本发明涉及卫星导航，更具体地说，特别涉及一种基于神经网络的捷联惯导系统误差补偿方法。
背景技术：
1、捷联惯性导航系统，作为一种自主式导航系统，在现代导航技术中占据着举足轻重的地位。它通过测量载体在惯性参考系中的加速度，并经过一系列复杂的积分运算，从而精确得出载体的速度、位置和姿态信息，进而实现导航定位。惯性导航系统以其独特的自主性和独立性，在军事、航空、航天等领域得到了广泛应用。惯性导航系统的基本原理基于牛顿运动定律。利用安装在载体上的惯性传感器来感知载体的运动状态，这些传感器主要包括陀螺仪和加速度计。陀螺仪以其独特的旋转特性，能够精确测量载体的角速度，为导航系统提供关键的姿态信息。而加速度计则能够实时感知载体的线加速度，为速度和位置的计算提供数据支持。
2、然而，在长时间运行过程中，捷联惯性导航系统由于受到众多内外因素的干扰，例如设备自身的性能局限、外部环境的影响、数据处理的算法缺陷等，不可避免地会产生一定的误差。这些误差在系统运行过程中会不断累积，导致其提供的定位信息逐渐偏离真实值，最终可能会使得导航结果不可靠，甚至完全失效。惯性传感器作为惯导系统的核心部件，其性能优劣直接决定了整个系统的定位精度。在实际应用中，惯性传感器由于制造工艺、材料特性、工作环境等多种因素的影响，不可避免地会存在一定的误差。这些误差包括零偏误差、刻度因数误差、交叉耦合误差等，它们会随着时间的推移而逐渐累积，对惯导系统的定位精度产生严重影响。针对这一问题，如何在惯性传感器误差累积的过程中采取有效措施进行抑制，从而提升惯导系统的定位精度，已经成为当前导航技术领域内一个备受关注的研究焦点。研究者们致力于探索更为先进的算法、优化数据处理流程、改进硬件设备性能，以及尝试引入辅助导航系统等方式，以期能够显著减少误差累积带来的负面影响，确保惯性导航系统在复杂多变的环境下依然能够提供高可靠性的定位服务。为此，有必要开发一种基于神经网络的捷联惯导系统误差补偿方法。
技术实现思路
1、本发明的目的在于提供一种基于神经网络的捷联惯导系统误差补偿方法，以克服现有技术所存在的缺陷。
2、为了达到上述目的，本发明采用的技术方案如下：
3、一种基于神经网络的捷联惯导系统误差补偿方法，包括以下步骤：
4、s1、构建一包含多个神经网络层的深度神经网络模型；
5、s2、收集捷联惯导系统在不同条件下的实际运行数据，该实际运行数据包括加速度计和陀螺仪的测量值，以及位置信息；
6、s3、对所收集到的捷联惯导系统在不同条件下的实际运行数据进行预处理；
7、s4、将预处理后的运行数据划分为一定比例的训练集、测试集和验证集；
8、s5、采用训练集对步骤s1中构建的深度神经网络模型进行训练，通过最小化深度神经网络模型输出的误差估计值与真实误差值之间的差异以优化深度神经网络模型的参数，并采用验证集对所训练的深度神经网络模型进行验证，得到最终的深度神经网络模型；
9、s6、将最终的深度神经网络模型集成到捷联惯导系统，通过实时采集捷联惯导系统的输出数据，并输入至深度神经网络模型中，以得到误差估计值，通过该误差估计值调整导航参数。
10、进一步地，所述步骤s1中的神经网络模型采用长短期记忆网络，并且神经网络模型采用正则化技术。
11、进一步地，所述步骤s2中的陀螺仪的测量值为载体坐标系与导航坐标系之间角速度信息，并对获取的角速度信息进行修正，基于修正后的数据更新姿态四元数，以解算出转换后的姿态矩阵，以得出准确的姿态角信息；所述加速度计用于测量载体坐标系内部的比力信息，利用姿态矩阵将比力信息转换至导航坐标系，再通过积分运算处理，以推导出载体的速度及位置信息。
12、进一步地，对获得的速度信息结合位置速率方程进行解算，以获取导航坐标系下的对地旋转角速度。
13、进一步地，所述步骤s2还包括：
14、构建陀螺仪误差模型和加速度计误差模型；
15、分别通过陀螺仪误差模型和加速度计误差模型对加速度计和陀螺仪的测量值进行矫正。
16、进一步地，所述陀螺仪误差模型的详细公式为：；
17、式中，为比例因子误差，为零偏误差，为由安装角误差引起的非直角坐标系系与直角坐标系系间的坐标变换矩阵，对上述陀螺仪误差模型进行并行整理得到：
18、；
19、式中：；
20、式中，为理论角速度，为陀螺实际测得的角速度，为零位漂移值，为刻度误差矩阵，为刻度系数误差，为安装误差、为失准角误差；
21、将进行移项整理可得陀螺的误差模型表达式为：
22、；
23、同理得到加速度计误差模型的表达式为：；
24、式中，；
25、式中，为理论比力增量，为加速度计实际测得的比力增量，为加速度计测量零偏，为加速度计刻度误差矩阵，为刻度系数误差，为失准角误差、为安装误差。
26、进一步地，所述步骤s3具体为：
27、将每个特征的数值减去该特征的平均值，并除以其标准差，其数学公式表述为：
28、；
29、式中，和分别代表数据集的均值和标准差，是经过标准化处理后的新数据。
30、进一步地，所述步骤s4中训练集占比为60%，验证集占比为20%，测试集占比为20%。
31、进一步地，所述步骤s5中采用的损失函数为均方误差损失，其表达式为：。
32、进一步地，所述步骤s5中采用评价指标评价深度神经网络模型，评价指标的表达式为：
33、；
34、式中， y i 为第i个样本所对应的真实值，为第 i 个样本通过模型得到的预测值，为样本均值，n 为样本数，tp 、fp和fn分别表示真阳性、假阳性和假阴性；
35、评价标准为：r2越接近1，说明模型拟合的效果就越好，r2越接近0，说明模型的拟合效果越差；acc 越接近1，说明模型的预测精度越高。
36、与现有技术相比，本发明的优点在于：本发明通过利用神经网络对捷联惯导系统的误差进行实时估计和补偿，有效地降低了误差对导航系统定位精度的影响。神经网络模型能够学习到误差与载体运动状态之间的复杂关系，并在实际运行中实时预测误差，从而实现对误差的精确补偿。这种方法提高了导航系统的稳定性和可靠性，特别适用于需要长时间连续运行和高精度定位的应用场景。
37、本发明具有泛化能力强、适应性好等优点，通过收集不同条件下的实际运行数据，可以训练出适应各种工作环境的神经网络模型，与传统的基于数学模型或物理模型的误差补偿方法相比，本发明采用神经网络模型进行误差估计和补偿，无需建立复杂的数学模型，降低了算法设计和实现的难度。同时，神经网络模型能够处理非线性、非平稳的误差特性，更好地适应复杂多变的导航环境。这使得本发明具有较强的通用性和可扩展性，可以广泛应用于各种导航系统中。
38、本发明具有灵活性和可扩展性。在实际应用中，随着技术的不断发展和系统要求的不断提高，可以根据需要对神经网络模型进行改进和优化。例如，可以增加更多的网络层数或神经元数量，以提高模型的复杂度和学习能力；可以采用不同的神经网络架构，如循环神经网络（rnn）、长短期记忆网络（lstm）等，以更好地处理时间序列数据；还可以引入迁移学习等先进概念，利用已训练好的模型进行微调，以加速新模型的训练过程并提升性能。
1.一种基于神经网络的捷联惯导系统误差补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述步骤s1中的神经网络模型采用长短期记忆网络，并且神经网络模型采用正则化技术。
3.根据权利要求1所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述步骤s2中的陀螺仪的测量值为载体坐标系与导航坐标系之间角速度信息，并对获取的角速度信息进行修正，基于修正后的数据更新姿态四元数，以解算出转换后的姿态矩阵，以得出准确的姿态角信息；所述加速度计用于测量载体坐标系内部的比力信息，利用姿态矩阵将比力信息转换至导航坐标系，再通过积分运算处理，以推导出载体的速度及位置信息。
4.根据权利要求3所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，对获得的速度信息结合位置速率方程进行解算，以获取导航坐标系下的对地旋转角速度。
5.根据权利要求1所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述步骤s2还包括：
6.根据权利要求5所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述陀螺仪误差模型的详细公式为：
7.根据权利要求1所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述步骤s3具体为：
8.根据权利要求1所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述步骤s4中训练集占比为60%，验证集占比为20%，测试集占比为20%。
9.根据权利要求1所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述步骤s5中采用的损失函数为均方误差损失，其表达式为：。
10.根据权利要求1所述的基于神经网络的捷联惯导系统误差补偿方法，其特征在于，所述步骤s5中采用评价指标评价深度神经网络模型，评价指标的表达式为：；
