基于最优估计神经网络的惯导系统初始对准研究

本文研究了一种基于卡尔曼滤波原理权值更新的多层神经网络学习算法 ,对此算法进行了详细的推证 ,并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性 ,既可获得与卡尔曼滤波器相同的对准精度 ,又提高了系统的实时性。

一种具有鲁棒性的滤波算法在INS/GPS组合导航系统中的应用研究

研究了一种虚拟状态滤波算法与UD分解法相结合的方法,并将其应用于组合导航系统的导航参数估计过程中。仿真结果表明:虚拟状态滤波与UD分解法相结合的方法,可以有效地抑制滤波发散,增强系统对环境的适应性,大大提高组合导航系统的快速性。

适于惯导系统初始对准的神经网络实时算法研究

通常卡尔曼滤波器被用于解决惯导系统的初始对准问题。由于卡尔曼滤波的运算时间与系统阶次的立方成正比 ,所以当系统阶次较高时 ,滤波器会失去实时性。而神经网络具有函数逼近性能 ,实时性又好。为此 ,本文研究了一种基于扩展卡尔曼滤波原理的权值更新多层神经网络学习算法 ,对此算法进行了详细的推证 ,并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性 ,既真正获得了与扩展卡尔曼滤波器相同的对准精度 。