(东南大学 仪器科学与工程学院，南京 210096)

0 引言

在地籍测量过程中，捷联惯性导航系统(SINS)和GPS 是两种主要测量方式.SINS 通过安装在载体上的陀螺仪和加速度计测量角速度和加速度，不仅可以计算出载体在参考坐标系中的相对运动，还能提供速度和姿态信息.但由于传感器的测量误差不断累积，会导致SINS 的定位误差将快速发散.GPS 可持续全天候提供高精度的位置信息，然而在实际使用过程中信号容易受到遮挡和干扰，导致不能进行定位解算.因此，对SINS 和GPS 进行数据融合，优势互补，使融合后的定位精度高于各系统单独工作的精度，是目前最常见的方式之一[1-2].

在SINS/GPS 组合数据融合算法中，国内外学者应用最多的是卡尔曼滤波(KF)算法以及由KF 改进的非线性滤波算法[3-4].这些滤波算法在组合导航中都有非常好的效果，然而在实际使用过程中，GPS 信号长时间失效将导致该组合方式失效，滤波器不能进行量测更新，系统进入纯惯性导航模式，定位精度快速下降.近年来，以神经网络为代表的人工智能发展迅速，神经网络因其对非线性问题有强大的处理能力和无限逼近拟合函数等优势，也开始广泛应用于卫星导航领域[5].文献[6]针对SINS/GPS 组合导航系统在GPS 信号不可用时，其定位精度产生较大退化问题，提出了遗传算法优化的径向基函数神经网络(RBFNN)辅助组合导航定位的方法.为了解决因先验知识不足而引起的滤波发散，文献[7]和文献[8]提出改进的RBFNN 与自适应卡……