一种深度学习的惯性初始对准方法及系统

本发明提供了一种深度学习的惯性初始对准方法及系统，该方法包括：将惯性器件的角速率和比力信息输入到训练好的深度学习网络，获取速度增量，进而获取卫星拒止条件下的速度；所述深度学习网络为交叉螺旋结构的TCN网络；基于深度学习网络输出的速度，通过构建的初始姿态矩阵模型，采用MKF算法求解初始姿态，完成惯性初始对准。本发明充分挖掘TCN残差模块中特征提取与信息关联能力，深度探索惯性器件数据与速度增量的耦合关系，有效提升速度估计精度，从而为拒止惯性初始对准提供有效参数信息参考，并提升惯导初始对准精度。这种方法适用于卫星拒止条件下惯性导航系统初始对准。