KPCA-改进RBF神经网络辅助的GPS-UWB协同定位方法 &nbsh1; KPCA/改进RBF神经网络辅助的GPS/UWB协同定位方法 孙 伟，曹红阳 KPCA/改进RBF神经网络辅助的GPS/UWB协同定位方法 孙 伟，曹红阳 （辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000） 针对车辆协同定位系统中，由于超宽带（UWB）信号中断导致协同定位解算精度下降的问题，提出基于核主成分分析（KPCA）/...
孙 伟，曹红阳
KPCA/改进RBF神经网络辅助的GPS/UWB协同定位方法
孙 伟，曹红阳
（辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000）
针对车辆协同定位系统中，由于超宽带（UWB）信号中断导致协同定位解算精度下降的问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ，提出基于核主成分 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 （KPCA）/改进径向基（RBF）神经网络辅助的全球定位系统（GPS）/UWB紧组合协同定位方法。通过KPCA提取输入数据的非线性主成分进行降维处理，并利用改进K均值算法及遗传算法（GA）优化RBF神经元中心及连接权值等重要参数；当UWB信号中断时，利用训练好的神经网络对GPS/UWB紧组合系统进行补偿，解算出可靠的状态估计信息。实验结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明，所提算法与无辅助时及基于粒子群（PSO）/RBF辅助时相比，平均定位误差分别减小56.1%和28%，有效提升车辆协同定位精度及稳定性。
神经网络；紧组合；协同定位；核主成分分析；遗传算法
近年来，车载自组织网络等智能体系统协同定位技术受到了广泛讨论和关注，而相对导航定位则是多平台协同定位中保持定位精度的主要方式[1-2]。同时，随着近年来超宽带（ultra wide band, UWB）
研究与应用的不断深入，基于UWB辅助的协同定位方式正逐渐成为实现相对导航定位的重要手段[3-6]。但UWB信号抗差性较差，特别是对于车辆间协同定位来说，经常面对复杂的应用环境，UWB容易受到干扰而出现异常甚至失效，继而造成依赖UWB辅助的车辆协同定位精度的大幅降低。目前，针对传感器受限而失效的解决 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 一般都是通过采用更高精度的传感器或在组合导航系统中加入其他传感器的方式来提升精度[7]，但这势必会增加系统运行成本与复杂度。
径向基（radial basis function, RBF）神经网络拥有很好的非线性函数拟合及泛化能力，学习收敛速度迅速，适用于导航信息融合过程中的传感器误差补偿。近年来，一些研究人员开始尝试在导航信息融合过程中依靠RBF神经网络进行误差补偿来提高系统精度。文献[8]设计一种RBF神经网络辅助的导航算法来补偿在UWB信号中断后的UWB/惯性导航系统（inertial navigation system, INS）组合导航的定位误差。文献[9]提出基于RBF辅助容积卡尔曼滤波的多自主水下航行器协同定位系统，相较无RBF辅助时精度有较大提升。文献[10]利用RBF神经网络辅助扩展卡尔曼滤波（extended Kalman filter, EKF），提升了全球定位系统（global position system, GPS）拒止环境下姿态估计的准确性。文献[11]将RBF神经网络应用于惯导系统中，并成功对惯导系统进行误差校正。综上可见，利用RBF进行误差补偿以辅助导航定位，有一定的可行性。然而，常规RBF神经网络选取基函数中心的方式为从数据点中随机选取，这会导致神经元中心与宽度参数以及连接权值等重要参数的可靠性下降，显然达不到协同定位解算对于神经网络非线性映射能力及高精度预测的需求。
基于上述分析，考虑到车辆协同导航定位特性及滤波运算复杂度，针对UWB信号中断，造成协同定位精度迅速下降的问题，提出基于核主成分分析（kernel principal component analysis, KPCA）结合RBF神经网络（KPCA-RBF）辅助EKF的GPS/UWB紧组合协同定位方法：通过KPCA算法进行数据降维处理，采用K-means++算法优化高斯核函数中心，得到最优神经元中心值及尺度因子；采用遗传（genetic algorithm, GA）算法优化RBF连接权值，达到优化神经网络结构，提升网络性能及预测精度的效果；利用优化后的RBF神经网络输出对基于EKF的GPS/UWB紧组合系统进行补偿，得到更加精确的滤波估计，进而在UWB失效时为用户提供连续、稳定的高精度协同定位结果。
在此基础上，将伪距双差和多普勒频移双差与UWB量测值进行紧组合，生成相应位置估计。系统状态方程定义为：
由上述推导构建量测方程后，结合状态方程，进入EKF滤波器递推，递推过程为
RBF神经网络是一种经典且高效的前馈式神经网络，具有很好的非线性函数拟合及泛化能力，同时具有拓扑结构紧凑、收敛速度快等优点[13-14]。因此本文采用RBF神经网络辅助EKF进行误差修正。RBF神经网络结构如图1所示。
图1 RBF神经网络结构
经过参数优化后可得到更加精确的RBF神经网络输出，计算公式为
核主成分分析是由Schokopf等人提出的一种非线性主成分评价模型，相较主成分分析能够更加精确描述非高斯分布数据[15]。本文利用其对原始输入数据进行降维处理，达到提升运算效率的效果。
代入式（26），简化为
经过内积替换后结果为
做出有效改进，可实现对高斯核函数中心确定方式的优化，该算法核心流程如下：
根据计算结果，对染色体排序并得出最佳适应度，之后GA算法通过选择、交叉、变异3步，最终得到最优个体[17-19]，本文在此采用经典的轮盘赌选择法来选择算子。经过染色体多次的单点交叉以及突变等，产生新的种群，返回计算新的神经网络训练误差，如此反复，直至得到最
浙公网安备 33021202002483