基于SVM的航位推算误差补偿

TP630.33%U666.1; 在使用机器学习方法对自主水下航行器(AUV)航位推算进行误差补偿时,通常采用神经网络算法.但神经网络需要大量的训练样本才能达到稳定的训练结果.为了解决此问题,文中对支持向量机(SVM)在航位推算的误差补偿问题进行研究.利用SVM训练出误差补偿模型,对航位推算进行误差补偿,提高了导航精度.误差补偿模型选取AUV的俯仰角、横滚角和航向角,多普勒计程仪(DVL)对地的前向、右向和天向速度以及航位推算时间等 7 个参数作为输入参数,以全球卫星定位系统(GPS)和惯导+DVL组合提供的经纬度与航位推算的经纬度差作为模型的输出,训练出误差补偿模型.对比神经网络算法,在数据...

Full description

Saved in:
Bibliographic Details
Published in水下无人系统学报 Vol. 32; no. 6; pp. 1009 - 1017
Main Authors 李鑫, 王晓鸣, 武建国, 赵基伟, 忻加成, 陈凯, 张彬
Format Journal Article
LanguageChinese
Published 天津市深远海智能移动勘测装备研发重点实验室,天津,300300 01.12.2024
天津瀚海蓝帆海洋科技有限公司,天津,300300
天津科技大学机械工程学院,天津,300202%天津科技大学机械工程学院,天津,300202
天津市深远海智能移动勘测装备研发重点实验室,天津,300300%天津瀚海蓝帆海洋科技有限公司,天津,300300
Subjects
支持向量机
error compensation
航位推算
support vector machine
误差补偿
autonomous undersea vehicle
自主水下航行器
dead reckoning
Online AccessGet full text
ISSN2096-3920
DOI10.11993/j.issn.2096-3920.2024-0004

Cover

More Information
Summary:TP630.33%U666.1; 在使用机器学习方法对自主水下航行器(AUV)航位推算进行误差补偿时,通常采用神经网络算法.但神经网络需要大量的训练样本才能达到稳定的训练结果.为了解决此问题,文中对支持向量机(SVM)在航位推算的误差补偿问题进行研究.利用SVM训练出误差补偿模型,对航位推算进行误差补偿,提高了导航精度.误差补偿模型选取AUV的俯仰角、横滚角和航向角,多普勒计程仪(DVL)对地的前向、右向和天向速度以及航位推算时间等 7 个参数作为输入参数,以全球卫星定位系统(GPS)和惯导+DVL组合提供的经纬度与航位推算的经纬度差作为模型的输出,训练出误差补偿模型.对比神经网络算法,在数据量较少的前提下,SVM训练模型和神经网络训练模型的相对误差分别为 0.28%和 0.93%.进而通过湖上试验得出,SVM训练模型能够将航位推算的相对误差控制在 0.5%内.
ISSN:2096-3920
DOI:10.11993/j.issn.2096-3920.2024-0004