论文部分内容阅读
神经网络是模仿生物神经网络结构和功能的数学模型。卡尔曼滤波器是线性最小方差估计,是一种进行数据处理的最优递推算法。神经网络和卡尔曼滤波都具备完善的数学理论,实际应用也很广泛,但这蹦套理论都有各自的一些缺陷。根据神经网络和卡尔曼滤波在数学理论上的相通性和辅助组合上的适宜性,能够将这两种算法相结合,组成自适应性强、智能的、高精度的组合算法,既利用了卡尔曼滤波的估计能力也利用了神经网络的学习能力。本文主要对神经网络和卡尔曼滤波相结合的组合算法进行研究。并将组合算法应用于未知参数LQG问题的研究一1一。 首先研究了基于卡尔曼滤波的RBF神经网络。这里以扩展卡尔曼滤波作为学习算法学习网络的权值和中心,通过与两种传统算法聚娄法、OLS法的比较,这种新方法误差更小,精度更高。 其次是关于RBF神经网络辅助卡尔曼滤波器的研究。这里以卡尔曼滤波算法为主体,从补偿技术的角度出发,通过采用RBF神经网络学习卡尔曼滤波的预测结果,并在时问更新部分对相应结果进行修正,从而改善了卡尔曼滤波容易发敖、精度差等问题。 最后针刘+未知参数的LQG问题,应用RBF神经网络和卡尔曼滤波的组合算法来估计未知参数。 神经网络和卡尔显滤波这两种算法的组合算法,扬长避短,把-者的优点结合在一起,改善了各自算法的缺陷,增强了算法的实用性。