Как сообщает Вестник ГЛОНАСС, при применении интегрированной системы ИНС/ГНСС (инерциальная навигационная система / глобальные навигационные спутниковые системы) на неё будет влиять недостаточное количество видимых спутников, вплоть до того, что спутниковый сигнал будет полностью потерян. При этом ошибка позиционирования ИНС со временем накапливается, и точность навигации быстро снижается. Чтобы повысить производительность интеграции ИНС/ГНСС во время прерывания спутниковых сигналов, китайские исследователи использовали новый алгоритм обучения нейронной сети для интегрированной системы разведки ИНС/ ГНСС во время сбоя ГНСС – искусственную нейронную сеть на основе сильного трека и квадратно-корневого фильтра Калмана «без запаха» (SC-UKF).

Прежде всего, определяются входные и выходные данные нейронной сети для интеллектуальной интегрированной системы. Затем создаётся нелинейная модель для обновления весов во время обучения нейронной сети. Затем для итераций нелинейной модели предлагается обучение нейронной сети на основе сильного отслеживания и квадратно-корневого UKF (фильтр Калмана «без запаха»; другие варианты переводов – «нечуткий фильтр», «без нелинейного оценивая» и т.д.).

В этом алгоритме квадратный корень из матрицы ковариации состояния используется для замены матрицы ковариации в классическом UKF, чтобы избежать расхождения фильтра, вызванного отрицательной матрицей ковариации определённого состояния. Между тем, вводится сильный коэффициент отслеживания для регулировки усиления фильтра в режиме реального времени и улучшения возможности отслеживания состояния мутации.

Наконец, представлен улучшенный метод расчёта сильного коэффициента отслеживания, позволяющий уменьшить вычислительную сложность этого алгоритма.

Результаты симуляционного теста и данные полевого позиционирования показывают, что предложенный алгоритм обучения может улучшить стабильность вычислений и надёжность нейронной сети. Таким образом, накопление ошибок интеграции ИНС/ГНСС эффективно компенсируется, а затем повышается точность позиционирования интегрированной системы ИНС/ГНСС.

Работу финансировали Национальный фонд естественных наук Китая, Аспирантура Инноваций и развития практических способностей Фонда Си Цзиньпина Университета Шию и Департамент науки и технологий Провинции Шэньси.