专利交易市场

本发明公开了一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法。本发明提供的方法是：首先，通过仿真得到组合导航的INS和GPS故障数据；接着，采用核Fisher判别式分析(KFDA)进行数据处理，实现模式数据的平衡；然后，对数据进行One‑Class SVM模型训练，并运用核技巧以检测非线性数据的故障情况；最后，利用D‑S证据理论将BP神经网络和改进的动态粒子群优化(PSO)BP神经网络的故障诊断结果进行融合，实现INS/GPS组合导航的故障检测与诊断。本方法可以有效地对小样本组合导航系统的突变故障与缓变故障进行检测，故障检测率均达到90％以上，有效地减少了故障检测的误差率，得到了精确的综合决策结果。

本发明公开了一种基于组合导航和计算机视觉的无人机电力架线系统，通过将GPS卫星定位与传统的惯性导航定位相结合，更新其位姿状态，进行位置和姿态的调整，以达到最佳的架线姿态；无人机地面监测站系统采用粒子群最优算法，可以为用户提供一键寻址功能，实现无人机自动规划航迹；然后根据双目视觉定位原理，由双目摄像机采集模块利用神经网络深度学习方法提取滑车位置以及滑车穿线孔信息，将滑车位置信息发送给无人机控制器，无人机自动做出姿态调整，将无人机系统导航至距离滑车0.5m区域内；并将滑车穿线孔信息传递给瞄准装置，瞄准装置根据事先训练好的每个滑车相对位置分析、动力学分析将引导线配重块弹射入滑车孔，完成引导线的展放。

本发明是关于一种采用动态积分卡尔曼滤波的混合高度测量方法。其首先采用SiA200 MEMS加速度传感器，测量载体加速度并两次积分得到惯性高度信息；采用FYC‑LG24‑800型无线电高度表，测量载体无线电高度信息；采用GPS设备测量GPS高度信息载体；再设计了一种二阶开方非线性平滑滤波器，得到三种测量高度信号的平滑信号；然后设计了一种基于组合后卡尔曼滤波后的高度误差以及非线性积分来调节方差信息的动态积分卡尔曼滤波器，从而求解三种高度平滑信号的两两卡尔曼滤波信号；最终采用误差信号叠加其非线性积分信号，实时生成动态组合加权因子，对三种卡尔曼滤波高度进行优化组合后得到最终高度输出总信号。

本发明提供一种用于惯性‑地磁组合姿态解算的自适应optimal‑REQUEST算法，采用一种自适应调整策略对姿态解算算法的观测矢量的权值进行动态调整，从而使得姿态解算算法在载体静止时主要依靠加速度计和地磁传感器实现姿态解算以提高静态精度，而在载体运动时主要依靠陀螺仪实现姿态解算以提高动态精度。上述自适应调整策略的核心是判断重力加速度矢量和地磁场矢量这两个矢量的观测值的夹角是否在某一个给定值附近，并同时判断重力加速度矢量的观测值的模是否在另一个给定值的附近，如果都在给定值附近则载体处于静止状态，否则载体处于运动状态。上述两个给定值可以简单地通过载体静止时加速度计和地磁传感器的测量值获得。

本发明提供一种基于卡尔曼滤波器和隐马尔科夫模型的用于提高惯性‑地磁组合综合性能的方法，引入一种新的基于卡尔曼和隐马尔科夫模型的加权和动态调整机制，从而使得在动态条件下扩展卡尔曼算法和互补滤波算法能够完全依靠三轴陀螺仪实现姿态解算，而在静态条件下又能够主要依靠加速度计和地磁传感器实现姿态解算，保证了较好的动态性能和静态性能，从而提高惯性‑地磁组合的综合性能。

本发明涉及组合导航技术领域，尤其是提供了一种适用于时变量测噪声的组合导航数据融合方法。该方法包括构建基于经验模态分解EMD和改进的门控循环单元GRU的量测序列预测模型；根据量测序列预测模型对量测噪声进行重构，获取重构后的量测噪声序列；利用重构后的量测噪声序列，对量测噪声协方差进行更新，以完成对组合导航数据的融合，该方法提高了数据融合的精确度和实时性，降低了计算的复杂度，以及避免了量测噪声的过度调整。

本发明涉及数据融合技术领域，尤其是提供了一种基于假设约束的组合导航数据融合方法。该方法包括基于假设约束构建用于量测噪声协方差估计的代价函数；根据构建的代价函数，估计出量测噪声的协方差；根据估计出的量测噪声的协方差，实时更新滤波参数，完成对组合导航数据的融合，该方法减少了出现量测异常值的问题，提高了数据融合的精确度和实时性。

本发明涉及组合导航数据融合方法领域，公开基于Huber滤波更新框架的组合导航数据融合方法，其特征在于，包括以下步骤：S1：通过鲁棒容积点生成框架实现滤波的时间更新；S2：根据改进的Huber估计对量测信息进行重构实现滤波算法的量测更新。本发明要解决的技术问题是提供一种基于Huber滤波更新框架的组合导航数据融合方法，不仅表现出对非高斯噪声较好的鲁棒性，并且可实现对组合导航数据的快速、高精度融合。