小波—神经网络在GPS/DR组合导航中的应用研究

论文摘要

全球定位系统GPS具有良好的长期误差特性、较差的短时误差特性，而航位推算DR系统却具有较好的短期定位精度、较差的长期定位精度。通过GPS／DR组合可提高车辆导航系统的定位精度和可靠性。本文在分析车辆导航系统采用卡尔曼滤波器进行数据融合的基础上，结合小波变换和神经网络等最新数据融合技术，进行了基于小波变换和神经网络的车辆导航系统新型数据融合算法的研究。围绕所研究的目标，本文开展了以下工作：(1)论文在分析车辆GPS导航系统采用卡尔曼滤波器对GPS导航信号进行动态滤波的基础上，提出了基于离散小波变换的新型动态滤波算法。该算法采用离散小波函数对GPS导航信号进行分解，用统计学3σ原理剔除粗差点和阈值模平方去噪法去除GPS导航信号中的噪声，从而实现GPS导航信号的动态滤波。(2)针对车辆GPS／DR组合导航系统中广泛采用的扩展卡尔曼滤波器进行数据融合难以建立精确的数学模型的问题，提出了基于平稳小波变换的扩展卡尔曼滤波器数据融合算法。该算法采用平稳小波变换阈值模平方去噪法分别对DR的陀螺仪、里程仪和GPS输出信号进行动态滤波预处理，然后用扩展卡尔曼滤波器进行数据融合得到车辆的实时位置，从而来提高数据融合算法的效果。(3)针对目前车辆GPS／DR组合导航系统在GPS信号被遮挡时无法完成DR“零点更新”的问题，提出了基于自适应线性神经网络的DR位置误差预测模型来解决该问题。在GPS有效时，首先对来自GPS、DR的位置数据采用离散小波变换阈值模平方去噪法进行动态滤波，相互进行比较得到DR相对GPS的位置误差；然后采用自适应线性神经网络建立DR位置误差预测模型。在GPS失效时，利用已建立的预测模型预测DR位置误差来修复DR位置数据，实现车辆精确的实时导航定位。(4)DR位置误差自适应线性神经网络预测模型在解决GPS信号被遮挡时DR的“零点更新”问题取得了一定进展；但自适应线性神经网络只具有线性拟合、分类的能力，该算法效果并不太好；本课题又提出了一种新的解决方案—基于BP神经网络的DR位置误差预测模型。在GPS有效时，该算法采用基于平稳小波变换的扩展卡尔曼滤波器对GPS／DR信号进行数据融合得到车辆实时的精确位置，和经过平稳小波变换阈值模平方去噪法处理的DR位置数据进行平稳小波多尺度比较获得DR位置误差；然后用BP神经网络建立DR位置误差预测模型；为了提高所用网络的泛化能力和训练速度，采用了贝叶斯正则化规则和LM算法训练该网络。在GPS失效时，利用已建立的预测模型预测DR位置误差来修复DR位置数据，实现车辆行驶在复杂路径下的实时精确导航定位。同时，本文还对所提出的各种数据融合算法用仿真实验进行了验证。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 车辆导航系统
• 1.2.1 车辆导航系统的概念
• 1.2.2 车辆导航系统的定位技术
• 1.2.3 车辆导航系统在国内外的发展状况
• 1.3 车辆导航系统的多传感器数据融合算法
• 1.3.1 多传感器数据融合概论
• 1.3.2 卡尔曼滤波器
• 1.3.3 小波分析
• 1.3.4 神经网络
• 1.3.5 研究课题的提出
• 1.4 论文的主要工作
• 第2章 基于小波变换的GPS动态滤波
• 2.1 GPS动态滤波
• 2.1.1 GPS定位原理
• 2.1.2 GPS定位误差
• 2.1.3 基于线性卡尔曼滤波器的GPS动态滤波方法
• 2.1.4 分散卡尔曼滤波技术
• 2.2 小波分析
• 2.2.1 连续小波变换
• 2.2.2 多分辨分析和离散小波变换
• 2.3 离散小波变换在GPS动态滤波中的应用
• 2.3.1 粗差探测
• 2.3.2 小波变换与Lipschitz指数的关系
• 2.3.3 小波滤波基础
• 2.3.4 小波滤波算法
• 2.3.6 实验
• 2.4 本章小结
• 第3章 基于平稳小波变换的EKF数据融合算法
• 3.1 GPS/DR扩展卡尔曼滤波数据融合算法
• 3.1.1 航位推算（DR）系统工作原理
• 3.1.2 GPS/DR扩展卡尔曼滤波数据融合算法
• 3.2 基于平稳小波变换的EKF数据融合算法
• 3.2.1 平稳小波变换
• 3.2.2 平稳小波变换去除GPS/DR组合导航信号噪声的算法
• 3.2.3 基于平稳小波变换的EKF数据融合算法的建立
• 3.2.4 实验
• 3.3 本章小结
• 第4章 自适应线性神经网络在车辆组合导航的应用
• 4.1 自适应线性神经网络
• 4.1.1 自适应线性神经网络模型
• 4.1.2 LMS算法
• 4.1.3 自适应线性神经网络的训练步骤
• 4.2 自适应线性神经网络建立位置误差预测模型
• 4.2.1 DR位置误差预测模型的建立
• 4.2.2 实验
• 4.3 本章小结
• 第5章 BP神经网络在车辆组合导航的应用
• 5.1 BP神经网络
• 5.1.1 多层前向神经网络模型
• 5.1.2 BP算法
• 5.1.3 Levenberg-Marquardt算法
• 5.2 贝叶斯正则化BP神经网络
• 5.2.1 贝叶斯正则化理论
• 5.2.2 实用的贝叶斯正则化BP算法
• 5.3 贝叶斯正则化BP神经网络建立位置误差预测模型
• 5.3.1 DR位置误差预测模型的建立
• 5.3.2 实验
• 5.4 本章小结
• 结论
• 致谢
• 参考文献
• 攻读博士学位期间发表的论文及参加的科研项目