许大星 王海伦,2

1(衢州学院电气与信息工程学院 浙江 衢州 324000)2(上海海事大学物流工程学院 上海 201306)

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

许大星1王海伦1,2

1(衢州学院电气与信息工程学院 浙江 衢州 324000)2(上海海事大学物流工程学院 上海 201306)

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。

非线性系统 未知模型 高阶容积卡尔曼滤波 神经网络

0 引 言

根据连接的拓扑结构，神经网络模型可分为前向神经网络和后向神经网络。20世纪80年代，Rumelhard等基于前向神经网络提出误差反向传播算法，因其算法结构简单，易于实现且具有很强的非线性映射能力，已广泛应用在航空航天、智能交通、模式识别以及医学工程等领域中[1]。

当系统模型未知时，采用神经网络对模型进行非线性近似是一种简单而有效的方法。神经网络根据实际数据集确定网络逼近的非线性函数，然而，当实际系统的状态变量不完全可测时，单独采用神经网络将无法建立过程的模型。……