神經(jīng)網(wǎng)絡(luò)與卡爾曼濾波算法的研究.pdf

1、本課題重點(diǎn)研究了神經(jīng)網(wǎng)絡(luò)和Kalman濾波的輔助性結(jié)合算法。神經(jīng)網(wǎng)絡(luò)的映射逼近能力和自學(xué)習(xí)能力，適用于很多非線性問(wèn)題；而Kalman濾波則是信息、導(dǎo)航系統(tǒng)等領(lǐng)域中最常用的一種算法，可以實(shí)現(xiàn)系統(tǒng)狀態(tài)的最優(yōu)估計(jì)。然而這兩種方法各有缺陷：神經(jīng)網(wǎng)絡(luò)雖不需要系統(tǒng)確切的數(shù)學(xué)模型，但有導(dǎo)師學(xué)習(xí)需要正確的學(xué)習(xí)樣本(或訓(xùn)練樣本)，大量噪聲學(xué)習(xí)樣本會(huì)導(dǎo)致一個(gè)錯(cuò)誤的學(xué)習(xí)結(jié)果，致使神經(jīng)網(wǎng)絡(luò)失效；同時(shí)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度慢、泛化能力不強(qiáng)等問(wèn)題也限制了它在工程中的應(yīng)用

2、。另一方面，Kalman濾波必須有系統(tǒng)確切的數(shù)學(xué)模型，以及噪聲信息的概率特性，這種方法計(jì)算精度不高，易發(fā)散失效，還存在計(jì)算量大、維數(shù)災(zāi)難等問(wèn)題。
　　針對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)問(wèn)題，本文提出了兩種改進(jìn)方法：基于DFP的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和基于Kalman濾波的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。前者通過(guò)放大更新量，增加噪聲擾動(dòng)，改善了原算法的不穩(wěn)定性，解決了溢出問(wèn)題，增強(qiáng)了算法實(shí)用性。后者首先在時(shí)間更新部分，通過(guò)其他學(xué)習(xí)算法給出預(yù)測(cè)權(quán)值的更新量，然后利用這個(gè)

3、結(jié)果修改Kalman濾波增益表達(dá)式，獲得了一套新式的時(shí)間更新和測(cè)量更新運(yùn)算，緩解了維數(shù)災(zāi)難和大量計(jì)算性問(wèn)題，增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的魯棒性，同時(shí)還可以采用批處理方式進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，大大提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率。
　　針對(duì)Kalman濾波的缺陷，文本研究了另一種神經(jīng)網(wǎng)絡(luò)和Kalman濾波的輔助性結(jié)合算法：以Kalman濾波為算法主體，從補(bǔ)償技術(shù)的角度出發(fā)，通過(guò)采用兩個(gè)神經(jīng)網(wǎng)絡(luò)分別學(xué)習(xí)Kalman濾波的預(yù)測(cè)結(jié)果和真實(shí)結(jié)果，并分別在時(shí)間更新