课题推荐——基于大数据预测的水面舰艇惯性/星敏感器抗干扰组合导航方法研究

在水面舰艇导航中，星敏感器作为一种重要的高精度定位设备，因其受环境因素（如海面风浪、云层等）影响而导致测量精度下降，尤其是在载体变化和观星高度变化的情况下，星敏感器的性能受到显著影响。这使得其无法有效作为惯性误差校准的基准信息。为了解决这一问题，本项目提出一种基于大数据预测的船用惯性/星敏感器抗干扰组合导航方法。

研究目标

本研究旨在通过引入自适应差分进化BP神经网络（ADE-BPNN）和粒子群优化算法，开发一种有效的信息融合方法，以提高水面舰艇在复杂环境下的导航精度和可靠性。同时，针对星敏感器失效的不同状态，设计相应的融合算法，保证系统在各种情况下的稳定性。

研究内容

星敏感器拖尾现象的分析

• 分析因水面舰艇的摇摆运动引起的星敏感器测量拖尾现象。
• 研究该现象对导航精度的影响。

基于ADE-BPNN的姿态预测

• 提出自适应差分进化BP神经网络（ADE-BPNN）用于载体姿态预测，消除星敏感器导航误差。
• 通过时间序列预测技术，优化星敏感器信息。

星敏感器失效状态下的信息融合方法

• 针对短期失效，提出基于粒子群优化算法的BP神经网络信息融合方案。
• 针对长期失效，提出基于自适应联邦滤波算法的信息融合方案。

性能评估

• 评估所提方法在提高导航精度和系统可靠性方面的有效性。

创新点

1. 抗干扰组合导航方法：提出基于大数据预测的惯性/星敏感器组合导航方法，提升导航精度。
2. 自适应差分进化BP神经网络：引入ADE-BPNN进行姿态预测，优化星敏感器导航信息。
3. 粒子群优化算法与自适应联邦滤波结合：设计针对星敏感器短期和长期失效的不同信息融合策略。

MATLAB 代码示例

以下是一个基于自适应差分进化BP神经网络的姿态预测示例代码，该代码为星敏感器输出的模拟数据进行预测，以消除拖尾现象。

自适应差分进化BP神经网络（ADE-BPNN）示例

% MATLAB代码示例：自适应差分进化BP神经网络的姿态预测

% 清空环境
clc;
clear;
close all;

% 模拟参数
numDataPoints = 100; % 数据点数量
time = (1:numDataPoints)'; % 时间序列
true_angle = sin(0.1 * time) + 0.1 * randn(numDataPoints, 1); % 真实角度（带噪声）

% 划分训练集和测试集
train_ratio = 0.8;
train_size = round(numDataPoints * train_ratio);
train_data = true_angle(1:train_size);
test_data = true_angle(train_size+1:end);

% 数据标准化
max_val = max(train_data);
min_val = min(train_data);
train_data_norm = (train_data - min_val) / (max_val - min_val);
test_data_norm = (test_data - min_val) / (max_val - min_val);

% BP神经网络参数
input_size = 1; % 输入层节点数
hidden_size = 10; % 隐藏层节点数
output_size = 1; % 输出层节点数

% 初始化BP神经网络
net = feedforwardnet(hidden_size);
net = configure(net, (1:train_size)', train_data_norm');
net.divideFcn = 'divideind';
net.divideParam.trainInd = 1:train_size;
net.divideParam.valInd = [];
net.divideParam.testInd = [];

% 训练网络
net.trainParam.epochs = 500;
net.trainParam.goal = 0.01;
net = train(net, (1:train_size)', train_data_norm');

% 预测
pred_train = net((1:train_size)');
pred_test = net((train_size+1:numDataPoints)');

% 反标准化
pred_train = pred_train * (max_val - min_val) + min_val;
pred_test = pred_test * (max_val - min_val) + min_val;

结论

本研究提出的基于大数据预测的船用惯性/星敏感器抗干扰组合导航方法，通过引入自适应差分进化BP神经网络和粒子群优化算法，有效提高了水面舰艇在复杂环境下的导航精度和可靠性。研究成果为进一步推广无人艇及其他水面舰艇的导航技术提供了理论支持和应用基础。

如需帮助，或有导航、定位滤波相关的代码定制需求，请点击下方卡片联系作者