神經(jīng)網(wǎng)絡與卡爾曼濾波算法的研究.pdf

1、本課題重點研究了神經(jīng)網(wǎng)絡和Kalman濾波的輔助性結合算法。神經(jīng)網(wǎng)絡的映射逼近能力和自學習能力，適用于很多非線性問題；而Kalman濾波則是信息、導航系統(tǒng)等領域中最常用的一種算法，可以實現(xiàn)系統(tǒng)狀態(tài)的最優(yōu)估計。然而這兩種方法各有缺陷：神經(jīng)網(wǎng)絡雖不需要系統(tǒng)確切的數(shù)學模型，但有導師學習需要正確的學習樣本(或訓練樣本)，大量噪聲學習樣本會導致一個錯誤的學習結果，致使神經(jīng)網(wǎng)絡失效；同時神經(jīng)網(wǎng)絡學習速度慢、泛化能力不強等問題也限制了它在工程中的應用

2、。另一方面，Kalman濾波必須有系統(tǒng)確切的數(shù)學模型，以及噪聲信息的概率特性，這種方法計算精度不高，易發(fā)散失效，還存在計算量大、維數(shù)災難等問題。
　　針對神經(jīng)網(wǎng)絡的學習問題，本文提出了兩種改進方法：基于DFP的神經(jīng)網(wǎng)絡學習算法和基于Kalman濾波的神經(jīng)網(wǎng)絡學習算法。前者通過放大更新量，增加噪聲擾動，改善了原算法的不穩(wěn)定性，解決了溢出問題，增強了算法實用性。后者首先在時間更新部分，通過其他學習算法給出預測權值的更新量，然后利用這個

3、結果修改Kalman濾波增益表達式，獲得了一套新式的時間更新和測量更新運算，緩解了維數(shù)災難和大量計算性問題，增強了神經(jīng)網(wǎng)絡的魯棒性，同時還可以采用批處理方式進行神經(jīng)網(wǎng)絡的學習，大大提高了神經(jīng)網(wǎng)絡的學習效率。
　　針對Kalman濾波的缺陷，文本研究了另一種神經(jīng)網(wǎng)絡和Kalman濾波的輔助性結合算法：以Kalman濾波為算法主體，從補償技術的角度出發(fā)，通過采用兩個神經(jīng)網(wǎng)絡分別學習Kalman濾波的預測結果和真實結果，并分別在時間更新