GPS/INS组合导航自适应滤波算法研究：考虑动力学模型误差

"这篇论文是2008年由高为广、杨元喜和张双成共同发表的，探讨了在考虑动力学模型误差影响下的GPS/INS组合导航自适应滤波算法。研究中，他们针对BP神经网络的训练速度慢和易陷入局部极小值的问题，对神经网络的学习算法进行了优化。通过使用改进后的神经网络，该算法旨在减少系统误差对导航解的不利影响。论文中详细介绍了顾及动力学模型随机误差和系统误差的GPS/INS自适应滤波算法，并通过实际测量数据验证了算法的效能。" 在GPS/INS组合导航系统中，GPS（全球定位系统）提供了全球覆盖的三维位置、速度和时间信息，而INS（惯性导航系统）则依赖于加速度计和陀螺仪来连续计算载体的运动参数。然而，由于各种因素如传感器误差、动力学模型不准确等，这些系统都存在一定的误差。动力学模型误差主要来源于对载体运动的简化假设，例如忽略空气阻力、地球曲率等因素，这些都可能导致导航精度下降。 论文提出了一种新的自适应滤波算法，目的是在考虑动力学模型随机误差的情况下，提高导航解的精度。自适应卡尔曼滤波是一种常用的处理非线性、非高斯噪声的滤波方法，它能够在线调整滤波器参数，以适应系统的动态变化。在传统卡尔曼滤波的基础上，该算法引入了BP（Backpropagation）神经网络，以处理复杂的非线性问题。BP神经网络是一种多层前馈神经网络，通过反向传播算法进行训练，但在训练过程中可能遇到收敛速度慢和局部最优的问题。 为了解决这些问题，作者改进了BP神经网络的学习算法，提高了其训练效率并减少了陷入局部极小值的风险。这种改进使得神经网络能更有效地估计和校正模型误差，从而在GPS/INS组合导航中减小系统误差对导航解的影响。 通过实测数据的验证，该算法被证明能够在考虑动力学模型误差的情况下，提供更准确的导航解决方案。这在实际应用中具有重要意义，尤其是在航空、航海和军事领域，对导航精度有严格要求的场合。 关键词涉及了GPS/INS组合导航、自适应卡尔曼滤波和BP神经网络，表明该研究集中于这些关键技术的集成和优化，以提升整体导航系统的性能。中图法分类号P228.41则将这篇论文归类在大地测量学与地球动力学相关的技术领域。