BP神经网络在信息融合技术中的应用

BP神经网络信息融合技术中的应用
宋志英
辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）
摘要：主要介绍了组合导航系统中GPS/INS(卫星导航定位/惯性系统制导)中的传感器信息融合方法,并提出了多源图像融合制导的思想与方法.本文指出比较有应用前景的信息融合研究方法是基于模糊逻辑、小波分析等方法。

为此提出了引入Elman神经网络,描述了它的状态估计的设计方法。

,进而用Matlab程序实现神经网络的训练过程。

关键词:多传感器；组合导航；信息融合；BP神经网络；卡尔曼滤波
1. 引言
全球定位系统(GPS)是一种高精度的全球实时的卫星导航定位系统, 它是当前应用最为广泛的卫星导航定位系统，使用方便、成本低廉，操作简便。

但它存在着动态响应能力较差, 易受外界信号干扰、动态环境中可靠性差以及数据输出频率低及等及完善性较差的缺点。

惯性导航系统(INS)由于工作的完全自主性,成为目前航行体上的主要导航设备之一,但存在着误差会随时间增大的缺点。

为克服这些缺点,根据INS和GPS导航功能优势互补的特点,以适当的方法将两者组合起来提高系统的整体导航精度。

GPS接收机在惯导位置和速度信息的辅助下,也将改善捕获、跟踪和再捕获的能力,并在卫星分布条件差或可见星少的情况下导航精度不致下降过大[1]。

由于优点显著,GPS/INS组合系统被一致认为是飞行载体最理想的组合导航系统,GPS和INS数据融合算法中最常用的工具是卡尔曼滤波器[2],但是在使用卡尔曼滤波器时,尚有许多问题有待解决,如处理速度等。

本文设计了实现车载GPS／INS组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。

提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于GPS／INS组合导航系统的最优综合校正中。

因此，将GPS的长期高精度特性与INS的短期高精度特性进行有机结合，使两者的组合起到优势互补的作用。

2. INS/GPS组合系统模糊推理规则
由于GPS/INS的系统误差以及外界干扰的影响，因此，组合导航系统模型的系统误差和量测噪声事先是未知的或难以精确确定的信号。

模糊推理（如图1所示）是以模糊逻辑为基础模拟人的思维并进行知识处理，模糊系统的隶属度函数等设计参数依靠经验进行。

通常，卡尔曼滤波器用于解决导航系统的参数估计问题，它可以从被噪声污染的观测值中实时地估计出系统的状态。

但是，实际系统是一个复杂的非线性系统模型，难以用精确的数学模型描述。

由于惯性元器件、GPS接收机输出数据误差的不确定性，系统噪声和量测噪声是事先未知或不能确定的信号。

因此，使用卡尔曼滤波进行导航参数的估计时，系统参数估计的精度及可靠性受到很大的限制。

模糊聚类多用于图像融合与图像边缘检测.聚类是按照一定的标准对用一组参数表示的样本群进行分类的过程.其中比较常用的是模糊c-均值聚类算法.模糊聚类的过程,也就是样本中的特征参数被融合、样本按标准被分类的过程.当选定一种相似性度量、差别检验以及停止规则后,就可得到一种特定的聚类分析算法.一般来讲,相似性度量的定义、聚类算法的选择、数据的排列方位,甚至输入数据的次序,都可能影响聚类的结果.因此,在使用聚类分析法时,应对其有效性和可重复性进行分析,已形成有意义的属性聚类结果.
3. Elman神经网络进行状态估计方法的设计
由于卡尔曼滤波的运算时间与组合系统阶次的三次方成正比，所以当组合系统阶次较高时，滤波器会失去实时性。

本文采用多种参量融合技术，对惯性元器件加速度计采集的信号进行模糊化处理，确定初始的模糊规则集。

对于任何一种神经网络而言，首先得有网络的学习（即训练），只有训练后的神经网络才能够发挥它的作用。

而在实际中训练数据的获取是比较困难的，但又很关键。

由于在恶劣环境或信号干扰较大的情况下对目标状态的真实位置（如纬度、精度、高度）、速度（东向、北向、天向）等并不能精确测定，都是通过各类导航传感器获得有关观测量进行状态的估计，从而获得相应导航的各种参数值。

然后我们都是通过这些观测量进行组合状态的最优估计。

我们可以设想：对同一状态参量（即X固定不变），给予不同量测噪声集V（ik）（注：这些量测噪声特性如其协方差的值应当在组合导航系统所能允许噪声最大值的范围类进行均匀选取），i代表的是噪声集个数，k代表的是采样的周期，因此，通过量测方程就可以获得对应的量测的值集Zi(k)。

然后对这些量测值用卡尔曼滤波法进行状态的最优估计，来获得系统相应的状态的估计值，于是就把获得的这些状态估计值的期望值作为导航参数的真实值，并且作为Elman神经网络的期望输出样本，把测量值作为网络的输入样本，对网络就可以进行训练。

通过神经网络进行训练，根据输入输出样本自动设计和调整模糊系统的设计参数，从而实现对INS/GPS组合系统导航参数的最优估计，由试验结果可以看出该算法的顽健性和实时性大大优于传统的卡尔曼滤波方法。

上述原理可用图2所示方框图来说明。

小波变换的多尺度和多分辨率特性可在信息融合中起到数据融合、特征提取的作用。

小波变换亦成为图像融合算法研究的焦点[3~6],在对可见光图像和红外图像融合研究中已有不少工作.为此,本文假设性的提出了一种基于小波变换的图像融合/匹配方法.经过融合的图像具有更多的特征信息,在此基础上进行景象匹配或目标识别,将得到更高的匹配概率和识别率,从而可以提高GPS/INS导航定位的精度.
图 2 Elman神经网络状态估计原理图
4. GPS/INS组合系统数据融合算法结构
人工神经网络是由大量简单的称为神经元的处理单元以某种拓朴结构广泛地相互连接而成的非线性动力学系统,它是在对以人脑为代表的生物神经系统的组成结构和行为特征进行研究的基础上提出的[7]。

图3中给出了GPS/INS组合导航定位系统的卡尔曼滤波实现方案。

行驶方向信息、速度信息、转弯信息由速度陀螺和里程仪给出,推算定位模块的输出信息和GPS的定位信息进行数据融合,通过卡尔曼滤波给出状态量的估计,然后对推算定位进行校正,作为系统的输出。

图 3 BP/GA辅助卡尔曼滤波混合算法模型
BP神经网络是由大量简单的神经元按一定的结构互连而成的非线性动力系统(见图4),是对人体大脑信息处理机制的某种简化、抽象和模拟。

标准的BP网络训练算法可分为信息的正向传播和误差的反向传播两步训练过程[8],正向传播是输入信号从输入层经隐层传向输出层,若输出层得到了期望的输出,则学习算法结束;否则,转至反向传播。

r
q
输入层 隐含层 输出层
图 4 BP 网络模型结构
5. 神经网络的训练过程
本文利用MATLAB 的神经网络工具箱提供的函数对动态虚拟基准站的神经网络进行训练。

按
照MATLAB 神经网络的规则,隐层神经网络的决策函数采用sigmoid 型变换函数tansig,输出层采用线性函数purelin,那么整个网络的输出就可以取任意值[9]。

在对神经网络进行初始化时,按照规则输入值中应包括输入值的最大值和最小值,这样才能保证得到最佳的初始值。

采用上述神经网络模型进行仿真实验,当输入值为:GPS 测量值纬度是43.904 415 277 7(°),经度是125.317 487 500 0(°),期望值纬度是43.904 464 555 7(°),经度是125.318 125 693 2(°),这时数据融合后的坐标为:
λ=43.904 517 949 1, L =125.31 760 053 7
根据期望值计算出经度与纬度的误差为:
X ∆=0.000 052 2671, Y ∆=0.000 055 3037
由实验得到纬度误差平均值为:
1
1n
i i n λ=∆∑×1852.189×60=9.145 947 287 9 m 经度误差平均值为:
1
1n
i i L n =∆∑×1 852.189×60=8.808 512 865 4 m 本文以GPS/INS 组合系统中的信息融合技术的融合结构与融合方法为对象进行了综述和讨论.综上所述,比较有前景的信息融合研究方法是基于模糊逻辑、小波分析、神经网络等人工
智能的新方法,以及这些新方法与传统的随机类方法相结合的随机—人工智能的信息融合方法.
参考文献
[1]黄伟.采用卡尔曼滤波器的GPS/INS组合系统模拟仿真[J].导航,1994,4(2):57-69.
[2]吴秋平.GPS/惯性组合导航系统研究进展[J].导航,1998,8(4):1-10.
[3] Burl PJ, A Delson E H. Merging images Though Pattern De-composition. SPIE Applications Of Digital
Image Processing
[4] Toed A,Van Ruyven LJ. Merge Thermal And Visual ImagesBy A Contrast Pyramid. Optical Engineering,
1989,28:789~792
[5] Toed A. Multiscale Contrast Enhancement With ApplicationsTo Image Fusion. Optical Engineering,
1992,31:1026~1031
[6] Ranchin T, Wald L. Efficient Data Fusion Using WaveletTransform: The Case Of SPOT Satellite Images.
SPIE Mathe-matical Imaging, 1993,2034:171~176
[7] 朱坚民.基于神经网络的测量模型的建立及检验[J].光学精密工程,2000,8(4):389-393.
[8] RumelhartD.E. Learning representation by back-propaga-ting errors[J]. Nature, 1986, 323(9): 533-536.
[9]楼顺天.基于MATLAB的系统分析与设计-神经网络[M].西安:西安电子科技大学出版社,1998.
BP neural network’s application in the information fusion
technology
Song Zhiying
Liaoning Technical University of Surveying and Mapping and Geographic Sciences, Fuxin,
Liaoning (123000)
Abstract
Mainly introduced the sensor information fusion method in integrated navigation system GPS/INS (satellite navigation/inertial tracking), and proposed the multiple source image fusion thought and method. This article pointed out that the prospect information fusion research technique is based on fuzzy logic, wavelet analysis method etc. Therefore it introduces the Elman neural network, described its design method of the state estimation, and then realizes the neural network training process with the Matlab procedure.
Keywords: Multi-sensors; Integrated navigation; Information fusion; BP neural network; Kalman filtering。