[发明专利]一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法有效
申请号: | 201910078778.7 | 申请日: | 2019-01-25 |
公开(公告)号: | CN109858137B | 公开(公告)日: | 2022-07-01 |
发明(设计)人: | 郑天宇;贺风华;姚郁;杨宝庆 | 申请(专利权)人: | 哈尔滨工业大学 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06N3/04;G06N3/08;G06F119/14 |
代理公司: | 哈尔滨市松花江专利商标事务所 23109 | 代理人: | 杨立超 |
地址: | 150001 黑龙*** | 国省代码: | 黑龙江;23 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 学习 扩展 卡尔 滤波 复杂 机动 飞行器 航迹 估计 方法 | ||
1.一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法,其特征在于所述方法是按照以下步骤实现的:
步骤一:建立飞行器的机动模型
假设地球是一个正球体,在忽略自转的条件下,得到飞行器的三维动力学模型:
其中,r为飞行器质心到地心的距离,θ为经度,φ为纬度,v为速度,γ为弹道倾角,ψ为弹道偏角,m为飞行器质量,Re=6,378,135m为地球半径,g0为重力加速度,Sref为飞行器的特征面积,ρ=ρ0e-βh为大气密度,和为飞行器升阻比最大时的升力系数和阻力系数,cl为标准化升力系数,σ为飞行器的倾侧角;
使用Singer机动模型描述飞行器的侧向机动:
其中,Ts为机动的时间常数;
联立式(1)、(2)即得到飞行器的机动模型:
步骤二:根据量测(r,θ,φ)估计飞行器的运动状态,使用可学习扩展卡尔曼滤波算法进行飞行器运动状态估计;
使用可学习扩展卡尔曼滤波算法进行步骤二所述的飞行器运动状态估计,具体过程为:
步骤二一:令状态xk=[rk,θk,φk,vk,γk,ψk,σk]T,输入uk=[cl,k,Ts,k]T,量测zk=[rk,θk,φk]T,将式(3)所示模型改写为非线性离散系统的形式
其中,下标k表示k时刻;ts表示离散系统的步长;x1,k-1中的x1对应r,x1,k-1对应rk-1;x2,k-1中的x2对应θ,x2,k-1对应θk-1;其他以此类推;
步骤二二:通过输入修饰网络(IMN)对输入uk进行修饰,
其中,*表示按元素乘法,κk为输入修饰参数,为修饰后的输入;
步骤二三:状态和协方差预测
其中,Qk为过程噪声的协方差矩阵,为状态方程f(x,u)的雅克比矩阵,为k-1时刻的状态,Pk-1|k-1为k-1时刻状态协方差矩阵,和Pk|k-1分别为对状态和协方差矩阵的一步预测;
步骤二四:计算次优卡尔曼增益
其中,Rk为量测噪声的协方差矩阵,为量测方程h(x)的雅克比矩阵,为量测残差,Sk为残差的协方差矩阵,Kk为次优卡尔曼增益;
步骤二五:增益修饰网络(GMN)对次优卡尔曼增益Kk进行修饰
其中,Gk为增益修饰参数,为修饰后的次优卡尔曼增益;
步骤二六:更新状态和协方差估计
其中,I为单位阵。
2.根据权利要求1所述的基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法,其特征在于建立步骤二二所述的输入修饰网络(IMN)的具体过程为:
建立一个两层的长短时记忆(LSTM)网络,第一层的输入为模型输入uk,量测zk,上一步的状态估计输出为编码后的特征;第二层的输入为第一层的输出,输出为对模型输入uk的修饰参数κk。
3.根据权利要求2所述的基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法,其特征在于建立步骤二五所述的增益修饰网络(GMN)的具体过程为:
建立一个两层的长短时记忆(LSTM)网络,第一层的输入为修饰后的模型输入上一步的状态估计输出为编码后的特征;第二层的输入为第一层的输出,输出为对次优卡尔曼增益Kk的修饰参数Gk。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学,未经哈尔滨工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910078778.7/1.html,转载请声明来源钻瓜专利网。