论文部分内容阅读
经典的Kalman滤波方法,运用状态空间的描述方法,它对于线性滤波问题提供了一个递归的解决方案。然而其固有的缺陷限制了它的实际应用,Kalman滤波要求具体的理论模型和已知噪声的统计特性,而且某些情况下滤波精度不是很高,易发散,并会出现计算量偏大、可能产生维数灾难等一系列的问题。神经网络虽然不要求具体的理论模型,但噪声过滤能力较差,尚且还存在普适能力弱、过度依赖样本、实际应用上不好实现和存在过拟合现象等问题。所以神经网络和Kalman滤波这两种算法具有极强的互补性,两种算法的组合使用会变得十分有应用价值。本文旨在将两种方法进行有机的结合,使组合算法的性能优于其中的任意一种单一的方法,拓宽其适用范围。首先对Kalman滤波方法和其非线性状况下的衍生方法的原理和应用进行了探究并仿真,然后详细描述了BP神经网络的设计与优化过程并借助Matlab仿真验证优化方案的有效性。随后提出了用影响Kalman滤波精度的一些参数作为BP神经网路输入进行学习训练,再用优化好的网络对Kalman滤波过程进行校正的两种方法的组合算法。最后也用仿真验证了该组合算法的在组合导航应用中的优良性能。通过仿真软件验证,本文提出的组合算法有较好的性能和更广的应用范围,使滤波的稳定性和精度都有提高,满足了最初设计的相关要求,从仿真效果来看,基本上达到了预期的效果。