计算机论文哪里有？本文提出了一种基于LSTM的组合导航异构信息融合算法。算法使用了LSTM神经网络估计GNSS伪量测并结合容积卡尔曼滤波进行信息融合以在GNSS中断之后辅助组合导航，抑制导航系统误差发散。
第1章 绪论
1.2 组合导航系统及信息融合方法研究现状
1.2.1 组合导航系统研究现状
惯性技术的发展程度常被视为衡量一个国家工业和高科技水平的重要指标，惯性导航技术是惯性技术的核心和发展标志[16] 。INS是不依靠外部信息的自主式导航系统[17] ，无须依赖任何外界的数据，仅依靠陀螺仪、加速度计等传感器的数值，就可以获取载体当前的姿态、速度和位置信息。INS技术最大的优势是不依赖外部信息且抗干扰能力强，能实现自主导航[18] ，但其主要局限性之一是陀螺仪的漂移误差。这种漂移会导致INS系统的导航精度随时间逐渐降低。
GNSS是一种全球性的卫星导航系统，是一个总称，涵盖了多个国家或地区的卫星导航系统，其中包括美国的全球定位系统(GPS)、俄罗斯的格洛纳斯系统(GLONASS)、欧洲的伽利略系统(Galileo)和中国的北斗卫星导航系统(BDS)[19] 。GNSS通过在地球轨道上的卫星发射信号，使用户可以在任何时间、任何地点接收到信号，从而确定其准确的位置、速度和时间信息[20] 。GNSS具有覆盖广、全天候、精度高等优点，可满足运动载体对导航性能的需求，但其信号容易受到干扰和遮挡，且动态性能较差，单独使用时精度不高。
在许多对导航性能要求极高的应用场景中，如航空航天、军事操作以及高速交通系统等，单一的导航设备往往因其固有的局限性难以全面满足现代运载工具在高动态、复杂环境下的导航精度和可靠性需求。针对这个问题，采用多种导航设备的组合导航系统成为了一个有效的解决方案。通过整合各种导航技术，如惯性导航系统、卫星导航系统、磁罗盘以及其他传感器技术，可以在它们各自优势的基础上，相互补充，从而极大地提高导航系统的整体性能[21] 。组合导航技术通过互补不同系统的优缺点，不仅增强了导航系统的抗干扰能力，还大幅提高了其在各种环境下的操作效率和安全性。因此，组合导航技术已成为现代导航领域中一项关键的技术进步，对推动相关技术和应用的发展起到了至关重要的作用[22] 。
第3章 INS/GNSS组合导航滤波算法研究
3.1 INS/GNSS组合导航系统
3.1.1 INS/GNSS组合方式
在实际应用中，根据导航性能的需求、系统资源的限制以及环境条件的不同，选择适合的INS/GNSS组合方式是十分重要的。通常将组合导航分成了松组合、紧组合和深组合三种方式，它们描述了不同导航子系统之间信息交互的程度[66] 。以下是这三种组合方式的基本原理：
1.松组合
松组合是一种相对独立的组合方式，INS和GNSS分别独立运行，各自维护其状态估计和误差模型。在松组合模式下，一般会将INS的导航解算通过将GNSS提供的位置、速度和时间解算结果进行融合，以估计系统的状态并提供最优的导航解，并对INS误差进行校正，从而减小INS的误差积累[67] 。本文以INS/GNSS松组合为对象研究应用，松组合结构图如图3.1所示。
第5章 道路测试与实验分析
5.1 实验数据描述
实验使用第四章实验中所提到的小车。道路测试实验的轨迹如图5.1所示，实验地点为陕西省西安市鄠邑区草寺东路北段，小车从起点出发(图5.1红色标志处)，行驶时间为9374秒，绕实验路段行驶1圈最后驶回起点。其中，小车IMU采样频率为25Hz，GNSS采样频率为10Hz，具体传感器参数与第4.3.1节中表4.1一致。
在实验中，首先在实验区域内设置了三个不同的地点，并使用GNSS接收器记录了车辆在这三个地点的位置数据，作为参考轨迹。这样做的目的是为了获取真实的地理位置信息，以便后续对比分析。其次，通过人为中断车载导航系统接收到的GNSS信号，将车辆置于GNSS中断状态。这个步骤是为了模拟实际中可能遇到的导航环境，例如在高楼群密集的城市区域或者山区等环境中，GNSS信号可能会受到遮挡而中断。在这种情况下，车载导航系统无法接收到卫星信号，无法进行定位解算。综合考虑下，设置三个中断路段，时长分别为30s、60s和120s。在这3条不同路段的中断点按A、B、C编号，A为中断30s路段，B为中断60s路段、C为中断120s路段。
5.2 不同神经网络预测性能比较
1.实验参数设置
为了评估LSTM预测模型的性能，选取BP和RNN神经网络模型设计一组对比实验。实验旨在比较不同神经网络模型在导航数据预测任务上的表现，将导航数据分为训练集和测试集，分别使用BP、RNN和LSTM构建预测模型，并在相同的数据集上进行训练和测试。对每种方法进行训练和参数调优，确保三种方法在相同的基础条件下进行比较。LSTM参数设置与第4.3.2节中表4.3一致。
2.模型评价标准设置
在实验结果分析中，通过比较模型在测试集上的预测准确度、泛化能力等指标，可以对比三种神经网络的性能表现。评价指标采用平均绝对百分比误差(MAPE)、均方根误差(RMSE）和平均绝对误差(MAE)，评估它们在导航数据预测中的表现。此外，采用决定系数(R2)衡量模型的预测能力和拟合程度。R2的取值范围在0到1之间，越接近1表示模型对数据的拟合越好。
第6章 结论与展望
6.2 展望
本文主要针对GNSS拒止时，组合导航精度下降这一问题，提出一种基于LSTM的组合导航异构信息融合算法。但是由于时间以及能力条件所限，在研究过程中还存在很多的不足，包括以下几个方面：
1.本文研究主要集中在一些基础的神经网络框架来处理INS/GNSS数据，可以针对INS/GNSS数据的特点和导航问题的需求，设计更加复杂和灵活的神经网络结构。这些网络结构可以考虑引入更多的层次和连接方式，以提取数据中的更丰富和更有效的特征信息。
2.本文着重对INS/GNSS松组合方式进行了深入研究，以探索其在提高导航系统性能方面的潜力。然而，INS/GNSS紧组合和深组合导航模型在实际应用中也具有重要意义，因此，未来的研究可以进一步拓展到这两种导航模型下的探索。 3.考虑到单一模型在解决复杂导航问题时的局限性，可以采用图神经网络等先进方法来进行信息融合和处理，以进一步提高导航系统的性能和可靠性，提高对环境变化的感知能力。
参考文献（略）
