0 Önsöz
Uzat Kalman Filtresi (EKF), doğru bir hareket modeli gerektirir Hareket taşıyıcının hareket durumu belirsizse, Genişletilmiş Kalman Filtresinin tahmin sapması büyük olacaktır veya hatta tahmin başarısız olacaktır. Bu model belirsizliğine yanıt olarak, BLOM H ve BAR-SHALOM Y, 1988'de bir Etkileşen Çoklu Model (IMM) alt optimal algoritması önerdi. Bu nedenle, Etkileşen Çoklu Model-Uzatmalı Kalman Filtresi (IMM-EKF) algoritması, doğrusal olmayan sistemin hareket taşıyıcısının belirsiz hareket modeli ile uydu konumlandırmasını gerçekleştirebilir.
Ancak İBB-EKF, hesaplama işlemi sırasında model setindeki tüm modellerin Kalman filtre sonuçlarını hesaplaması gerekmektedir.Model setinin ölçeği ile hesaplama miktarı artar.Hareket taşıyıcısının hareket durumu model setinde belirli bir modelle eşleşse bile diğer metotlara ihtiyaç vardır. Modelin hesaplanması ve optimalin altında tahmin sonucu elde edilir.
Yukarıdaki eksiklikleri hedefleyen bu makale, çevrimdışı eğitimli sinir ağı modeli aracılığıyla hareket durumunu sınıflandırmak için Olasılıksal Sinir Ağı (PNN) algoritmasını tanıtmaktadır.Hareket durumu model setindeki belirli bir model tipiyle eşleşirse, EKF'nin en iyi tahmini elde etmesi için tek bir model kullanılır; Hareket durumu model setindeki herhangi bir model sınıflandırmasıyla eşleşmezse, IMM-EKF konumlandırma kullanılır.
Kesikli doğrusal olmayan sistemin durum uzayı şu şekilde tanımlanır:
2 GPS / BDS sistem filtre modelinin kurulması
GPS / BDS sisteminin durum değişkenlerini şu şekilde seçin:
Formülde, Wk-1, k-1'deki sistem işlem gürültüsüdür ve sıfır ortalamalı Gauss beyaz gürültüsüdür. Formüldeki özel ifade biçimi hareket modelinin biçimine bağlıdır, hareket modeli literatüre ve içinde bahsedilen modellere başvurabilir.
3 Etkileşimli çok modelli Kalman filtresi
Geri beslemeli 4 Olasılıklı sinir ağı (BP-PNN)
Olasılıklı sinir ağı, örüntü sınıflandırması ve karar verme problemlerini çözmek için 1990 yılında SPECHT DF tarafından önerildi. Bu temelde, Li Yongli ve diğerleri, olasılıklı sinir ağı modelinin uzay yükünü azaltan ve sınıflandırma doğruluğunu artıran, geri yayılma mekanizmalı olasılıklı bir sinir ağı önerdiler. BP-PNN yapısı Şekil 1'de gösterilmektedir ve algoritma aşağıdaki gibidir.
5 Simülasyon
Hareket yörüngesi 4 aşamaya bölünmüştür, her biri farklı hareket durumlarını benimser ve her hareket durumu farklı bir durum modelini takip edebilir Spesifik hareket yörüngesi Tablo 1'de gösterilmiştir.
5.1 Deney 1: Olasılıklı sinir ağlarının çevrimdışı öğrenimi ve eğitimi
Tablo 1'deki verilerden, "tek tip hız dönüşü" nden önceki ilk 3 saniyenin verilerini ve üçüncü aşama "tekdüze ivme düz çizgisinin" verilerini çıkarın ve birinci aşamanın veri hedefini 1 olarak tanımlayın; Aşama verilerinin hedef sınıflandırması 2, diğer iki aşamanın her biri ilk 3 veriyi çıkarır ve hedef sınıflandırma 3 olarak tanımlanır. Olasılıklı sinir ağı öğrenimi için her aşamanın ilk 3 saniyesinin verilerini kullanın ve ardından olasılıklı sinir ağı eğitimi için her aşamanın 4-6 s verilerini kullanın. Test için rastgele yörünge verilerini kullanarak simülasyon sonuçları Tablo 2'de gösterilmektedir.
Deneysel sonuçlar, olasılıksal sinir ağının çevrimdışı eğitiminin, girdi verilerini daha doğru bir şekilde sınıflandırabildiğini, özellikle düzgün ivme doğrusal hareketinin sınıflandırma doğruluğunun en yüksek olduğunu göstermektedir.
5.2 Deney 2: PNN-EKF doğruluk deneyi
Simülasyon sonucu Şekil 2'de gösterilmektedir.
Simülasyon sonuçlarından, PNN-EKF'nin konumlandırma doğruluğunun IMM-EKF'ninkinden daha yüksek olduğu, ancak x ekseni yönünün ilk aşamasında, olasılıklı sinir ağının yanlış durum yargısı nedeniyle belirli bir derecede sapmaya neden olduğu görülebilir. Sonraki aşamalar ve y ekseninin genel doğruluğu her ikisidir. İBB-EKF'den daha iyi.
6. Sonuç
Bu makale, hareket durumunu değerlendirmek için olasılıklı sinir ağını kullanan ve ardından EKF için karşılık gelen modeli kullanan bir GPS / BDS navigasyon ve konumlandırma algoritması önermektedir. Bu algoritma, olasılıklı sinir ağının karşılık gelen hareket modelini yargılayabildiği durumlarda en uygun çözümü hesaplamak için tek bir model kullanır.Doğru model değerlendirilemezse, "diğer" olarak sınıflandırılır ve "diğer" kategorisinin verileri IMM-EKF algoritmasını kullanır. Bu şekilde, çoğu durumda en uygun çözüm elde edilebilir ve böylece doğruluk artar. Simülasyon deneyleri, IMM-EKF ile karşılaştırıldığında, algoritmanın konumlandırma doğruluğunun bu yazıda geliştirildiğini kanıtlamıştır.Teorik türetmeden, bu yazıda yer alan algoritmanın hesaplama süresinin model seti büyük olduğunda azaltılacağı yargılanabilir.
Referanslar
Zhai Dailiang, Lei Humin, Li Jiong ve diğerleri Uyarlanabilir IMM'ye dayalı hipersonik araç yörünge tahmini. Açta Aeronautica Sinica, 2016, 37 (11): 3466-3475.
Dong Ning, Xu Yujiao, Liu Xiangdong. Uyarlanabilir faktörlü IMM-UKF ile GPS / DB-2 navigasyon yöntemi Journal of Astronautics, 2015, 36 (6): 676-683.
Miao Shaoshuai, Zhou Feng. IMM yinelemeli kokusuz Kalman parçacık filtresi hedef izleme algoritması. Journal of Chongqing University of Post and Telecommunications (Natural Science Edition), 2015, 27 (1): 44-48.
Wu Tiantian, Zhang Yun, Liu Yongming ve diğerleri.Beidou / GPS kombine konumlandırma yöntemi. Journal of Remote Sensing, 2014, 18 (5): 1087-1097.
Xu Yujiao. GPS / BD-2 entegre navigasyon sisteminin konumlandırma algoritması üzerine araştırma Pekin: Pekin Teknoloji Enstitüsü, 2015.
MONTENBRUCK O, HAUSCHILD A, STEIGENBERGER P, ve diğerleri. COMPASS / BeiDou-2 bölgesel navigasyon uydu sisteminin ilk değerlendirmesi. GPS Çözümleri, 2013, 17 (2): 211-222.
ZHOU H R, KUMAR K S P.A "mevcut" istatistiksel model ve manevra hedeflerini tahmin etmek için uyarlanabilir algoritma. Journal of Guidance, Control ve Dynamics, 1984, 7 (5): 596-602.
SPECHT D F. Olasılıksal sinir ağları, Sinir Ağları, 1990, 3 (1): 109-118.
Li Yongli, Wu Chong, Luo Peng.Geri yayılma mekanizmalı olasılıksal sinir ağı modeli.Sistem Mühendisliği Teorisi ve Uygulaması, 2014, 34 (11): 2921-2928.
Yuan Jinsha, Shang Haikun. Temel bileşen analizi ve olasılıklı sinir ağına dayalı transformatörlerin kısmi deşarj örüntü tanıma Elektrik Güç Otomasyon Ekipmanı, 2013, 33 (6): 27-31.
MICHAEL R B, JAY D. Olasılıksal sinir ağlarının yapıcı eğitimi Neurocomputing, 1998, 19 (1-3): 167-183.
yazar bilgileri:
Liang Longkai 1, 2, Zhang Liying 1, He Wenchao 1, 2, Lu Xuhao 1, 2
(1. Otomotiv Elektroniği ve Hizmet Mühendisliği Bölümü, Beşeri Bilimler Okulu, Kuzeydoğu Normal Üniversitesi, Changchun 130117, Jilin;
2. Jilin Eyaleti Üniversitesi Otomotiv Elektronik Teknolojisi Mühendisliği Araştırma Merkezi, Changchun, Jilin 130117)