论文部分内容阅读
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。