【组合导航】弹道导弹SINS和CNS组合导航 （含真实弹道 解算弹道 位置误差 速度误差 俯仰角误差）【含Matlab源码 4632期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、弹道导弹SINS和CNS组合导航 简介

SINS和CNS组合导航是一种惯性导航系统，它利用了惯性传感器（如加速度计和陀螺仪）和天线组成的GPS接收机，以实现精确的位置、速度和姿态测量。具体来说，SINS（Strapdown Inertial Navigation System）指的是以机体为基准的惯性导航系统，它通过测量加速度和角速度来计算航向、俯仰和横滚角等状态量。而CNS（Carrier Navigation System）则是以卫星信号为基准的导航系统，它通过接收GPS信号来测量位置、速度和时间等参数。

组合导航将SINS和CNS两种导航系统进行融合，可以克服各自存在的精度限制，提高导航精度和可靠性。具体地，组合导航将CNS测量的位置、速度和时间信息作为SINS的初始值，然后利用SINS不断积分并更新位置、速度和姿态等状态量。当CNS接收到新的GPS信号时，再利用差分技术对SINS测量的状态进行校正，从而提高导航精度。

GNSS 定位的长期稳定性与 SINS 系统定位的短期精确性具有近乎完美的互补特性，将两者进行组合可以显著提高导航精度。目前，大多数 SINS/GNSS 组合导 航系统是利用 Kalman 滤波器将两者组合起来的。因此，组合系统的滤波器状态、量测信息、实现方式以及系统校正方式和组合深度都会影响到 SINS/GNSS 组合系统的工作性能。GNSS 与 SINS 的组合导航主要有三种模式：松组合、紧组合、深组合。

松组合的组合模式较为简单。在 GNSS 正常工作时，将 SINS 与其位置、速度之差作为量测信息送入卡尔曼滤波器，然后通过滤波器估计并校正 SINS 误差。此组合模式具有简单实用，便于实现，系统流程如下图所示。

紧组合利用伪距、伪距率进行组合。伪距、伪距率为 GPS 接收机给出的信息， SINS 无法直接给出，因此需要根据 SINS 输出位置和速度信息，结合 GPS 接收的星历信息，计算出相应于 SINS 的伪距、伪距率，然后将两个系统伪距、伪距率的差值作为组合滤波器的输入。最后利用卡尔曼滤波器估计并反馈 SINS 误差，同时还对接收机钟差等参数进行估计。系统流程图如下图所示：

相对于松组合模式，紧组合最大优点是在可见星的个数少于 4 颗时也可以使用，而且理论和工程应用都表明其组合后的位置、速度精度也略高。深组合设计传感器设计内容，尚在研究。

⛄二、部分源代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%% 弹道导弹SINS/CNS组合导航 %%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clear

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 赋初值 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%常值赋初值%
e = 1/298.3; %地球椭圆度
Re = 6378245; %地球赤道半径
wie = [0;0;7.29211510^(-5)]; %地球自转角速率
g0 = 9.7803267714; %地球重力常数
mu = 3.98600510^14; %地球引力常数
J2 = 0.00108263; %重力二阶带谐系数

%轨迹发生器赋初值%
T = 0.01; %采样周期
k1 = 111000; %采样次数
A = pi/2; %发射方位角90度
longitude1 = zeros(1,k1+1); %导弹所在经度
longitude1(1) = 116.34/180pi; %发射点经度116.34度
latitude1 = zeros(1,k1+1); %导弹所在纬度
latitude1(1) = 39.98/180pi; %发射点纬度39.98度
Si = zeros(3,k1+1); %导弹在发射点惯性系下的位置
Sg = zeros(3,k1+1); %导弹在发射点重力坐标系下的位置
Se = zeros(3,k1+1); %导弹在地球坐标系下的位置
phi = zeros(1,k1+1); %发射点惯性系下俯仰角
phi(1) = pi/2; %初始姿态的俯仰角为90度
psi = zeros(1,k1+1); %发射点惯性系下偏航角
gamma = zeros(1,k1+1); %发射点惯性系下横滚角
aibb = zeros(3,k1); %加速度计输出的比力
wibb = zeros(3,k1); %陀螺仪输出的角速度
ap = 40; %弹道导弹推力加速度
vg = zeros(3,k1+1); %导弹在发射点重力坐标系下的速度
vi = zeros(3,k1+1); %导弹在发射点惯性坐标系下的速度
vi(:,1) = [355.488654074268;0;0]; %初速度
t1 = 10; %导弹垂直上升时间
t2 = 60; %主动段转弯结束时刻
t3 = 160; %发动机关机时刻
Cgn = [cos(A) 0 -sin(A); %发射点重力坐标系到北天东坐标系的转换矩阵
0 1 0;
sin(A) 0 cos(A)];
Cne = … %北天东坐标系到地球坐标系的转换矩阵
[-sin(latitude1(1))*cos(longitude1(1)) cos(latitude1(1))*cos(longitude1(1)) -sin(longitude1(1));
-sin(latitude1(1))*sin(longitude1(1)) cos(latitude1(1))*sin(longitude1(1)) cos(longitude1(1));
cos(latitude1(1)) sin(latitude1(1)) 0 ];
Cic = … %发射点惯性坐标系到地心惯性坐标系的转换矩阵
[-cos(A)*sin(latitude1(1))*cos(longitude1(1))-sin(A)*sin(longitude1(1)) cos(latitude1(1))*cos(longitude1(1)) sin(A)*sin(latitude1(1))*cos(longitude1(1))-cos(A)*sin(longitude1(1));
-cos(A)sin(latitude1(1))sin(longitude1(1))+sin(A)cos(longitude1(1)) cos(latitude1(1))sin(longitude1(1)) sin(A)sin(latitude1(1))sin(longitude1(1))+cos(A)cos(longitude1(1));
cos(A)cos(latitude1(1)) sin(latitude1(1)) -sin(A)cos(latitude1(1)) ];
Rc = Re(1-2e+3esin(latitude1(1))^2); %发射点子午圈曲率半径
Ric = … %发射点惯性坐标系在地心惯性坐标系中位置矢量（Rc在地心惯性系中投影）
[Rccos(latitude1(1))cos(longitude1(1));Rccos(latitude1(1))sin(longitude1(1));Rcsin(latitude1(1))];
bt = 1pi/180/3600; %陀螺常值漂移
wgt = 0.5pi/180/3600; %陀螺测量白噪声标准差
epsilon = zeros(3,k1); %陀螺漂移
ba = 100e-6g0; %加速度计常值偏置
wga = 50e-6g0; %加速度计白噪声标准差
anti_delta = zeros(3,k1); %加速度计零偏

%SINS/CNS组合导航赋初值%
Si3 = zeros(3,k1+1); %解算的发射惯性系下的位置
vi3 = zeros(3,k1+1); %解算速度
vi3(:,1) = [355.488654074268;0;0]; %初速度
ini_atti = [10/3600/180pi;6/60/180pi;10/3600/180pi];%初始失准角
phi3 = zeros(1,k1); %解算的俯仰角
phi3(1) = pi/2+ini_atti(1); %初始姿态的俯仰角为90度
psi3 = zeros(1,k1); %解算的航向角
psi3(1) = ini_atti(2); %初始姿态的航向角为0度
gamma3 = zeros(1,k1); %解算的横滚角
gamma3(1) = ini_atti(3); %初始姿态的横滚角为0度
a3 = zeros(3,k1); %导弹的绝对加速度
Q3 = … %四元数初值
[cos(0.5gamma3(1))cos(0.5psi3(1))cos(0.5phi3(1))+sin(0.5gamma3(1))sin(0.5psi3(1))sin(0.5phi3(1));
sin(0.5gamma3(1))cos(0.5psi3(1))cos(0.5phi3(1))-cos(0.5gamma3(1))sin(0.5psi3(1))sin(0.5phi3(1));
cos(0.5gamma3(1))sin(0.5psi3(1))cos(0.5phi3(1))+sin(0.5gamma3(1))cos(0.5psi3(1))sin(0.5phi3(1));
cos(0.5gamma3(1))cos(0.5psi3(1))sin(0.5phi3(1))-sin(0.5*gamma3(1))sin(0.5psi3(1))cos(0.5phi3(1))];

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李永生,董光焰,陈凯,谢亚峰,唐金力.基于卡尔曼滤波的无源定位精度分析[J].弹箭与制导学报. 2022,42(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置