基于神经网络的粒子滤波算法在GPS中的应用研究

发布时间：2017-10-19 05:10

  本文关键词：基于神经网络的粒子滤波算法在GPS中的应用研究

  更多相关文章： GPS 接收机数据处理 粒子滤波 粒子退化 神经网络

【摘要】：自1994年美国建成全球定位系统(Global Positioning System，GPS)以来，GPS目前在很多方面，如军事和民用方面，都应用十分广泛，而微型电子元器件的大规模生产应用又使得GPS接收机深入到我们的许多日常用品当中，比如如今越来越常见的手机和汽车中。由于GPS在定位解算时常常受到各种误差的干扰，这影响了GPS的定位精度，而减小GPS定位解算时的众多误差的常用方法中就是采用动态滤波法，，但GPS接收机的定位状态方程模型一般是非线性、非高斯分布的，因而需要一种适用于非线性、非高斯系统的滤波方法，粒子滤波（Particle Filter，PF）在处理非线性系统非高斯噪声问题具有优势，为此引入粒子滤波对GPS定位数据进行处理。 针对粒子滤波算法固有的和重采样技术带来的粒子退化和多样性丧失问题，利用神经网络优良的非线性模拟能力，引入BP神经网络（BP Neural Network）和广义回归神经网络（General Regression Neural Network，GRNN）对粒子滤波算法进行了改进。研究基于BP神经网络的权值调整粒子滤波（Neural Network Weight Adjustment ParticleFilter, NNWA-PF）算法应用BP神经网络对粒子权值进行调整，以提高样本的多样性，减小粒子退化程度。引入广义回归神经网络，研究基于广义回归神经网络的重要性样本调整粒子滤波（General Regression Neural Network Importance State Adjustment ParticleFilter，NNISA-PF）算法调整粒子状态值，即对粒子滤波算法的重要性概率分布函数进行了优化。通过使用MATLAB软件实验验证了两种改进算法在改善滤波性能方面的有效性。 另一方面，目前的定位精度已经基本可以满足大多数用户的需求，这一切就不得不要求对它的完好性等性能指标提出严格的要求，因而将上述两种改进后的粒子滤波算法引入到GPS接收机自主完好性监测（Receiver Autonomous Integrity Monitoring,RAIM）算法中去。建立GPS卫星的故障检测与隔离模型，建立阶跃和时变的两个偏差故障模型，结合累加对数似然比（Log-Likelihood Ratio LLR）测试的方法对发生故障的卫星进行检测与隔离，最后通过使用GPS接收机接收得到的实测的数据，使用MATLAB软件进行仿真分析并与采用基本粒子滤波算法的故障检测隔离方法的结果进行了对比。实验结果表明：对于阶跃和时变的两个偏差故障模型，NNWA-PF算法和NNISA-PF算法这两种改进粒子滤波算法在非高斯量测噪声环境下都能成功地对故障卫星进行检测和隔离，且检测与隔离的效果要比仅采用基本的粒子滤波算法的故障检测与隔离方法优秀，从而验证了神经网络辅助下粒子滤波算法在接收机自主完好性监测中应用的可用性与有效性。
【关键词】：GPS 接收机数据处理 粒子滤波 粒子退化 神经网络
【学位授予单位】：沈阳航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP18;TN713;P228.4
【目录】：

• 摘要6-8
• Abstract8-10
• 目录10-12
• 第1章 绪论12-16
• 1.1 课题背景12-13
• 1.2 国内外研究现状13-14
• 1.3 论文结构安排14-16
• 第2章 GPS 导航基本原理16-23
• 2.1 卫星导航定位原理16-20
• 2.1.1 GPS 卫星定位系统的组成16-17
• 2.1.2 GPS 卫星的信号的结构17-18
• 2.1.3 GPS 定位原理18-20
• 2.2 GPS 的完好性20-22
• 2.2.1 完好性概述21
• 2.2.2 接收机自主完好性监测（RAIM）21-22
• 2.3 本章小结22-23
• 第3章 粒子滤波理论23-35
• 3.1 贝叶斯估计理论23-25
• 3.2 序贯蒙特卡罗信号处理25-28
• 3.3 粒子滤波算法28-34
• 3.3.1 标准粒子滤波算法28-30
• 3.3.2 标准粒子滤波算法的缺陷和常用改进方法30-34
• 3.4 本章小结34-35
• 第4章 基于 BP 神经网络的粒子滤波及其在 GPS 中的应用35-63
• 4.1 BP 神经网络基本理论35-41
• 4.1.1 人工神经网络概述及神经元的模型36-37
• 4.1.2 BP 神经网络37-41
• 4.2 基于 BP 神经网络的粒子滤波算法41-48
• 4.2.1 基于 BP 神经网络的粒子滤波（NNWA-PF）算法42-44
• 4.2.2 实验仿真与结果分析44-48
• 4.3 NNWA-PF 算法在 GPS 中的应用48-62
• 4.3.1 系统的状态方程与量测方程49-50
• 4.3.2 LLR 检验用于 RAIM 的原理50-53
• 4.3.3 实测实验与结果分析53-62
• 4.4 本章小结62-63
• 第5章 基于广义回归神经网络的粒子滤波及其在 GPS 中的应用63-88
• 5.1 广义回归神经网络63-67
• 5.1.1 广义回归神经网络的基本理论及其网络结构64-65
• 5.1.2 光滑因子的优化65-67
• 5.2 基于广义回归神经网络的粒子滤波算法67-73
• 5.2.1 基于 GRNN 神经网络的粒子滤波（NNISA-PF）算法67-69
• 5.2.2 实验仿真与结果分析69-73
• 5.3 NNISA-PF 算法在 GPS 中的应用73-86
• 5.3.1 基于 NNISA－PF 的 RAIM 算法73-78
• 5.3.2 实测实验与结果分析78-86
• 5.4 本章小结86-88
• 结论88-90
• 参考文献90-94
• 致谢94-95
• 攻读硕士期间发表（含录用）的学术论文95

【参考文献】

中国期刊全文数据库 前10条

1 申强;葛腼;彭博;何新;;基于GPS弹道测量的卡尔曼滤波参数估计算法[J];北京理工大学学报;2009年12期

2 郭睿;韩春好;冯来平;杨振;;接收机自主完好性监测的算法分析[J];测绘工程;2008年02期

3 杨传森;徐肖豪;刘瑞华;;基于总体最小二乘法的RAIM算法模型改进[J];合肥工业大学学报(自然科学版);2011年09期

4 陈金平,许其凤,刘广军;GPS RAIM水平定位误差保护限值算法分析[J];测绘学院学报;2001年S1期

5 刘刚;梁晓庚;;遗传重采样粒子滤波的目标跟踪研究[J];计算机工程与应用;2010年19期

6 卢德兼;陈秀万;;GNSS系统接收机自主完好性监测算法[J];计算机工程;2009年11期

7 杨小军;潘泉;王睿;张洪才;;粒子滤波进展与展望[J];控制理论与应用;2006年02期

8 陈志敏;薄煜明;吴盘龙;段文勇;刘正凡;;基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用[J];控制与决策;2013年02期

9 高翔;李志浩;;基于粒子群优化算法的目标跟踪方法[J];制造业自动化;2013年14期

10 赵静;曹冲;;GNSS系统及其技术的发展研究[J];全球定位系统;2008年05期

本文编号：1059207