本發(fā)明涉及組合導航領域，具體涉及一種適用于處理組合導航中多普勒測速儀(Doppler Velocity Log,DVL)間歇性失效的方法。

背景技術：

捷聯(lián)慣性導航系統(tǒng)(Strapdown Inertial Navigation System,SINS)以其可靠性高、隱蔽性好的優(yōu)勢被廣泛采用。但由于陀螺和加速度計存在的固有誤差，SINS解算結果誤差會隨時間而積累，因此引入輔助導航系統(tǒng)構成組合導航很有必要。針對水面無人艇(Unmanned Surface Vehicle,USV)、自主水下潛器(Autonomous Underwater Vehicle,AUV)等航行器，引入多普勒測速儀(Doppler Velocity Log,DVL)構成SINS/DVL組合導航是一種常用的導航方式。

DVL利用反射回聲波的多普勒頻移測得水面或水下航行器相對水底的絕對速度或者相對水流的速度。由于水底環(huán)境的未知性和多變性，當水底地形發(fā)生劇烈變化或水底存在淤泥類等吸波性強的物質時，DVL聲波無法返回，從而無法獲得航速信息。針對這類DVL間歇性失效的情況，有必要研究一種處理方法，使得SINS/DVL組合導航系統(tǒng)的導航精度在DVL失效一定時間內仍然滿足航行器的需求。

目前已有的組合導航系統(tǒng)傳感器失效處理方法，多采用單一的預測模型來估計失效時刻傳感器應有的量測信息或直接估計導航誤差。由于模型誤差的存在，單一預測模型估計結果的精度易隨傳感器失效時間的增長而下降。

基于此，研究一種針對SINS/DVL組合導航系統(tǒng)中DVL失效的混合處理方法，使得處理后的導航系統(tǒng)抗DVL失效時間有所延長是很有意義的。

技術實現(xiàn)要素：

技術問題：本發(fā)明提出一種針對組合導航中DVL失效的混合處理方法，該方法可提高DVL失效時SINS/DVL組合導航系統(tǒng)的導航準確性，并有效延長導航系統(tǒng)抗DVL失效時長。

技術方案：本發(fā)明的一種針對組合導航中DVL失效的混合處理方法，包括以下步驟：

a、在DVL有效時，首先觀測SINS解算信息和DVL量測信息，構成數(shù)據(jù)表，利用偏最小二乘回歸建立偏最小二乘回歸模型，用所述偏最小二乘回歸模型進行預測，然后將所述DVL量測信息和所述偏最小二乘回歸模型的預測結果相減，將得到的殘余部分作為訓練目標，利用支持向量回歸訓練得到相應的支持向量回歸模型；

b、當DVL失效時，利用所述步驟a中建立的偏最小二乘回歸模型和支持向量回歸模型分別預測DVL量測線性部分和殘余部分，并將兩者之和作為所預測的DVL量測信息，最后將預測結果用于和SINS解算所得進行信息融合，以實現(xiàn)DVL間歇性失效下的SINS/DVL組合導航。

進一步的，本發(fā)明方法中，步驟a中數(shù)據(jù)表的建立過程為：

當DVL有效時，對SINS解算信息和DVL量測信息進行觀測，得到N個樣本點，構成數(shù)據(jù)表，所述數(shù)據(jù)表包括自變量數(shù)據(jù)表和因變量數(shù)據(jù)表；

所述自變量數(shù)據(jù)表為：

所述因變量數(shù)據(jù)表為

其中，T₁為觀測偏最小二乘回歸樣本點的時刻，且在T₁-1時刻和T₁-2時刻DVL均有效，和分別為T₁-2時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₁-1時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₁時刻SINS解算得到的東向速度、北向速度和航向角，為T₁時刻DVL量測速度投影至導航系的東向速度，為T₁時刻DVL量測速度投影至導航系的北向速度；

所述步驟a中，DVL量測信息為所述偏最小二乘回歸模型的預測結果為二者相減得到的殘余部分，即訓練目標為有：

其中，T₂為觀測支持向量回歸樣本點的時刻，為T₂時刻DVL量測速度投影至導航系的東向速度，為T₂時刻DVL量測速度投影至導航系的北向速度，分別為T₂時刻偏最小二乘回歸模型預測所得東向速度、北向速度，為T₂時刻殘余東向速度，為T₂時刻殘余北向速度；

所述步驟a中，將SINS解算參數(shù)作為訓練輸入，作為訓練目標，觀測M個樣本點，利用支持向量回歸訓練得到支持向量回歸模型；

其中，和分別為T₂時刻SINS解算得到的東向速度、北向速度和航向角。

進一步的，本發(fā)明方法中，步驟b中預測DVL量測線性部分和殘余部分的具體流程為：

當DVL失效時，將此失效時刻及其前期時刻的SINS解算信息輸入偏最小二乘回歸模型，模型輸出DVL量測線性部分，將失效時刻的SINS解算信息輸入支持向量回歸模型，模型輸出DVL量測殘余部分；

其中，T₀為DVL失效時刻，和分別為T₀-2時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₀-1時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₀時刻SINS解算得到的東向速度、北向速度和航向角。

有益效果：本發(fā)明與現(xiàn)有技術相比，具有以下優(yōu)點：

(1)現(xiàn)有技術僅采用失效時刻的相關信息作為預測輸入，而本發(fā)明利用失效時刻及失效前的SINS解算信息作為預測模型的輸入，該模型輸入考慮了速度變化的趨勢，從而有利于克服失效時刻偶然因素對結果帶來的不良影響，并針對這種自變量具有多重相關性的情況，采用偏最小二乘回歸進行建模，由于其針對多變量對多變量進行回歸建模，保證了模型的穩(wěn)健性，有利于提高預測結果的可靠性。

(2)現(xiàn)有技術多采用單一的模型進行預測，本發(fā)明利用偏最小二乘回歸模型和支持向量回歸模型進行混合預測，偏最小二乘回歸屬于線性回歸模型，其預測存在的殘余部分由支持向量回歸進一步預測，支持向量回歸屬于非線性回歸模型，因此利用雙模型進行互補，一定程度上克服了單一預測模型估計結果精度隨DVL失效時間的增長而下降的弊端，從而提高了預測結果的準確性。

附圖說明

圖1為針對組合導航中DVL失效的混合處理方法原理框圖；

圖2為采用本發(fā)明所提混合處理方法后的速度誤差仿真曲線圖。

具體實施方式

下面結合實施例和說明書附圖對本發(fā)明作進一步的說明。

本發(fā)明的一種針對組合導航中DVL失效的混合處理方法，利用偏最小二乘回歸和支持向量回歸聯(lián)合預測DVL量測信息，具體步驟如下：

a、當DVL有效時，對SINS解算信息和DVL量測信息進行觀測，得到N個樣本點，構成自變量數(shù)據(jù)表和因變量數(shù)據(jù)表

其中，T₁為觀測偏最小二乘回歸樣本點的時刻，且在T₁-1時刻和T₁-2時刻DVL均有效，和分別為T₁-2時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₁-1時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₁時刻SINS解算得到的東向速度、北向速度和航向角，為T₁時刻DVL量測速度投影至導航系的東向速度，為T₁時刻DVL量測速度投影至導航系的北向速度，

利用偏最小二乘回歸建立預測模型，將DVL量測信息和偏最小二乘回歸模型預測所得結果相減得到殘余部分即為訓練目標，

其中，T₂為觀測支持向量回歸樣本點的時刻，為T₂時刻DVL量測速度投影至導航系的東向速度，為T₂時刻DVL量測速度投影至導航系的北向速度，分別為T₂時刻偏最小二乘回歸模型預測所得東向速度、北向速度，為T₂時刻殘余東向速度，為T₂時刻殘余北向速度，

將SINS解算參數(shù)作為訓練輸入，作為訓練目標，觀測M個樣本點，利用支持向量回歸訓練得到支持向量回歸模型，

其中，和分別為T₂時刻SINS解算得到的東向速度、北向速度和航向角；

b、當DVL失效時，利用上述步驟建立的偏最小二乘回歸模型和支持向量回歸模型預測DVL量測信息，將失效時刻T₀及其前期時刻T₀-1和T₀-2的SINS解算信息輸入偏最小二乘回歸模型，模型輸出DVL量測線性部分，將失效時刻T₀的SINS解算信息輸入支持向量回歸模型，模型輸出DVL量測殘余部分，

其中，T₀為DVL失效時刻，和分別為T₀-2時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₀-1時刻SINS解算得到的東向速度、北向速度和航向角，和分別為T₀時刻SINS解算得到的東向速度、北向速度和航向角，

將線性部分和殘余部分之和作為所預測的失效時刻T₀的DVL量測信息，因為DVL直接測量得到的是載體系的速度，而用來和SINS進行信息融合的是導航系的速度，因此預測的DVL量測信息均為其投影至導航系的速度，最后將預測結果用于和SINS解算所得進行信息融合，以實現(xiàn)DVL間歇性失效下的SINS/DVL組合導航。

本發(fā)明的可行性通過如下仿真加以驗證：

(1)DVL輔助SINS，構成SINS/DVL組合導航系統(tǒng)；

(2)陀螺儀隨機常值漂移0.03°/h，隨機白噪聲0.03°/√h，加速度計隨機常值偏置0.2mg，隨機白噪聲0.2mg，DVL速度量測誤差為航行速度的0.5％；

(3)慣性傳感器數(shù)據(jù)更新周期為10ms，濾波周期為1s，仿真時間20min；

(4)當DVL有效時，觀測1000個樣本(即N＝1000)以建立偏最小二乘回歸模型，觀測1200個樣本(即M＝1200)以建立支持向量回歸模型；

(5)在300s～420s時間段內，令DVL失效，失效時長120s。

通過計算機仿真，采用本發(fā)明所提混合處理方法后的速度誤差如圖2所示。由圖2中的對比曲線可見，DVL失效時間段內，采用本發(fā)明所提混合處理方法后的東向速度誤差維持在±0.01m/s內，北向速度誤差維持在±0.018m/s內，而僅采用偏最小二乘回歸預測后的東向速度誤差最大達到0.022m/s，北向速度誤差最大達到0.042m/s，比較可得，采用本發(fā)明所提混合處理方法后的速度誤差較小，由此說明，本發(fā)明所提方法與單一預測模型相比能有效提高預測結果的準確性。

上述實施例僅是本發(fā)明的優(yōu)選實施方式，應當指出：對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和等同替換，這些對本發(fā)明權利要求進行改進和等同替換后的技術方案，均落入本發(fā)明的保護范圍。