专利汇可以提供一种基于蚁群Unscented粒子滤波算法的组合定姿方法专利检索,专利查询,专利分析的服务。并且一种基于蚁群Unscented粒子滤波 算法 的组合定姿方法,本 发明 涉及一种惯性/天文组合定姿方法。该方法首先利用惯性量测信息进行补偿陀螺输出数据,通过 姿态 解算,得到载体姿态信息;然后利用天文量测信息,通过确定性算法,获得所需天文姿态信息;最后利用蚁群Unscented粒子滤波(Unscented Particle Filter)算法将天文姿态信息和载体姿态信息相融合,解决系统非线性和噪声非高斯问题,求解高 精度 载体姿态信息,估计陀螺漂移,并反馈校正载体姿态和补偿陀螺漂移;最终实现基于天文量测信息实时消除惯性/天文组合 导航系统 陀螺随机误差的在线修正,完成对 航天器 的长时间、高精度组合定姿。,下面是一种基于蚁群Unscented粒子滤波算法的组合定姿方法专利的具体信息内容。
1.一种基于蚁群Unscented粒子滤波算法的组合定姿方法,其实现步骤如下:
(1)利用惯性量测信息补偿陀螺输出数据,通过姿态解算,得到载体姿态信息;
(2)利用天文量测信息,通过确定性算法,获得所需天文姿态信息;
(3)利用蚁群Unscented粒子滤波(Unscented Particle Filter)算法将天文姿态信息和载体姿态信息相融合,求解高精度的载体姿态信息,估计陀螺漂移,并反馈校正载体姿态和补偿陀螺漂移补偿;最终实现基于天文量测信息实时消除惯性/天文组合导航系统陀螺随机误差的在线修正,完成对航天器的长时间、高精度组合定姿;
所述步骤(3)中利用蚁群UPF算法步骤为:
(3.1)采样时间t=0时,初始化:
对初始的先验概率密度p(x0)进行采样,生成N个服从p(x0)分布的粒子 i=1,…,N,生成的粒子 的均值和方差满足:
其中,为 的均值,P0为 的方差,E[·]为求取[]内元素的期望,将p(x0)分布取为均值为 方差为P0正态分布;
(3.2)采样时间t≥1时,步骤如下:
①采样
利用(3.1)中生成的服从p(x0)分布的粒子 进行下一时刻的采样,用
Unscented卡尔曼滤波对粒子 进行估计,得到 采样
得到更新的粒子 i=1,…,
N,
其中, 别为k-1时刻状态对应的第i个粒子, 为k-1时刻的粒子的误差方差阵,和Pk_UKF分别为利用UKF算法根据k-1时刻的粒子估计出的第k时刻状态估计值和估计误差方差阵,x0:k-1为第0~k-1时刻的状态估计值,y1:k为第1~k时刻的状态观测值,q(xk|x0:k-1,y1:k)为重要性概率密度,此处选为 为均值为
方差为Pk_UKF的正态分布;
② 利 用 ① 中UKF 更 新 的 粒 子 计 算 粒 子 的 权 重:
归一化权重:
其中, 为k时刻第i个粒子的权重, 为归一化后的权重, 为所有粒子的权重的和, 为对应于观测模型的系统状态的观测似然概率密度, 对应于系
统的模型的系统状态转移概率密度, 为重要性概率密度,初始时刻粒子的权值 i=1,…,N;
③利用①中得出的粒子和②中得出的粒子的权重使用蚁群算法进行重采样,选取优等粒子(权值较大的粒子),剔出低等(权值较小的粒子)的粒子,以解决粒子枯竭问题,蚁群算法优化后的粒子为
④输出
按照最小方差准则,载体姿态的最优估计值就是条件分布的均值,即:
其中,为k时刻载体姿态的最优估计, 为蚁群算法优化后的k时刻第i个粒子的权值, 为蚁群算法优化后的第k时刻第i个粒子的值,为蚁群算法优化后的第k时刻粒子的估计值, 为从i=1到N求和,pk为蚁群算法优化后的第k时刻载体姿态的方差。
2.根据要求1所述的基于蚁群Unscented粒子滤波算法的组合定姿方法,其特征在于:
所述利用蚁群算法实现步骤如下:
首先引入如下符号:
m——蚁群中蚂蚁的数量;
dij——两城市i和j之间的距离;
ηij(t)——边(i,j)的能见度,反映由城市i转移到城市j的启发程度,这个量在蚂蚁系统的运行中不改变;
τij(t)——t时刻边(i,j)上的信息素轨迹强度;
Δτij——蚂蚁k在边(i,j)上的留下的单位长度轨迹信息素量;
——蚂蚁k的转移概率,j为未访问的城市;
每只蚂蚁都是具有如下特征的简单主体:
I从城市i到城市j的运动过程中或是在完成一次循环后,蚂蚁在边(i,j)上释放的一种物质,称为信息素轨迹;
II蚂蚁概率的选择下一个将要访问的城市,这个概率是两城市间距离和连接两城市的路径上存有轨迹量的函数;
III为了满足问题的约束条件,在完成一次循环之前,不允许蚂蚁选择已经访问过的城市;
具体实现过程为:
a.初始化
令时间t=0,迭代次数Nc=0,信息素τij(0)=C,C为正常数,根据具体应用进行设置,此处随意设置为C=1,τij(0)为t=0时边(i,j)上的信息素轨迹强度,(i,j)为某时刻蚂蚁所处的位置;
b.对N个粒子的权值进行一次排序选择权值最大的点作为起点,将m只蚂蚁置于起点,各只蚂蚁,按照下列转移概率公式,采用赌轮选择方式移动,
其中,allowedk表示蚂蚁k下一步允许走过的路径点的集合;α为启发式因子,β为期望启发式因子,分别反映了蚂蚁在运动过程中所积累的信息和启发信息在蚂蚁选择路径中的相对重要性,可设置α=1,β=2,城市i转移到城市j的能见度ηij(t)=1/dij(t),令dij(t)为第i个粒子和第j个粒子的权重的差值;
c.按照各只蚂蚁的目标函数值Fk,并记录该次循环的最优解;选择下一个粒子(下一个目标城市)的权重 作为目标函数值Fk;
d.按照以下公式修正信息素强度:
τij(t+n)=ρτij(t)+(1-ρ)Δτij,
式中,参数ρ(0≤ρ≤1)为信息素残留因子,1-ρ表示信息素衰减度; 表示第k只蚂蚁在本次循环中留在节点(i,j)上的信息量;常数Q是信息素强度,取Q=100;
e.令t=t+n,Nc=Nc+1,经过n个时刻,完成一次循环时间t加n,循环次数Nc加1;
f.若N<NCmax,则转步骤b,否则转步骤f,其中NCmax为循环次数;
g.输出最优解。
3.根据要求1所述的基于蚁群Unscented粒子滤波算法的组合定姿方法,其特征在于:
所述确定性算法实现如下:
A.定义3×3的矩阵w,v,B和S,3×1的列向量z,a,标量σ,4×1的列向量q;
其中,w=[w1 w2 w3]为k时刻观测的三颗星的星光在星敏感器坐标系中的坐标矢量,v=[v1 v2 v3]为k时刻该三颗星的星光在地心惯性坐标系中的参考矢量+’T
S=B+BT, a=[a1 a2 a3] 为非负的加权系数,σ=tr(B)为矩阵B的秩,T
q=[q1 q2 q3 q4] 为待求解的姿态四元数,标量在前形式,
定义姿态矩阵K阵如下:
I为单位阵,
姿态矩阵K阵的最大特征值所对应的特征矢量是最小均方差意义下的最优估计,即Kq=λmaxq,q为求解所得姿态四元数,λmax为最大特征值;
T
B.由q=[q1 q2 q3 q4],计算姿态余弦阵C′为:
C.由姿态余弦阵C′即可求解载体的实时高精度天文姿态信息,步骤如下:
俯仰、航向和横滚三姿态角 的解算公式如下:
-1
俯仰角θ值为:θ=sin (C23);
航向角 值的计算如下表1所示:
横滚角γ值的计算如下表2所示:
C13值判断 C33值判断 横滚角γ值
=0 <0 -π
>0 <0 atan-1(-C13/C33)-π
>0 =0 -π/2
任意值 >0 atan-1(-C13/C33)
<0 =0 π/2
<0 <0 atan-1(-C13/C33)+π
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种结合小波变换和图像分割网络的QRS波识别方法 | 2020-05-12 | 173 |
基于多维蒙特卡洛理论的搜救范围预测方法 | 2020-05-13 | 965 |
一种基于ECSA的高斯过程回归的4-NP还原催化剂建模预测方法 | 2020-05-13 | 501 |
一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | 2020-05-08 | 832 |
一种基于分层模型的无人机目标跟踪方法 | 2020-05-13 | 101 |
一种多MEMS传感器组合测姿方法 | 2020-05-14 | 393 |
一种基于遗传算法的视觉惯性组合的SLAM方法 | 2020-05-16 | 526 |
结合判别式深度置信网络和主动学习的心电分类方法 | 2020-05-13 | 453 |
融合时空聚类和支持向量机的居民出行特征提取方法 | 2020-05-14 | 117 |
一种基于自适应联邦卡尔曼滤波的无人船组合导航方法 | 2020-05-15 | 670 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。