[发明专利]一种数据驱动的高精度组合导航数据融合方法

权利要求书

1.一种数据驱动的高精度组合导航数据融合方法，其特征在于：组合导航系统正常工作时，基于多源异构传感器数据进行导航参数和采样点递推更新；当组合导航系统受到干扰时，采样点误差传播模型给组合导航系统提供连续的辅助量测更新，所述采样点误差传播模型采用极限学习机结合惯性测量单元的原始数据进行采样点更新；

所述采样点误差传播模型的训练过程为：设为输入变量，γ＝1,…,2n，为输出变量；其中为k时刻天向陀螺输出角增量，为k时刻载体行进方向比力输出，均为采样点预测误差阵，n为组合导航系统状态维数；

采样点误差传播模型采用如下形式：其中ρ_i为网络输出权值，N＝2n为CKF采样点个数，φ_i为连接输入变量和隐层节点的输入权值，b_i为偏置，M为隐层节点的个数；上式写成矩阵形式有Hρ＝Π，其中ρ＝(ρ₁,…,ρ_M)为连接隐层节点与网络输出的权值，Π＝(Π₁ … Π_N)为样本输出变量：

极限学习机训练过程保持随机产生的初始输入权值和偏置不变，未知的网络输出权值ρ通过求解最小均方误差下的解ρ＝H⁺Π得到，其中H⁺为矩阵H的广义逆。

2.根据权利要求1所述的数据驱动的高精度组合导航数据融合方法，其特征在于：所述极限学习机的输入为状态模型的先验预测分布信息、天向陀螺输出角增量和行进方向比力，输出为后验采样点误差阵。

3.根据权利要求2所述的数据驱动的高精度组合导航数据融合方法，其特征在于：所述先验预测分布信息包括采样点预测误差阵和

4.根据权利要求3所述的数据驱动的高精度组合导航数据融合方法，其特征在于：所述其中为系统函数的采样点预测矩阵，为状态先验分布的均值。

5.根据权利要求4所述的数据驱动的高精度组合导航数据融合方法，其特征在于：所述其中为量测函数的采样点预测矩阵，为似然函数的均值。

6.根据权利要求5所述的数据驱动的高精度组合导航数据融合方法，其特征在于：所述状态先验分布和似然函数采用高斯过程积分矩匹配GPQMT计算得到。

7.根据权利要求2所述的数据驱动的高精度组合导航数据融合方法，其特征在于：所述极限学习机的输入参数频率是异步数据，输出参数频率选择输入参数频率的任意一种。