Gamma Test噪声估计的Kalman神经网络在动态工业过程建模中的应用

Kalman神经网络以其良好的自适应非线性逼近能力,被广泛用于复杂非线性动态工业过程建模。传统噪声估计方法难以得到观测噪声不确定动态工业过程的噪声估计值,因而常将观测噪声估计值置零以进行Kalman神经网络建模,影响Kalman神经网络的建模效果,限制了Kalman神经网络在观测噪声不确定动态工业过程建模中的应用。有效利用观测输入输出数据,提出样本有效噪声估计(Gamma test,GT)改进的Kalman神经网络建模方法。采用衰减记忆的GT对输入输出数据进行实时估计,得到准确的观测噪声估计值,再利用Kalman神经网络实现精确建模。验证结果表明,该方法对EKF神经网络模型和UKF神经网络模型均有很好的改善作用,有效解决观测噪声不确定引起的Kalman神经网络模型发散问题,为采用Kalman神经网络建立噪声不确定动态工业过程的精确模型提供了一条有效途径。