本发明涉及一种惯性测量阵列最优加权平均数据融合方法，适用于惯性测量阵列数据融合的场合。
背景技术：
1、惯性测量阵列源于2003年bayard等学者提出的“阵列陀螺”概念(bayard ds.combining multiple gyroscope outputs for increased accuracy[r].pasadena:nasa's jet propulsion laboratory,2003.)，将多个芯片级的微机电(micro-electro-mechanical system,mems)惯性测量单元(inertial measurement unit,imu)组成阵列，通过数据融合可大幅抑制其随机误差，提升导航精度。memsimu在技术上具备量产能力，且在消费级领域应用规模巨大，可大规模低成本地生产，基于阵列技术有望构建低成本高精度的惯性导航系统。
2、当前惯性测量阵列的研究热点主要集中在数据融合方面，一般应用卡尔曼滤波方法将采集的阵列中各个imu数据融合为阵列坐标系下的等效数据(胡敏.基于阵列技术的mems虚拟陀螺技术研究[d].西北工业大学,西安:2006)，但在处理大规模惯性测量阵列时，imu数量较大(大于50个)，导致卡尔曼滤波器维度较高，数据融合的实时性难以保证，同时卡尔曼滤波有一个收敛的过程，也影响了数据融合的可靠性。为提升数据融合的实时性和可靠度，加权平均法成为新的研究方向，目前已有学者基于支持度等方法对加权平均法的权重进行研究，并取得较好成果(张华强,赵剡,陈雨.基于支持度的mems陀螺信息融合方法[j].宇航计测技术,2012,32(2):18-21)。但当前针对加权平均法的研究仅参考某一个或某几个维度的信息进行权重的分配，无法取得最优权重。
3、因此，针对惯性测量阵列的实时数据融合，基于加权平均法研究如何估计最优权重，以获得最大效果的实时数据融合，对实现低成本高精度的惯性导航系统具有重要意义。
技术实现思路
1、本发明解决的技术问题是：
2、针对惯性测量阵列实时数据融合所采用的加权平均法，如何取得最优权重，以最大程度的抑制阵列随机误差，提升惯性测量阵列的测量精度。
3、本发明的技术解决方案：
4、将惯性测量阵列静置于隔震平台上，采集各个imu的三轴角速率和三轴比力，利用加权平均法对所有惯性测量单元每个轴向的角速率和比力进行数据融合，构建六个加权平均式子，随后设计改进的果蝇优化算法估计加权平均的最优权重，以获得惯性测量阵列最小的零偏稳定性。
5、总体流程步骤如下：
6、(1)将惯性测量阵列静置于隔震平台上，采集阵列中各个惯性测量单元每个轴向的角速率和比力，采样周期5毫秒，持续采集3小时。
7、(2)采用加权平均法对每个轴向的角速率和比力进行融合，计算公式如下：
8、
9、
10、其中，ωx、ωy、ωz分别表示惯性测量阵列坐标系下x、y、z轴等效的角速率，fx、fy、fz分别表示惯性测量阵列坐标系下x、y、z轴等效的比力，n为阵列中惯性测量单元的总数量，i表示第i个惯性测量单元，i＝1,2,…,n，ωxi、ωyi、ωzi分别表示阵列中第i个惯性测量单元x、y、z轴角速率，fxi、fyi、fzi分别表示阵列中第i个惯性测量单元x、y、z轴比力，wωxi、wωyi、wωzi分别表示阵列中第i个惯性测量单元x、y、z轴角速率对应的权重，wfxi、wfyi、wfzi分别表示阵列中第i个惯性测量单元x、y、z轴比力对应的权重。
11、(3)利用改进的果蝇优化算法依次估计公式(1)～(6)中的最优权重，使融合后的数据取得最小的零偏稳定性。
12、(4)将估计出的最优权重代入公式(1)～公式(6)，在阵列数据实际采集中利用配置最优权重的公式(1)～公式(6)对进行实时的数据融合。
13、以公式(1)为例，改进的果蝇优化算法具体流程如下：
14、(1)构建n维空间下的果蝇，初始化果蝇群体位置：
15、
16、(d1,d2,...,dn)为果蝇群体位置坐标，rand(0,1)表示取(0,1)区间内的随机值。
17、(2)以群体位置为中心，果蝇个体随机向四周飞出觅食，果蝇个体位置具体表示如下：
18、
19、(dk1,dk2,...,dkn)表示第k个果蝇个体的位置坐标，k＝1,2,…,k，k为果蝇总数。
20、(3)以(dk1,dk2,...,dkn)作为公式(1)中的n个权重，根据采集的所有时刻数据计算出融合后对应时刻的ωx，并计算ωx的零偏稳定性，即标准差，构建味道浓度如下：
21、smellk＝1/std(ωx) (9)
22、其中，std表示对所有时刻的ωx求标准差。
23、(4)找出味道浓度最大的个体，所有果蝇个体向该位置聚集：
24、
25、其中，smellbest为最大味道浓度，(dbest1,dbest2,...,dbestn)为最大味道浓度个体的坐标，max为取最大值。
26、(5)设置果蝇总数和迭代次数，具体果蝇总数和迭代次数根据实际情况确定，重复以上步骤，迭代计算，最后更新的群体位置即为最终的最优位置。
27、参考公式(1)的权重估计过程，对公式(2)～(6)进行权重估计，只需将估计步骤中的数据修改为对应公式的数据即可。
28、本发明的发明原理是：
29、根据惯性测量阵列数据融合中加权平均的特性，利用群体智能，即果蝇优化算法，针对阵列数据特征改进优化算法，并利用该算法搜索加权平均最优权重，获得最小的零偏稳定性。
30、本发明的方案与现有方案比，主要优点在于：
31、相较于传统的卡尔曼滤波方法，本发明基于离线形式进行最优权重的估计，在工作中直接使用最优权重进行加权平均，计算资源占用较少，实时性强；相较于传统的加权平均方法，本发明应用群体智能搜寻出最优权重，而不是基于某一个或几个维度信息配置权重，因此不存在传统方法中参考维度不合理的问题，可最大程度抑制数据融合后的随机噪声，实现惯性测量阵列高精度实时数据融合。
1.一种惯性测量阵列最优加权平均数据融合方法，其特征在于将惯性测量阵列静置于隔震平台上，采集各个惯性测量单元的三轴角速率和三轴比力，利用加权平均法对所有惯性测量单元每个轴向的角速率和比力进行数据融合，构建六个加权平均式子，随后设计改进的果蝇优化算法估计加权平均的最优权重，以获得惯性测量阵列最小的零偏稳定性，具体包括以下步骤：
2.根据权利要求1所述的一种惯性测量阵列最优加权平均数据融合方法，其特征还在于所述的惯性测量阵列包含微机电陀螺阵列、微机电加速度计阵列和微机电惯性测量单元阵列。
