1.一种适用于时变量测噪声的组合导航数据融合方法，其特征在于，所述方法包括：步骤1、构建基于经验模态分解EMD和改进的门控循环单元GRU的量测序列预测模型；

步骤2、根据步骤1中的量测序列预测模型对量测噪声进行重构，获取重构后的量测噪声序列 ；

步骤3、利用步骤2中重构后的量测噪声序列 ，对量测噪声协方差 进行更新，以完成对组合导航数据的融合；

所述步骤1包括：

步骤11、给定 时刻前 个时刻的状态估计值序列和 时刻以及 时刻后 个时刻的量测估计值序列 ，对状态估计值序列进行经验模态分解EMD分解，得到高频本征模态函数 、中频本征模态函数 和低频本征模态函数 ；

步骤12、对步骤11中的高频本征模态函数 进行经验模态分解EMD分解，得到 个本征模态函数 ；将 个本征模态函数 、中频本征模态函数 和低频本征模态函数 组成新的本征模态函数分量集合；

步骤13、将步骤12中新的本征模态函数分量集合和步骤11中量测估计值序列 分别作为输入样本和输出样本对改进的门控循环单元GRU进行训练，得到量测序列预测模型。

2.根据权利要求1所述的方法，其特征在于，所述改进的门控循环单元GRU的获取方式为：在门控循环单元GRU中增加激活函数LeakyReLU，以对全连接层的输出进行约束；将损失函数Huber loss作为输出，并将其反馈至门控循环单元GRU的重置门和更新门，进行误差的反向传播，以得到改进的门控循环单元GRU；

激活函数LeakyReLU的表达式 为：；

其中， 表示输入量， 表示超参数；

损失函数Huber loss的表达式 为：；

其中， 表示模型的输出值， 表示真实值， 表示阈值参数。

3.根据权利要求1所述的方法，其特征在于，所述步骤2包括：步骤21、将在 时刻累积的量测序列表示为 ，其中 表示在 时刻的 量测 ， 表 示正 整数 ；将 时 刻前 个时 刻的 状态 估计 值序 列，经步骤1处理后并输入量测序列预测模型，得到预测的量测序列 ；根据预测的量测序列对 时刻累积的量测序列 进行扩展，得到扩展后的量测序列为 ；

步骤22、通过经验模态分解EMD对扩展后的量测序列 进行分解处理，分解得到的第一阶本征模态函数为 ，即重构的量测噪声序列 ，其中， 。

4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：步骤31、利用重构后的量测噪声序列 ，对量测噪声协方差 进行更新计算，其计算的表达式为：；

其中， ， 的取值范围为[0.99，0.999]；

步骤32、给定一个组合导航系统的系统模型，其表达式为：；

；

其中， 表示在 时刻 维的状态量； 表示在 时刻 维的量测；

表示状态方程； 表示量测方程； 表示过程噪声； 表示量测噪声；

给定在 时刻过程噪声的协方差 、量测噪声的协方差 、状态量估计值和状态量误差协方差 的值；

首先，通过如下表达式计算容积点 ：；

其中， ， 表示乔列斯基分解； ，表示 维单位矩阵的第 列向量； ；

获取组合导航系统的预测状态 及其误差协方差 ，其表达式分别为：；

；

其中， ；

获取先验容积点误差矩阵 ，其表达式为：；

其中， ， ；

对先验容积点误差矩阵 进行更新，其更新的表达式 为：；

获取用于近似似然函数的传播容积点 ，其表达式为：；

其中， 表示 的第 列向量， ；

然后，计算量测预测值 以及状态预测值和量测预测值之间的互协方差，其表达式分别为：

；

；

通过更新得到的量测噪声协方差 ，计算量测预测值误差的协方差 ，并更新状态估计值 及其误差协方差 ，其表达式分别为：；

；

；

其中， 表示卡尔曼增益，且 ； 表示 的转置矩阵；

最后，更新后验容积点误差矩阵 以及用于下一次组合导航数据融合的容积点 ，其表达式分别为：；

；

其中， 表示参数矩阵， 表示 的第 列向量， 。