模型预测神经网络算法提升组合导航精度

"模型预测前向神经网络算法在解决系统误差不确定性导致的滤波精度下降或发散问题中表现出优越性。通过模型预测滤波，该算法能够估计并修正前向神经网络正向传递过程中的模型误差，从而优化隐含层权值的更新。此外，模型预测滤波为神经网络提供了精确的训练数据，帮助学习非线性系统关系。在SINS/CNS/BDS组合导航系统的应用中，与扩展卡尔曼滤波对比，新算法在姿态、速度和位置误差上的表现更优，误差范围分别在±0.25'、±0.05m/s和±5m内，显著提升了滤波性能和组合导航的定位精度。" 本文介绍了基于模型预测滤波的前向神经网络算法，该算法旨在改善因系统误差不确定性引起的滤波效果不佳的问题。在传统的滤波算法中，系统误差可能导致滤波精度降低甚至发散，而模型预测滤波能够预估并校正模型在前向传播阶段的误差，这对隐藏层权重的更新至关重要。通过这种方式，可以减少模型误差对神经网络学习过程的影响。 接下来，文章提出了利用模型预测滤波生成精确的训练样本，这些样本用于训练神经网络识别和学习非线性系统的行为模式。这种方法有助于神经网络更准确地理解和适应复杂的动态环境，尤其在导航系统中，非线性关系的建模是至关重要的。 在具体应用中，该算法被应用于SINS/CNS/BDS（ Strapdown Inertial Navigation System / Celestial Navigation System / BeiDou Navigation Satellite System）的组合导航系统。通过对比扩展卡尔曼滤波，结果显示新算法在姿态、速度和位置的估计误差显著减小，误差范围更加可控，证明了新算法在提高导航系统定位精度方面的有效性。 前向神经网络结合模型预测滤波的算法为解决复杂系统的滤波问题提供了一种有效手段，特别是在高精度导航系统中，它能够克服传统方法的局限性，实现更精确的系统状态估计。这一成果对于提升导航系统的整体性能和可靠性具有重要意义，也为其在更多领域中的应用铺平了道路。