无陀螺捷联惯导系统姿态预测：BP神经网络优化方案

本文主要探讨了基于神经网络的无陀螺捷联惯导系统（gyroscope-free strapdown Inertial Navigation System, SINS）姿态预测方法。无陀螺捷联惯导系统是一种重要的导航技术，它通过利用加速度传感器测量物体的运动状态来估计其位置和姿态，但在传统方法中，由于缺少陀螺仪，计算载体角速度的精度往往较低，导致导航误差随着时间的推移快速累积。为解决这个问题，研究者曹咏弘、张慧、马铁华、范锦彪和祖静提出了一个新颖的解决方案，即利用信息融合理论和BP（Back Propagation）神经网络。 BP神经网络是一种模仿人脑神经元工作方式的计算模型，通过多层次的学习过程，能够处理复杂的非线性映射关系。在这个系统中，研究人员将加速度传感器的输出数据作为输入，因为加速度与物体的角速度和姿态有直接关系。他们通过实时监测飞行体的三轴角速度，将其设定为目标信号，以此构建网络模型。通过训练得到的高精度角速度预测，然后借助四元数算法进一步解算出姿态角，从而有效地抑制了误差的积累。 研究人员采用Levenberg-Marquardt（LM）算法优化学习过程，这种算法在提高网络训练速度的同时，也确保了模型的准确性和稳定性。通过仿真结果，作者证实了所提出的优化算法具有较快的收敛速度和较高的角速度预测精度。此外，他们还强调了合理选择和增加训练样本的重要性，这有助于增强神经网络的泛化能力，使其在实际工程应用中更具可靠性。 这篇文章为无陀螺捷联惯导系统的姿态预测提供了一种有效的方法，通过神经网络技术改进了角速度计算，提高了导航性能，为该技术向工程实践转化提供了理论基础。这项研究对于提升惯性导航系统的精度和稳定性具有重要意义，对于航空航天、航海和自动驾驶等领域具有潜在的应用价值。