为本发明实施例中adaboost方法流程图；
图3为本发明实施例中gps正常时神经网络训练原理图；
图4为本发明实施例中gps失锁时组合导航系统的工作原理图；
图5为本发明实施例中的系统框图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，gps可用时，系统工作在速度-位置组合模式下，采集mimus惯性器件的输出和同一时刻ins、gps分别解算的速度、位置信息的差值，即kalman滤波观测值作为训练样本，具体为：采用mimus/gps松组合的方式，根据惯导误差方程，选取相应的误差作为状态变量，建立系统方程，选取惯导解算出的速度、位置信息与gps接收机接收到的速度、位置信息的差值作为观测量，建立观测方程，经卡尔曼滤波对系统状态进行估计，从而组成一个完整的组合导航系统。
系统的状态方程为：
对于陆地载体，不对其天向速度和高度信息进行估计，状态变量表示为：
其中，φeφnφn为平台姿态角误差，δveδvn分别为东向和北向速度误差，δlδλ分别为纬度和经度误差，εrxεryεrz为三轴陀螺仪的漂移，
系统的观测方程为：
z(t)＝h(t)x(t)+v(t)
其中，
v(t)为观测噪声，可用白噪声表示；系统满足线性随机差分，且过程和观测噪声都是高斯白噪声，kalman滤波器为最优信息处理器。
在gps正常工作时，mimus/gps组合导航系统正常工作，此时采集mems陀螺仪的输出wibb和加速度计的输出fb作为训练的输入样本，采集mimus解算出的速度、位置信息与gps接收机的输出值，将二者作差，作为输出期望值；
如图2和3所示，利用采集的样本，采用bp算法进行一次训练，得到一个学习器，基于此学习器，采用adaboost方法共进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，加权后得到一个强学习器，该学习器用于gps失锁时组合导航系统观测值的预测。
adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布d1(i)设为均匀分布，设样本总数为n，则d1(i)＝1/n，其中，i为样本序数；
(3)根据训练样本的概率分布dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学习器下各训练样本的误差e(i)以及误差的平均值et
(5)计算当前学习器的权重wt
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为t为止；
(8)将t个弱学习器的权重wt归一化之后加权结合，得到最终的强学习器l(x)；
如图4所示，gps失锁时，将mems惯性器件的输出作为步骤2中训练得到的强学习器的输入，对mimus与gps输出之间的误差，即kalman滤波的观测值进行在线预测，将得到的预测信息送入kalman滤波器，完成组合导航系统的信息融合。
如图5所示，本发明实施例提供了一种adaboost优化的车载mimus/gps信息融合系统，包括
训练样本数据采集模块，用于在gps正常工作时，进行mimus惯性器件的输出和同一时刻ins、gps分别解算的速度、位置信息的差值数据的采集；
学习器生成模块，用于通过bp算法对训练样本数据采集模块所采集到的训练样本进行一次训练，生成学习器；
强学习器生成模块，用于学习器生成模块所生成的学习器，采用adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，然后进行加权输出一个用于gps失锁时组合导航系统观测值的预测的强学习器；所述的adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布d1(i)设为均匀分布，设样本总数为n，则d1(i)＝1/n，其中，i为样本序数；
(3)根据训练样本的概率分布dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学习器下各训练样本的误差e(i)以及误差的平均值et：
(5)计算当前学习器的权重wt：
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为t为止；
(8)将t个弱学习器的权重wt归一化之后加权结合，得到最终的强学习器l(x)；
组合导航系统的信息融合融合模块，用于在gps失锁时，将mems惯性器件的输出作为所述强学习器的输入，对mimus与gps输出之间的误差，即kalman滤波的观测值进行在线预测，将得到的预测信息送入kalman滤波器，完成组合导航系统的信息融合。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。