English
Research on a mixed prediction method to vehicle integrated navigation systems
文件大小：
986k
资源说明：### 混合预测方法在车辆集成导航系统中的应用研究
#### 摘要与背景
本文探讨了一种混合预测方法在车辆集成导航系统（包括捷联惯性导航系统/全球定位系统）中的应用，旨在解决全球定位系统信号中断时提高定位精度的问题。通过结合径向基函数神经网络（RBF Neural Network）、时间序列分析（Time Series Analysis）及无迹卡尔曼滤波器（Unscented Kalman Filter, UKF）算法，该方法能够有效应对GPS信号暂时缺失的情况。
#### 研究目标与方法
研究的主要目标是，在GPS信号受阻的情况下，通过提出一种混合预测方法来提高车辆集成导航系统的定位准确性。此方法由两部分组成：径向基函数神经网络训练和预测阶段。具体来说：
- 当GPS正常工作时，利用GPS与捷联惯性导航系统之间的误差对径向基函数神经网络和时间序列分析进行训练。
- 在GPS出现故障期间，将径向基函数神经网络和时间序列分析的预测值应用于无迹卡尔曼滤波器的测量更新过程中，从而实现更精确的位置估计。
#### 技术细节
- **径向基函数神经网络**：是一种前馈神经网络模型，主要用于函数逼近、模式分类、时间序列预测等任务。在本文的研究中，该网络用于预测捷联惯性导航系统的误差，并根据GPS信号的有效性调整其参数。
- **时间序列分析**：一种统计方法，用于处理随时间变化的数据集。通过对历史数据进行建模，可以预测未来的趋势。在此背景下，它被用来预测捷联惯性导航系统的未来状态。
- **无迹卡尔曼滤波器**：作为一种扩展卡尔曼滤波器的改进版本，无迹卡尔曼滤波器在非线性系统状态估计方面表现出色。本文中，UKF用于融合径向基函数神经网络和时间序列分析的预测结果，以获得最优的位置估计。
#### 实验验证与结果
为了验证所提出方法的有效性，研究人员进行了计算机模拟实验。实验结果表明，与传统的无迹卡尔曼滤波器相比，该混合预测方法在GPS信号暂时中断时能提供更高的定位精度。特别是在GPS信号缺失的情况下，该方法的表现显著优于单一的无迹卡尔曼滤波器。
#### 关键词解释
- **SINS/GPS集成导航系统**：结合捷联惯性导航系统和全球定位系统的优势，提高整体导航性能。
- **GPS中断**：指GPS信号受到干扰或完全丢失的情况，这是导航系统面临的常见问题之一。
- **无迹卡尔曼滤波器**：一种优化的非线性状态估计算法，适用于处理具有非线性动态特性的系统。
- **径向基函数神经网络**：一种神经网络模型，特别适用于非线性系统的建模和预测。
- **时间序列分析**：一种数据分析技术，主要用于处理随着时间变化的数据，如气象预报、股票市场预测等。
#### 结论
本文介绍了一种混合预测方法，该方法通过结合多种先进的预测技术，有效地提高了车辆集成导航系统在GPS信号缺失情况下的定位准确性。这种方法不仅展示了较高的预测精度，而且为解决导航系统中的信号中断问题提供了一个新的思路。随着技术的发展，预计这种方法将在实际应用中发挥越来越重要的作用。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
