基于高阶神经网络扩展卡尔曼滤波器逆算法的非线性挠性结构的姿态控制

本文针对非线性挠性结构的姿态控制，提出了一种基于高阶神经网络及径向基函数网络（RBFN）相结合的网络模型，用于非线性挠性结构的动态系统辨识，以及基于卡尔曼滤波器（EKF）逆算法的控制策略．针对神经网络辨识时的模型误差，提出了一种简单有效的补偿方法，给出了建模误差补偿与未补偿时的仿真结果．仿真得出，该方法具有收敛快，算法简单，并能有效消除建模误差等优点．

未知状态模型下基于高阶容积卡尔曼滤波和神经网络的状态估计算法

针对非线性系统状态模型未知的情形,提出一种基于高阶容积卡尔曼滤波和神经网络的状态估计算法,解决了未知非线性系统模型的状态估计问题。在算法的实现过程中,首先利用神经网络对非线性系统建立状态空间模型,然后把神经网络的权重和系统的状态变量组合在一起作为新的状态变量,并采用高阶容积卡尔曼滤波对新的状态进行实时更新,从而达到神经网络对非线性系统模型的真实逼近以及对状态值的精确估计。最后的目标跟踪仿真表明,该算法具有更高的估计精度。