基于智能滤波技术的抗高过载陀螺信号处理方法

李佩娟，徐晓苏，刘亦亭，樊海霞

（1.微惯性仪表与先进导航技术教育部重点实验室，南京210096；2.东南大学 仪器科学与工程学院，南京 210096；3.南京工业职业技术学院，南京 210023）

基于智能滤波技术的抗高过载陀螺信号处理方法

李佩娟1,2，徐晓苏1,2，刘亦亭1,2，樊海霞3

（1.微惯性仪表与先进导航技术教育部重点实验室，南京210096；2.东南大学 仪器科学与工程学院，南京 210096；3.南京工业职业技术学院，南京 210023）

陀螺作为捷联惯性导航系统的关键传感器，其测量精度直接决定了整个系统的性能和精度指标。针对舰船高过载环境下捷联惯性导航系统陀螺输出信号出现畸变的问题，提出一种基于 BP神经网络技术的陀螺信号智能模拟滤波方法。该方法根据系统加速度计输出值对舰船运动状态进行判断，当其输出小于设定阈值时，视为非过载环境，此时将陀螺输出用于导航计算并作为 BP神经网络在线训练样本，以保证网络参数与当前舰船运动态势的一致性；否则视为进入高过载环境，并利用之前最新训练好的BP神经网络模拟当前陀螺信号输出，保证捷联惯性系统的平稳工作。采用智能模拟的优点是：数据并行计算速度快，不需要改变系统硬件条件。半物理仿真试验结果表明：该方法在加速度计输出为5～50g的高过载环境下，可有效改善陀螺输出信号出现畸变的问题，实现舰船运动状态的实时模拟。

捷联惯性导航系统；姿态基准测量系统；高过载；BP神经网络

姿态测量系统广泛应用于各个领域中，无论是定位定向还是测姿和导航上，其精度都将直接影响最终的系统性能。对于舰载武器系统，姿态测量是其必不可少的基准信息，它所提供的载体实时姿态基准信息是武器系统火控解算的基础平台，其测量精度是决定武器打击精度的第一级保证[1-2]。

捷联惯性导航系统(SINS)具有体积小、重量轻、成本低、可靠性高的优点，目前被广泛应用在航空航海等领域。对于舰船系统，其主要用于战术武器的局部基准、导弹平台的导航系统、平台式主惯导系统的备份系统等[3]。当捷联惯性导航系统作为舰载武器的局部基准进行姿态测量时，随着现代战争中防护功能的加深，相对应的武器系统穿甲破坏力也需相应提升，舰炮口径的增大和射速的提高，使得发射时的巨大反冲力量对局部基准造成瞬时冲击将达20～50g，捷联惯性系统陀螺输出结果受到很大影响，不能准确地表示实时姿态基准信息，因此捷联惯性导航系统的抗过载能力也需相应提高。尽管舰炮发射时间很短在0.5～1 s之间，但相对于陀螺采样间隔时间来说造成的受影响数据将达到上百个，当它们作为量测量引入到导航解算时，将会对系统精度产生很大的影响，因此降低高过载环境下陀螺输出信号畸变对捷联惯性导航系统精度的影响具有重要意义[4-6]。

近年来，神经网络以其独特的容错、联想、推测、记忆、自适应、自学习和处理复杂多模式等优点，在许多学科中掀起了研究热潮[7]。BP算法作为应用最普遍的神经网络学习算法之一，具有很强的生物背景，其卓越的输入输出映射特性，使得BP网络在多变量函数逼近方面具有很强的优势，并以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效[8-9]。本文充分考虑到舰船运动特点，即其运动具有周期性，在定常状态下，前进速度在比较长的时间段内的平均值具有定值，其它方向上的自由度在比较长的时间段内的平均值为零，提出一种基于神经网络技术的高过载环境下船用姿态测量捷联惯性导航系统陀螺信号智能滤波方法。该方法的优点是不改变系统硬件要求，通过在捷联惯导系统的导航计算机中增加一个与导航计算主线程并行运行的陀螺信号智能滤波专用线程实现高过载环境下陀螺信号智能模拟输出功能，使其在高过载环境下能够保持平稳输出，大大提高了武器系统在高过载条件下的精确打击能力。

1 陀螺信号智能滤波方法设计

为尽量避免武器发射时的冲击力对局部基准陀螺输出的影响，并考虑到舰船运动实际情况，本文采用陀螺信号智能滤波技术，利用工程实用性强的 BP网络方法对于非线性变量的实时学习、建模和模拟的特点，在捷联惯性导航系统的计算机中增加一个与捷联惯性导航系统导航计算主线程并行运行的捷联惯性导航系统陀螺信号智能滤波专用线程实现高过载环境下陀螺信号智能模拟输出功能。当判断舰船处于非过载环境时，导航计算主线程通过采集陀螺实际输出完成导航计算，而陀螺信号智能滤波线程则工作在学习状态，并利用当前陀螺输出训练更新BP网络内部参数，更好的保证 BP网络结构与当前载体运动状态一致；当判断舰船处于高过载环境时，控制陀螺信号智能滤波线程切换到模拟输出状态，导航计算主线程采用陀螺模拟输出代替陀螺实际输出，这样避免了陀螺输出信号畸变对捷联惯性导航系统的测量精度影响；高过载结束后，陀螺信号智能模拟模块恢复到在线训练学习模式。其工作原理如图1所示。

图1 捷联惯性导航系统陀螺信号智能滤波工作原理图Fig.1 Intelligent gyro signal filtering diagram of SINS

2 BP网络结构设计

BP网络通常由一个输入层，一个输出层和隐含层构成，隐含层可以有一层或者多层，网络通过改变隐含层的状态来影响输入输出之间的映射关系。本文通过采集非过载环境下的陀螺输出信息来训练网络结构，改变隐含层的权系数，从而调整整个网络的性能，使其更逼近载体的运动特性。理论上已经证明，在BP神经网络隐含层节点数量可以根据实际需要进行自由设置的前提下，三层前向神经网络可以实现以任意精度逼近任意连续函数的功能[10]，因此本文采用标准的三层网络拓扑结构形式组成输入层、隐含层与输出层三部分，BP网络具体结构如图2。其中网络输入变量为时间相关值，输出为舰船姿态信息，相邻层采用互联方式连接，3个BP网络输入层到隐含层的连接权值为，i、j表示输入层第i个节点与隐含层第j个节点；隐含层到输出层之间的连接权值为，k表示输出层第k个节点，；3个BP网络隐含层激活函数都为Sigmoidal函数，表达式如下（在此以X方向陀螺输出为例）：

各神经元之间没有任何连接，输出层与输入层之间也没有直接的联系，各隐含层节点计算结果如下：

图2 模拟陀螺输出的BP网络结构图Fig.2 BPNN structure used to simulate the gyro output

3 智能滤波算法过程

建立3个上节所述结构的BP网络结构，分别模拟高过载环境下X、Y、Z轴陀螺输出。根据捷联惯性导航系统的加速度计输出值判断舰船当前运动状态，当加速度计输出大于设定阈值5g时，则视为进入高过载环境，否则视为非高过载环境；如果判断为非高过载环境，则利用X、Y、Z轴上的陀螺输出信号，对BP网络进行训练，改变隐含层的权系数，调整整个神经网络的性能，使其更逼近当前载体的运动特性（在此以X方向陀螺输出为例），训练过程如下：

② 依次输入p个学习样本，计算各层的输入及输出值：。

④ 记录已学习过的样本个数p。如果p＜N，转步骤②继续计算；如果p=N，转步骤⑤。

⑤ 按权值修正公式修正各层权值：

上述算法在调节 BP网络连接权值时，每次均是以一个与网络误差函数或其对权值导数大小成正比的固定因子η进行的，因此在误差曲面较平坦处，由于偏导数值较小，以至需要经过多次调整才能将误差函数曲面降低；而在误差曲面较高曲率处，偏导数较大，权值参数调节的幅度也较大，以至在误差函数最小点附近发生过冲现象，使权值调节路径变为锯齿形，难以收敛到最小点，导致网络收敛速度慢。

为改进算法收敛速度，本文采用加入有关上一时刻权值调节方向记忆的动量项，即：

本文设计了自主切换和被动切换两种方式，自主切换采用加速度计输出作为判据，被动切换由外部武器火控平台控制。当判断舰船处于高过载环境时，则利用 BP网络模拟陀螺输出信号，且分别以当前最新权值的神经网络输出作为X、Y、Z轴上陀螺的模拟输出信号用于导航计算。当过载消失后，系统自动恢复正常工作模式，考虑到陀螺输出状态的恢复需要一个过渡过程，故在过载结束5 s后切换智能滤波线程，系统恢复正常工作模式。

4 计算机仿真验证

本研究采用上述 BP算法模型模拟陀螺输出，仿真试验采用VC++6.0与Matlab7.5工具箱完成。为尽量减小神经网络的复杂性，根据以上理论分析和介绍，实验采用三个单输入单输出的三层 BP网络结构分别代替X、Y、Z轴上的陀螺输出，隐层单元数采用公式来确定。其中，n和r分别为输入和输出单元个数此处都为1，而a为[1,10]之间的某一数，a的最终取值通过多次试验确定。

根据多次试验得到的对舰船运动状态的模型分析，仿真获取3000组舰船运动样本对BP网络进行离线训练学习，训练的期望误差设为 0.001°，最大迭代次数为1000。以模拟X轴陀螺输出的BP网络为例，抽取不同训练样本进行离线多次仿真试验比较，部分代表性训练结果参数见表1。

表1 网络训练相关参数结果统计表Tab.1 Statistics of network correlated parameters

根据训练结果统计分析，从网络结构复杂度和运行效率综合考虑，本文3个BP网络隐含层节点数确定为10，即1-10-1的BP网路结构。

根据确定的网络结构和智能滤波算法，利用计算机仿真舰船正常工作状态的陀螺输出数据对 BP神经网络进行离线训练和测试，该仿真选取了600组样本对 BP神经网络进行离线训练，训练的期望误差为0.001°，最大训练步数为1000，以X轴陀螺输出为例，训练结果如图5。结果可见由于舰船运动状态具有较强的规律性，600组样本数据经过30步训练结束后模型误差就可到达期望误差，该神经网络结构设计能够满足本文应用需求，神经网络可以有效模拟非过载环境下舰船运动状态。

图3 训练结果Fig.3 Training result

图4 BP网络辅助智能滤波输出结果Fig.4 Simulation result of BPNN aided intelligent filter

图5 过载环境下陀螺输出与智能滤波输出对比结果Fig.5 Compared results of gyro output and intelligent filter output under overload environment

利用训练好的网络进行计算机仿真试验，仿真时间为5 min，仿真数据发生器在第3 min时给数据加上跳变误差，图4为本文设计的智能滤波算法输出的结果图，图5为过载过程中陀螺输出与神经网络模拟输出结果对比图，黑色曲线代表陀螺实际输出，红色虚线代表神经网络输出。

5 半物理仿真试验

试验采用时间长度为45 s的海试陀螺输出信息，在第 41.5 s时舰载武器发射造成舰船处于高过载状态，此时利用陀螺信号智能模拟输出替代系统陀螺输出。以模拟X轴陀螺输出为例，系统实际输出如图6；高过载环境下利用陀螺信号智能模拟输出替代陀螺输出的结果如图7；图8为实际陀螺输出与智能模拟模块辅助输出结果对比图，实线代表根据陀螺实际输出解算的结果，虚线代表陀螺信号智能模拟功能模块辅助输出结果。

图6 过载环境下陀螺实际输出结果Fig.6 Gyro output under overload environment

图7 陀螺信号智能模拟辅助输出结果Fig.7 Intelligent analog output of gyro signal

图8 陀螺输出与智能模拟辅助输出对比结果Fig.8 Compared results of gyro output and intelligent analog output under overload environment

6 结 论

实验室离线仿真试验和半物理实验结果表明，利用BP网络可以模拟舰船捷联惯性导航系统在高频、过载冲击的高海况环境下的陀螺输出，从而避免因为冲击、振动条件下陀螺输出畸变引起的捷联惯性导航系统解算误差，为舰载武器的对准和导航提供相对更加准确的姿态信息。

（References）：

[1]Silson P M G.Coarse alignment of a ship's strapdown inertial attitude reference system using velocity loci[J].IEEE Transactions on Instrumentation and Measurement,2011,60(6):1930-1941.

[2]张磊，李辉，韩涛，等.舰船武器系统姿态基准坞内标校新方法[J].中国惯性技术学报，2013，21(2)：275-280.ZHANG Lei,LI Hui,HAN Tao,et al.New method of dock calibration for naval vessel weapon system attitude reference[J].Journal of Chinese Inertial Technology,2013,21(2):275-280.

[3]Grandvallet B,Zemouche A，Boutayeb M，et al.A realtime sliding window filter for projectile attitude estimation[C]//AIAA Guidance,Navigation and Control Conference.Toronto,Ontario Canada,2010:1-14.

[4]钱伟行，刘建业，李荣冰，等.高速、高动态下的捷联惯导空中粗对准方法[J].中国惯性技术学报，2009，17(4)：388-392.QIAN Wei-xing,LIU Jian-ye,LI Rong-bing,et al.Coarse alignment method of airborne SINS in high speed and high dynamic conditions[J].Journal of Chinese Inertial Technology,2009,17(4):388-392.

[5]Muhammad U,Fang Jiancheng.A robust data fusion scheme for integrated navigation systems employing fault detection methodology augmented with fuzzy adaptive filtering[C]//Proceedings of SPIE- The International Society for Optical Engineering.2013,8916(3Q):1-15.

[6]王星来，岳凤英，孙笠森.弹载惯性测量系统抗高过载技术[J].火力与指挥控制，2013，38(4)：165-168.WANG Xing-lai,YUE Feng-ying,SUN Li-sen.Study on anti-high-g technology of missile body attitude measurement system[J].Fire Control and Command Control,2013,38(4):165-168.

[7]尚琳，刘国华，张锐，李国通.基于BP神经网络的自主定轨自适应Kalman滤波算法[J].宇航学报，2013，34(7)：926-931.SHANG Lin,LIU Guo-hua,ZHANG Rui,et al.An adaptive Kalman filtering algorithm for autonomous orbit determination based-on BP neural network[J].Journal of Astronautics,2013,34(7):926-931.

[8]Wang Gensheng.An improved BP neural network algorithm and it's application in customer classification[J].International Journal of Applied Mathematics and Statistics,2013,46(16):111-118.

[9]Zhang Huo-Ming,Sun Zhi-Lin,Gao Ming-Zheng.Application of the improved BP neural network in ship and ocean engineering[J].Journal of Ship Mechanics,2010,14(6):619-632.

[10]Ito Y.Approximation of continuous functions on Rdby linear combination of shifted rotations of a sigmoidal function with and without scaling[J].Neural Netwroks,1992(5):105-115.

Anti-high-overload gyro signal processing method based on intelligent filtering technology

LI Pei-juan1,2,XU Xiao-su1,2,LIU Yi-ting1,2,FAN Hai-xia3
(1.Key Laboratory of Micro-inertial Instrument and Advanced Navigation Technology,Ministry of Education,Southeast University,Nanjing 210096,China;2.School of Instrument Science &Engineering,Southeast University,Nanjing 210096,China;3.Nanjing Institute of Industry Technology,Nanjing 210023,China)

Under high-overload ship environment,the gyro signal in strapdown inertial navigation system may have the problem of distortion.To solve this problem,an intelligent gyro signal filtering method based on BP neural network is proposed.This method takes the accelerometer output values as the threshold to judge whether the high overload happens or not.If the output is less than the setting threshold,it means a non-overload environment,in this case the gyro outputs are used for navigation calculation and used to train BP neural networks online,to ensure that the network parameters are kept consistent with the current situation of the ship movements;otherwise it means high overload happened,and the latest trained BP neural networks are used to replace the gyro signal outputs,which can ensure the strapdown inertial navigation system works smoothly.Adopting intelligent filtering technology has lots of advantages,such as fast speed in parallel calculating,and not having to change the system hardware environment.The simulation results show that this method can effectively improve the problem of the gyro signal distortion under high overload environment with 5gto 50gaccelerometer outputs,and achieve real time calculating of ship movements.

strapdown inertial navigation system;attitude measuring system;high overload;BP neural network

联 系 人：徐晓苏（1961—），男，教授，研究方向为惯性组合导航技术。Email：xxs@seu.edu.cn

U666.1

A

1005-6734(2014)03-0322-05

10.13695/j.cnki.12-1222/o3.2014.03.009

2013-12-07；

2014-04-03

国家自然科学基金项目（51175082，51375088，61203192，61273056）；中央高校基本科研业务费专项资金资助（3222003061）；江苏省博士后科研资助项目

李佩娟（1982—），女，博士后，研究方向为导航、制导与控制。Email：lpj4444@126.com