一、基于RBF神经网络的非线性滤波研究（论文文献综述）
孙绪尧[1]（2020）在《上面级智能导航决策融合方法研究》文中认为随着任务需求以及相关技术的发展,上面级不仅具有运载火箭的功能,还能够自主进行轨道机动,飞行时间长,可进行多次点火操作。它的工作任务也不再局限于卫星的发射及部署,在深空探测、在轨服务、空间攻防等航天任务中都发挥着重要作用。传统的导航策略制定方法对于工作模式单一的应用对象通常比较有效,但对于未来上面级愈发复杂多样的任务框架和工作模式,传统方法难以满足多任务适应性的需要,不具备对环境的考量和适应,更不具备智能化决策的能力。针对传统决策模式下导航系统的不足之处,本文提出运用专家系统、神经网络等智能化方法设计上面级智能导航决策算法,以满足未来上面级多任务适用性以及高精度自主导航的需求。无论是神经网络,还是专家系统,智能化算法在实现决策功能时都需要人类专家提供相应的决策依据。本文参考了国内外相关文献及近年来成功完成任务的上面级项目,建立了导航策略数据库,为智能化方法提供决策的理论依据。针对数据库检索慢、难以进行修改等问题,本文利用B+树结构对数据库进行构建,提高数据库检索速度和可操作性。针对目前采用传统决策模式的导航方案无法满足未来上面级空间任务适应性这一问题,本文采用专家系统、神经网络相结合的智能化方法,设计智能导航决策系统,改变原有的设计方式,赋予系统根据任务类型、传感器配置自主分配导航传感器工作的能力。在理论研究的基础上,通过计算机数值仿真,验证算法的性能,为上面级智能化导航系统构建提供一种可行有效的技术途径。本文研究对象为可担任多种类型任务的上面级,在执行不同航天任务的过程中,将不可避免地出现传感器切换、导航配置变更等情况。给导航系统引入难以忽略的非线性噪声,影响导航系统的精度。针对这一问题,采用自适应网络模糊推理系统（ANFIS）对滤波算法予以修正,解决上面级在工作过程中,由于传感器切换、导航配置变更等原因,所带来的随机非高斯噪声,保证了导航系统的导航精度。
许强[2]（2020）在《GNSS数据融合定位解算技术研究》文中进行了进一步梳理2020年我国正式实现了北斗卫星导航系统（Bei Dou Navigation Satellite System,BDS）的全球组网,开启了我国卫星导航发展的新纪元。在这个万物互联的时代下,时空信息作为物联网的基础,人们对位置信息的要求不断提高,定位环境也变得越来越苛刻。在复杂的定位环境中,卫星信号会受到城市高楼、道路高架桥、隧道山体和森林的遮蔽,传统的卫星接收机难以满足各类场景下的定位要求。为此本文将全球定位系统（Global Positioning System,GPS）与BDS结合,构成GPS/BDS组合定位系统,提高了卫星导航系统的信息冗余。同时引入惯性导航系统（Inertial Navigation System,INS）,以全球导航卫星系统（Global Navigation Satellite System,GNSS）结合INS组合导航的方式,来解决卫星信号丢失时的定位难题,从而提高卫星导航系统在复杂多变环境中的定位导航能力。本文围绕GPS/BDS组合定位系统和GNSS/INS组合导航系统展开以下两部分内容的研究:（1）构建BDS/GPS双系统融合定位将两种不同的定位系统组合在一起,增加可见卫星的数量,可以提高所接收卫星信号的质量。首先在时间和空间上对两个不同的系统做相应的坐标转化和时间转化,完成时空对准;然后通过改进粒子群优化选星算法来实现对可见卫星的快速选择,用于后续定位导航解算;最后,通过引入对应渐消因子向量的方法优化卡尔曼滤波算法,在GPS/BDS双系统定位导航解算的过程中抑制滤波发散,从而提高定位精度。实验观测表明,双系统下,用于定位解算的卫星具有更好的精度因子,选星过程搜索速度快且搜索结果为全局最优值,综合定位误差在东向和北向相较于单系统降低了约40%。（2）基于径向基函数的神经网络的GNSS/INS组合导航系统GNSS/INS组合导航系统,通常用来解决在某些区域信号遮挡严重,卫星无法定位的难题,本文引入径向基函数的神经网络建立GNSS/INS组合导航系统。首先用相对精确的GNSS/INS信息估计值和INS定位值来对神经网络进行持续训练,利用神经网络的非线性拟合特性来学习INS的定位误差;然后在INS独立定位时,用训练好的神经网络对INS误差做补偿,来保证较长一段时间的定位精度;最后采用新息估计方法设计了自适应滤波算法,通过动态调整噪声协方差矩阵对进行神经网络预测的最优估计,达到对GNSS、INS和神经网络三者定位数据的自适应融合。车载组合导航实验表明,在两段GNSS信号中断期间,神经网络预测下的组合导航系统在北向和东向的定位精度提高了约71%,定速精度提高了约68%
韩少卫[3]（2020）在《基于神经网络优化的组合导航系统研究》文中研究说明捷联惯性导航系统（Strapdown Inertial Navigation System,SINS）和全球定位系统（Global Positioning System,GPS）相互结合能够优势互补,扬长避短,大幅提高系统连续长时的导航精度。但是在基于位置、速度的SINS/GPS组合导航中仍然存在以下问题:GPS观测量中有大量粗差信号,这些粗差会降低卡尔曼滤波的估计精度;线性卡尔曼滤波要事先准确确定SINS/GPS的数学模型和噪声统计特性,但在现实中SINS的模型参数可能发生变化,SINS/GPS系统存在大量非线性因素;SINS/GPS松组合导航系统的GPS信号可能严重失锁,卡尔曼滤波器因缺少量测信息而失效,SINS单独工作必然会导致导航误差增大。针对上述存在的问题,本文详细讨论以下内容:首先,详细介绍了SINS/GPS组合导航系统中每个子系统的基本工作原理,组合模式以及数学建模,为下文信息融合算法和神经网络的应用提供理论前提。其次,针对径向基神经网络（RBFNN）参数寻优的问题,首先介绍了基于K均值聚类分析的RBFNN,然后提出一种基于改进天牛须搜索算法（BAS）和近邻传播聚类（AP）分析的RBFNN的模型,改善了RBFNN的结构,提高了神经网络的收敛速度和辨识能力。然后,针对GPS信号的粗差干扰,在线性抗差卡尔曼滤波的基础上进一步研究非线性抗差无迹卡尔曼滤波（RUKF）,并设计粗差检验环节,提出基于假设检验的抗差无迹卡尔曼滤波算法（RUKFBHT）。接着在上述算法的基础上,为了提高RUKFBHT对组合导航中系统模型噪声方差阵发生不确定变化的自适应能力,本文提出采用改进的RBFNN辅助RUKFBHT实现对估计状态的实时调整,仿真结果表明两种UKF改进算法保证了滤波状态估计的最优性,提高了滤波精度。最后,针对SINS/GPS松组合导航系统中GPS信号严重失锁时,SINS单独工作导航精度下降的情况,提出一种基于O△SINS-△PVG模型和改进RBFNN预测的导航信息更新策略。神经网络的输入变量是当前时刻的角速度,比力和速度及上述变量的一步增量,期望输出是GPS的位置增量和速度增量。在GPS信号正常时,改进的RBFNN对输入样本信息进行训练和学习。在GPS信号失锁时,训练好的神经网络可以预测出GPS实时的位置增量和速度增量,为改进的UKF提供量测信息,最终实现GPS失锁下的连续可靠导航。
熊晖[4]（2019）在《基于RBF神经网络与粒子滤波算法的用户电力短期负荷预测及其系统实现》文中指出供电企业在开展电力调度、制定电力交易计划等业务时都需参考电力负荷预测结果,伴随电力交易现货市场的发展成熟,供电企业将更加重视电力负荷预测的实时性与准确性。因此,研发电力负荷预测系统是做好供电企业电力调度、营销保障、电力交易、客户服务等多个核心业务的基础。当前供电企业一般采用回归分析等经典负荷预测方法完成电力负荷预测,预测精度低,只能运用历史数据进行离线拟合,预测实时性也不高。进年来,伴随广东省电力现货市场的蓬勃发展,供电企业对负荷预测的实时性要求逐年提高。研究负荷预测新方法实现用户电力负荷的在线预测可满足供电企业各项业务开展需要,还可为参与省内电力现货市场交易提供有力的技术支持。按照上述要求,本论文主要包括以下几部分内容:1.提出了短期负荷预测的在线递推预测方法:针对静态模型无法实时更新模型参数的问题,采用基于粒子滤波及其改进算法的一种新方法,通过对系统状态量的递推估计,实现了电力负荷的在线预测,提高了预测算法的计算速度,满足实时性要求。2.提出了电力负荷的多维度输入状态模型:通过分析不同时间点影响电力负荷的因素,搭建了基于RBF神经网络的状态模型,叠加天气等外部因素的影响,提高了负荷预测的精确度。3.研发基于递推预测的短期负荷预测系统:运用MATLAB开发环境的APP设计工具组件完成了系统界面搭建,并利用MATLAB语言实现了模型及预测算法,最后完成软件研发,达成了负荷预测的自动化操作。研发电力短期负荷预测系统实现负荷在线递推预测,是近年来电力行业的一个新兴发展方向。本论文研究了在线递推预测算法,并利用MATLAB平台实现了用户电力负荷较高精度、较低延时的在线预测功能,最后完成该系统软件的开发提高了所在单位用户电力负荷预测业务能力。
徐博,李盛新,金坤明,王连钊[5]（2019）在《基于径向基函数神经网络辅助容积卡尔曼滤波的多自主水下航行器协同定位方法》文中指出在多自主水下航行器（AUV）协同定位系统中,针对协同定位性能受到系统内部和外部等多种因素制约的问题,提出一种基于径向基函数（RBF）神经网络辅助容积卡尔曼滤波（CKF）的多AUV协同定位方法。当基准参考位置可用时,通过非线性CKF得到滤波新息、预测误差和滤波增益作为RBF神经网络输入层的输入,滤波误差值作为输出对RBF神经网络进行训练;当基准信号中断时,利用训练好的RBF神经网络,对CKF的滤波状态估计值进行补偿,进而得到新的估计状态。利用湖试数据,模拟多AUV协同定位系统输入存在误差情况下的协同定位实验。实验结果表明,所提方法与无RBF辅助的CKF方法相比,平均定位误差减小70%,具有更好的准确性和稳定性。
宁一鹏[6]（2019）在《GNSS/INS组合导航系统初始对准及其故障修复研究》文中认为全球卫星导航系统可在无遮蔽环境中为用户提供高精度、低频率的导航定位服务,但在复杂环境中,GNSS信号易被遮挡或干扰。惯性导航系统经过初始化后,能够独立自主提供高频率、连续的位置、速度和姿态信息。通过二者合理结合,能够在遮蔽或半遮蔽环境中为用户提供连续且可靠的导航解。本文重点研究GNSS/INS组合导航系统初始化及其故障修复方法,内容涵盖高精度惯导快速自对准技术、大失准角故障处理、磁力计辅助MEMS IMU抗差自适应姿态融合、神经网络辅助GNSS/INS组合导航系统故障识别与修复和惯导辅助BDS三频周跳探测与修复技术等,主要研究成果如下:（1）初始对准的精度和速度将直接影响惯性导航系统的导航定位性能。针对静基座对准的精度低、收敛速度慢、可观测性差等问题,建立了静基座对准模型,利用PWCS法对静基座的可观测性进行了分析,提出了利用转位机构增强可观测性的最优多位置对准方案。结果表明,提出的最优三位置对准方法能实现所有状态量可观测,提高状态量的估计精度,有效缩短对准时间。（2）大方位失准角会使SINS误差模型的非线性程度大大增强,从而导致传统EKF滤波估计精度降低甚至发散。针对惯性系统大失准角故障,推导了SINS任意失准角误差模型,引入了单行采样的sigma点策略,降低UT变换的复杂度,同时为了保证精度,提出利用比例最小偏度动态调整sigma点至采样中心的距离,避免高阶项误差。利用提出的SSUKF处理大失准角对准的非线性方程,结果表明,SSUKF算法具有与SUKF算法近似的估计精度,但计算复杂度明显降低,有利于减少计算量。（3）低精度MEMS IMU姿态初始化需要磁力计等其他传感器辅助,但外部磁干扰环境会导致磁力计出现量测故障。针对磁力计故障,提出了简化的六参数校正模型,改进了传统的LM算法,优化了迭代策略,建立了载体系下现场快速磁力计校正算法。在此基础上,基于相关观测抗差估计理论提出了磁力计/IMU抗差自适应融合定姿模型。结果表明,该模型能有效削弱磁力计故障引起的姿态融合异常,且实现了低精度IMU短时受振时的姿态稳健融合估计。（4）复杂城市环境中,GNSS/INS组合导航系统易受观测值粗差和动力学模型故障双重影响。针对传统故障检测手段无法识别两类故障的弊端,建立了基于马氏距离的整体故障检测方法,提出了最优RBF神经网络训练策略并辅助组合导航故障识别,然后针对识别的不同故障来源分别建立了双调节抗差因子和自适应遗忘因子进行调节,有效识别、分离并削弱组合系统中的两类故障。结果表明,针对较小的密集GNSS观测值粗差,最优RBF神经网络的识别成功率可达92%。此外,当GNSS信号完全失锁时,最优RBF神经网络还能根据INS测量值预测导航解,短时间内继续提供高精度位置信息。（5）强多路径环境中,严重的伪距多路径效应会导致卫星整周跳变或失锁,历元间变化剧烈的伪距多路径残差还会影响周跳估值的判定,导致传统三频伪距相位组合周跳探测模型失效。为了实现强多径环境中周跳的准确探测与修复,以BDS/INS组合系统为例,提出了INS定位辅助的北斗三频组合法,构建了INS辅助的周跳决策量,优选了强多路径环境中的决策量组合,分析了INS定位误差对周跳探测能力的影响。结果表明,惯性辅助的周跳探测方法有效减少了强多路径环境中的周跳误探概率,对密集小周跳的探测与修复不受多路径效应残差影响。该论文有图93幅,表29个,参考文献187篇。
丁磊,吴蔚劼,方挺[7]（2018）在《基于扩展卡尔曼滤波的多旋翼飞行器融合姿态解算算法》文中研究指明针对多旋翼飞行器飞行时机身振动对加速度计产生的噪声干扰,建立径向基（RBF）神经网络结构模型,提出扩展卡尔曼滤波融合姿态解算算法。采用加速度计解算的姿态角作为输入向量,四元数互补滤波解算的姿态角作为参考向量,通过学习不断调整网络最优权值,得到滤波后的由加速度计解算的姿态角,并将四元数互补滤波算法解算出的姿态角与经RBF神经网络非线性滤波得到的加速度计解算的姿态角进行扩展卡尔曼滤波融合姿态解算,以提高飞行器姿态角的解算精度。实验结果表明:基于RBF神经网络的非线性滤波算法可对加速度计解算的姿态角进行有效滤波,提高飞行器姿态角的解算精度;采用的扩展卡尔曼滤波融合姿态解算算法收敛速度快、稳定性强,能够更准确地实时解算飞行器的当前姿态,验证了该算法的可行性。
袁光耀[8]（2016）在《基于非线性滤波优化的前馈神经网络训练方法研究》文中研究说明人工神经网络技术（ANN）经过几十年的发展,其相关的理论体系也越发完善。随着研究的不断深入,其在模式识别、故障诊断、最优控制、目标追踪以及金融时序预测等领域取得了广泛的研究和应用。决定神经网络使用效果好坏的关键在于训练算法,已有的训练算法对于问题规模较小、训练数据未受噪声污染的情况能够取得较为理想的训练效果。但是在当前新形势的应用背景下,问题规模往往较大、训练数据也更易受噪声污染,传统的训练算法无论是在收敛速度还是在训练精度上均不能满足要求。非线性滤波算法作为非线性系统状态的最优估计,已经广泛应用与参数估计、系统辨识等领域,其对于噪声的适应能力强,具有全局优化的能力。经过国内外众多专家学者的共同努力,已经成功将非线性滤波算法应用于神经网络的训练,取得了良好的训练效果。本文在具体分析神经网络以及非线性滤波理论发展现状的基础上,提出了两种基于最新非线性滤波研究成果的前馈神经网络训练算法。现有利用扩展卡尔曼滤波（EKF）对多层感知器神经网络进行训练的过程中,存在较大的一阶舍入误差从而影响神经网络的训练效果;利用不敏卡尔曼滤波（UKF）对多层感知器训练过程中存在参数选取复杂,容易产生非正定的问题。针对以上问题,本文首先提出了一种基于最新非线性滤波研究成果——容积卡尔曼滤波（CKF）的多层感知器训练方法。考虑到非线性滤波算法是在状态空间模型下实施的,首先将多层感知器的连接权值以及偏置节点作为状态向量,将网络的输出作为量测建立多层感知器的状态空间模型;然后利用系统的量测信息并结合CKF算法得到连接权值向量的最优估计,从而完成网络的训练;最后通过一个典型的非线性系统方程以及Mackey-Glass时序预测对所提方法进行验证,结果表明所提训练方法相比于已有方法不仅训练精度有所提高,而且效率更好。考虑到高斯-牛顿迭代策略能够充分利用已有信息来提高非线性模型参数的估计精度,本着提高已知信息的的利用率、进一步提高神经网络的训练精度为目的,提出了一种基于迭代容积卡尔曼滤波（ICKF）算法的径向基神经网络训练方法。首先详细分析径向基网络与多层感知器网络隐含层激活函数工作方式的不同;其次将径向基函数的中心节点以及输出层的连接权值共同作为状态向量建立径向基网络的状态空间模型;然后将ICKF引入径向基网络的训练;最后通过一个单输入单输入以及一个多输入多输出模型对所提方法进行验证,结果表明所提方法不仅能有效提高单输入单输出模型的训练精度,而且对于多输入多输出模型也同样适用。
席燕辉[9]（2013）在《非线性滤波算法及在神经网络与金融市场建模中的应用》文中认为随着科技的迅速发展,非线性滤波方法在信号处理、目标识别、系统状态与参数估计以及金融工程等领域获得了广泛的研究与应用。传统的非线性滤波方法大都是在线性化和高斯噪声的条件下实施的,这有可能降低滤波的精度。粒子滤波作为处理非线性、非高斯时变系统状态滤波和参数估计的一般方法,具有独特的优势。但粒子退化、样本枯竭等问题一直都困扰着粒子滤波的发展与应用。本文围绕重要性密度函数的选择,对粒子滤波展开了深入的研究与讨论。本文主要研究了非线性滤波方法在神经网络学习和金融市场微结构模型估计中的应用。在神经网络的参数估计中,噪声统计特性的确定直接影响着估计精度和收敛速度。对此,本文基于非线性滤波方法,对一般神经网络训练算法的主要缺陷进行了改进和完善。此外,针对金融时间序列的非线性、非高斯、时变波动等特征,建立了一些扩展的金融市场微结构模型,并采用非线性滤波方法解决这些金融市场微结构模型的状态估计问题。本论文的主要研究成果如下：首先,在贝叶斯理论框架下对非线性滤波方法进行了系统性研究。针对粒子滤波中粒子退化问题,提出了一种改进的粒子滤波算法—APF-IEKF（Auxiliary particle filter with iterated extended Kalman filter）,即在辅助粒子滤波的基础上融合了迭代扩展卡尔曼滤波。该算法在选取重要密度函数时,由于充分考虑了当前时刻的量测,使得粒子的分布更加接近状态后验概率分布。仿真结果显示,该方法在估计精度上要优于其它非线性滤波方法,运行时间比PF-UKF（particle filter with unscented Kalman filter）要短。同时,对各种非线性滤波算法改进的原因及适应的范围进行了深入分析。然后,针对扩展卡尔曼滤波算法在神经网络参数估计中的应用,从两方面探讨了其中的主要问题。一方面,考虑到系统噪声统计特性（噪声协方差阵）对参数估计精度的影响,并结合粒子滤波,提出了在线估计噪声协方差阵的自适应过程噪声协方差粒子滤波（adaptive process noise covariance particle filter, APNCPF）的神经网络训练算法。另一方面,从神经网络的空间模型入手,在原有状态变量（参数）基础上,将网络输出量扩展为系统状态的一部分,得到了神经网络的自组织状态空间模型。该组合状态变量不仅反映了内部状态与外部输入和输出变量之间的关系,而且能真正代表系统的内部动态特征。并将上述两改进方法应用到多层感知器（MLP）网络和径向基函数（RBF）网络的学习中,仿真结果表明了这两项改进措施的有效性。其次,结构化的非线性参数优化方法（SNPOM）是针对RBF-AR（基于RBF网络的自回归）模型的一种优异的优化算法。为了进一步提高学习精度,特别是解决对含较大噪声数据的样本学习问题,本文从RBF-AR模型的网络结构（看作一种广义的RBF网络）出发,将其转换成状态空间模型,结合EKF（Extended Kalman filter）（滤波和平滑过程）和EM（Expectation-Maximization）算法实现了对RBF-AR模型参数和噪声协方差矩阵的估计。仿真结果显示,该方法用在基于状态空间模型的RBF-AR模型结构中是有效的,特别在低信噪比情况下,估计效果比SNPOM方法好。最后,针对金融市场动态特性建模问题,考虑到不确定性因素引起资产价格的巨大波动、股市中波动的非对称性以及资产收益的尖峰厚尾特性,分别提出了非齐次泊松跳跃市场微结构模型、杠杆效应市场微结构模型以及厚尾市场微结构模型。并从理论上解释了市场微结构模型的杠杆性和厚尾性。在模型参数未知的情况下,为检测出时变跳跃强度,借鉴Lee所提出的非参数方法进行检测。在此基础上,利用无忌卡尔曼滤波（UKF, Unscented Kalman filter）和极大似然法来估计跳跃市场微结构模型的参数。针对杠杆效应市场微结构模型资产价格和波动之间的同时域相关性和厚尾市场微结构模型资产价格的非高斯性,开发了相应的MCMC（Markov chain Monte Carlo）参数估计方法。模拟仿真分析证实了上述方法的有效性。通过对我国和美国股市的实证研究发现,两股票市场均存在明显的尖峰厚尾性和非对称性,而且我国股市跳跃发生的频率明显高于美国股市。最后,采用DIC（Deviance Information Criterion）准则对正态分布市场微结构模型和学生t分布市场微结构模型进行了绩效优劣比较,研究结果表明学生t分布市场微结构模型更优,更适合股票市场的描述。
李泽强,陈龙驹[10]（2012）在《一种新的机动目标跟踪算法》文中研究表明针对UKF算法精度较高,但计算负担繁重的问题,基于对精度与实时性考虑,提出了UKF与径向基神经网络相结合的模型与机动目标跟踪算法。通过计算机模拟仿真,证明了该算法的可行性。
二、基于RBF神经网络的非线性滤波研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于RBF神经网络的非线性滤波研究（论文提纲范文）
（1）上面级智能导航决策融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 上面级国内外研究现状 |
| 1.2.2 信息融合智能化技术研究现状 |
| 1.2.3 上面级应用背景及导航策略选取情况调研 |
| 1.2.4 国内外研究现状综述及简析 |
| 1.3 论文主要研究内容 |
| 第2章 智能导航决策系统导航策略库构建 |
| 2.1 引言 |
| 2.2 导航传感器可用性分析 |
| 2.2.1 惯组特点及可用性分析 |
| 2.2.2 星敏感器特点及可用性分析 |
| 2.2.3 脉冲星导航特点及可用性分析 |
| 2.2.4 雷达特点及可用性分析 |
| 2.2.5 光学相机特点及可用性分析 |
| 2.2.6 传感器可用性决策流程 |
| 2.3 根据任务类型的导航策略选取 |
| 2.3.1 卫星发射及部署 |
| 2.3.2 深空探测 |
| 2.3.3 在轨服务 |
| 2.3.4 空间攻防 |
| 2.4 导航策略库建立 |
| 2.5 本章小结 |
| 第3章 基于专家系统与神经网络结合的智能导航决策方法 |
| 3.1 引言 |
| 3.2 基于专家系统的已知工作条件下导航策略选取 |
| 3.2.1 专家系统的一般结构 |
| 3.2.2 用于多传感器管理的专家系统 |
| 3.2.3 专家系统的推理模式 |
| 3.2.4 冲突消解策略 |
| 3.2.5 专家系统的不足之处 |
| 3.3 基于神经网络的未知工作条件下导航策略选取 |
| 3.3.1 BP神经网络构建 |
| 3.3.2 径向基(RBF)神经网络构建 |
| 3.4 基于专家系统与神经网络结合的智能导航决策方法 |
| 3.4.1 基于专家系统与神经网络结合的智能导航决策方法流程 |
| 3.4.2 基于专家系统与RBF结合的智能导航决策方法仿真 |
| 3.5 智能导航决策系统可视化界面设计与仿真 |
| 3.5.1 系统需求 |
| 3.5.2 基于B+树结构的数据库查找算法 |
| 3.5.3 系统界面及主要功能介绍 |
| 3.5.4 主功能界面 |
| 3.6 本章小结 |
| 第4章 基于ANFIS优化的自适应非线性滤波算法 |
| 4.1 引言 |
| 4.2 ANFIS概述 |
| 4.3 ANFIS结构及算法实现 |
| 4.4 减法聚类算法 |
| 4.5 基于ANFIS优化的滤波算法设计 |
| 4.6 基于ANFIS优化的自适应非线性滤波算法仿真 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）GNSS数据融合定位解算技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 GPS/BDS双系统定位研究现状 |
| 1.2.2 GNSS/INS组合导航研究现状 |
| 1.3 本文的研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第2章 GPS/BDS/INS定位理论基础 |
| 2.1 全球卫星导航系统 |
| 2.1.1 全球定位系统 |
| 2.1.2 北斗卫星导航系统 |
| 2.1.3 GPS和 BDS定位原理 |
| 2.2 惯性导航系统 |
| 2.2.1 惯性导航系统概述 |
| 2.2.2 惯性导航系统工作原理 |
| 2.2.3 惯性导航系统与GNSS组合方式 |
| 2.3 本章小结 |
| 第3章 GPS/BDS融合定位方法研究 |
| 3.1 GPS与 BDS双系统时空对准 |
| 3.1.1 GPS与 BDS双系统时间基准统一 |
| 3.1.2 GPS与 BDS双系统空间基准统一 |
| 3.2 GPS/BDS双系统选星算法设计 |
| 3.2.1 建立改进的粒子群优化模型 |
| 3.2.2 改进的粒子群优化选星过程 |
| 3.3 GPS/BDS双系统定位解算算法 |
| 3.3.1 渐消因子卡尔曼滤波 |
| 3.3.2 改进的渐消因子卡尔曼滤波融合定位解算 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 RBFNN辅助下的GNSS/INS组合导航方法研究 |
| 4.1 基于RBFNN的 GNSS/INS组合导航系统设计 |
| 4.1.1 RBFNN构建 |
| 4.1.2 组合导航系统设计 |
| 4.2 RBFNN辅助下的GNSS/INS组合导航自适应滤波算法 |
| 4.2.1 自适应卡尔曼滤波器构建 |
| 4.2.2 自适应滤波模式设计 |
| 4.3 实验及结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）基于神经网络优化的组合导航系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 组合导航系统发展和现状 |
| 1.2.1 惯性导航系统 |
| 1.2.2 全球导航卫星系统 |
| 1.2.3 组合导航系统及最优估计理论 |
| 1.3 神经网络发展及其在组合导航的应用 |
| 1.4 论文主要研究内容及章节安排 |
| 第2章 SINS/GPS组合导航系统 |
| 2.1 引言 |
| 2.2 导航理论常用坐标系及变换关系 |
| 2.3 捷联式惯性导航系统 |
| 2.3.1 SINS基本力学编排方程 |
| 2.3.2 SINS的误差模型分析 |
| 2.3.3 SINS仿真设计 |
| 2.4 全球定位系统 |
| 2.4.1 GPS基本组成 |
| 2.4.2 GPS定位原理 |
| 2.4.3 GPS误差分析 |
| 2.5 SINS/GPS组合模式 |
| 2.6 SINS/GPS松组合导航数学建模 |
| 2.7 本章小结 |
| 第3章 RBF神经网络及其改进算法 |
| 3.1 引言 |
| 3.2 神经网络 |
| 3.2.1 神经元模型 |
| 3.2.2 神经网络的学习算法 |
| 3.3 径向基神经网络 |
| 3.3.1 RBFNN基本理论 |
| 3.3.2 K-均值聚类算法 |
| 3.4 基于改进BAS-AP优化的RBF网络 |
| 3.4.1 近邻传播聚类算法 |
| 3.4.2 天牛须搜索算法 |
| 3.4.3 改进BAS算法 |
| 3.4.4 基于改进BAS-AP的 RBFNN算法设计 |
| 3.5 仿真验证 |
| 3.6 本章小结 |
| 第4章 UKF改进算法及在SINS/GPS组合导航的应用 |
| 4.1 引言 |
| 4.2 卡尔曼滤波基础理论 |
| 4.2.1 卡尔曼滤波 |
| 4.2.2 抗差卡尔曼滤波 |
| 4.3 无迹卡尔曼滤波及其改进算法 |
| 4.3.1 UKF基本算法 |
| 4.3.2 基于假设检验的抗差UKF算法 |
| 4.3.3 基于改进RBFNN辅助的自适应RUKFBHT |
| 4.4 算法验证 |
| 4.4.1 仿真轨迹及初始条件设置 |
| 4.4.2 基于假设检验的抗差UKF仿真 |
| 4.4.3 改进RBFNN辅助的自适应RUKFBHT仿真 |
| 4.5 本章小结 |
| 第5章 GPS失锁时的导航信息更新方案研究 |
| 5.1 引言 |
| 5.2 基于OSIMU-XK模型和神经网络预测的方案设计 |
| 5.2.1 基于OSIMU-Xk模型的传统方案设计 |
| 5.2.2 神经网络结构设计 |
| 5.2.3 方案的不足之处 |
| 5.3 基于O△_(SINS)-△PV_G模型和IRBFNN预测的方案设计 |
| 5.3.1 基于O△_(SINS)-△PV_G模型的方案设计 |
| 5.3.2 IRBFNN结构设计 |
| 5.4 SINS/GPS组合导航预测和仿真 |
| 5.4.1 仿真设计 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）基于RBF神经网络与粒子滤波算法的用户电力短期负荷预测及其系统实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 研究现状及存在问题 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的组织结构 |
| 第2章 用户电力负荷预测系统及相关技术 |
| 2.1 用户电力负荷预测系统 |
| 2.1.1 供电企业电力负荷预测现状及需求 |
| 2.1.2 电力负荷预测系统框架 |
| 2.1.3 用户电力负荷预测系统功能模块 |
| 2.2 电力负荷预测方法 |
| 2.2.1 电力负荷建模方法及技术 |
| 2.2.2 基于递推预测的负荷预测技术 |
| 2.3 MATLAB开发环境 |
| 2.3.1 MATLAB App设计工具 |
| 2.3.2 基于MATLAB开发的用户电力负荷预测系统 |
| 2.4 本文的研究框架 |
| 第3章 基于贝叶斯滤波原理的递推预测方法 |
| 3.1 问题描述 |
| 3.1.1 电力现货交易下的负荷特点 |
| 3.1.2 电力负荷在线预测方法 |
| 3.2 基于贝叶斯滤波原理的递推预测方法 |
| 3.2.1 基于卡尔曼滤波方法的递推预测 |
| 3.2.2 基于粒子滤波算法的递推预测 |
| 3.3 方法验证及分析 |
| 3.3.1 评判方法 |
| 3.3.2 仿真比较分析 |
| 3.4 本章小结 |
| 第4章 多维输入的电力负荷RBF神经网络状态模型 |
| 4.1 问题描述 |
| 4.1.1 电力负荷预测面临的新问题 |
| 4.1.2 传统电力负荷预测模型的不足 |
| 4.2 适于递推预测的电力负荷模型优化方法 |
| 4.2.1 RBF神经网络模型 |
| 4.2.2 系统输入向量确定 |
| 4.2.3 递推预测的电力负荷模型 |
| 4.2.4 电力负荷递推预测 |
| 4.3 方法验证及分析 |
| 4.3.1 评判方法 |
| 4.3.2 比较分析 |
| 4.4 本章小结 |
| 第5章 电力负荷递推预测系统研发与部署 |
| 5.1 用户电力负荷预测系统设计 |
| 5.1.1 系统业务需求 |
| 5.1.2 系统功能设计 |
| 5.1.3 系统数据库设计 |
| 5.1.4 系统总体架构设计 |
| 5.2 用户电力负荷预测系统实现 |
| 5.2.1 系统实现环境 |
| 5.2.2 系统实现关键技术 |
| 5.2.3 系统主要流程实现 |
| 5.2.4 典型界面设计 |
| 5.3 用户电力负荷预测系统部署 |
| 5.3.1 软件部署 |
| 5.3.2 功能测试 |
| 5.3.3 性能测试 |
| 5.3.4 系统评价 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结及不足 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（5）基于径向基函数神经网络辅助容积卡尔曼滤波的多自主水下航行器协同定位方法（论文提纲范文）
| 0 引言 |
| 1 多AUV协同定位状态空间模型 |
| 2 CKF协同定位方法 |
| 3 RBF神经网络辅助CKF |
| 3.1 径向基神经网络原理 |
| 3.2 RBF神经网络辅助CKF的多AUV协同定位 |
| 4 基于RBF神经网络辅助CKF的多AUV协同定位实验 |
| 4.1 实验情况概述 |
| 4.2 状态空间模型输入误差 |
| 4.3 协同定位方法验证 |
| 5 结论 |
（6）GNSS/INS组合导航系统初始对准及其故障修复研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 2 捷联惯性导航系统基本原理 |
| 2.1 常用坐标系统及其转换关系 |
| 2.2 惯性导航姿态表达及微分方程 |
| 2.3 捷联INS机械编排 |
| 2.4 捷联INS更新算法 |
| 2.5 INS输出误差来源 |
| 2.6 本章小结 |
| 3 高精度SINS快速自对准技术 |
| 3.1 卡尔曼滤波模型 |
| 3.2 SINS误差方程 |
| 3.3 解析式粗对准 |
| 3.4 似静态精对准 |
| 3.5 可观测性分析 |
| 3.6 最优多位置对准方案 |
| 3.7 本章小结 |
| 4 大失准角非线性对准模型 |
| 4.1 基于EPEA的非线性误差方程 |
| 4.2 大失准角SINS对准模型 |
| 4.3 简化无迹卡尔曼滤波 |
| 4.4 Sigma点采样策略改进 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 5 磁力计辅助MEMS IMU抗差快速融合定姿技术 |
| 5.1 地磁测量原理 |
| 5.2 磁力计误差分类与建模 |
| 5.3 改进的Lenenberg-Marquardt算法 |
| 5.4 磁力计/IMU自适应抗差融合定姿 |
| 5.5 实验与分析 |
| 5.6 本章小节 |
| 6 神经网络辅助GNSS/INS系统故障识别与修复 |
| 6.1 GNSS观测方程 |
| 6.2 GNSS/INS组合模型 |
| 6.3 导航故障检测与抑制 |
| 6.4 最优RBF辅助故障识别 |
| 6.5 实验与分析 |
| 6.6 本章小结 |
| 7 多路径故障下惯性辅助BDS三频周跳探测与修复 |
| 7.1 BDS三频组合观测值 |
| 7.2 惯性辅助周跳探测估值 |
| 7.3 周跳检验量的选取 |
| 7.4 强多路径对周跳探测的影响 |
| 7.5 试验与分析 |
| 7.6 本章小结 |
| 8 结论及展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）基于扩展卡尔曼滤波的多旋翼飞行器融合姿态解算算法（论文提纲范文）
| 1 姿态解算 |
| 1.1 惯性导航 |
| 1.2 四元数互补滤波算法 |
| 1.2.1 姿态角的四元数法表示 |
| 1.2.2 互补滤波算法 |
| 2 RBF神经网络非线性滤波 |
| 3 扩展卡尔曼滤波融合姿态解算算法 |
| 4 实验仿真分析 |
| 5 结论 |
（8）基于非线性滤波优化的前馈神经网络训练方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非线性滤波理论 |
| 1.2.2 前馈神经网络训练方法 |
| 1.3 论文研究内容和结构安排 |
| 2 基础知识 |
| 2.1 引言 |
| 2.2 非线性系统建模 |
| 2.3 典型非线性滤波器设计与实现 |
| 2.3.1 扩展卡尔曼滤波 |
| 2.3.2 不敏卡尔曼滤波 |
| 2.3.3 容积卡尔曼滤波 |
| 2.3.4 粒子滤波 |
| 2.4 典型人工神经网络结构及训练方法 |
| 2.4.1 前馈神经网络 |
| 2.4.2 反馈神经网络 |
| 2.4.3 自组织神经网络 |
| 2.5 小节 |
| 3 基于容积卡尔曼滤波多层感知器训练方法 |
| 3.1 引言 |
| 3.2 多层感知器结构 |
| 3.2.1 多层感知器结构模型 |
| 3.2.2 多层感知器状态空间模型 |
| 3.3 算法设计与实现 |
| 3.4 仿真实验与结果分析 |
| 3.4.1 仿真环境设置 |
| 3.4.2 仿真结果与分析 |
| 3.5 小结 |
| 4 基于迭代容积卡尔曼滤波径向基网络训练方法 |
| 4.1 引言 |
| 4.2 高斯-牛顿迭代策略 |
| 4.3 迭代容积卡尔曼滤波 |
| 4.4 径向基网络结构 |
| 4.4.1 径向基网络结构 |
| 4.4.2 径向基网络状态空间模型 |
| 4.5 算法设计与实现 |
| 4.6 仿真实验与结果分析 |
| 4.6.1 仿真场景设置 |
| 4.6.2 仿真结果与分析 |
| 4.7 总结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果 |
（9）非线性滤波算法及在神经网络与金融市场建模中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 非线性滤波理论的研究现状 |
| 1.2.2 前馈神经网络及训练方法研究现状 |
| 1.2.3 金融市场微结构模型及估计方法的研究现状 |
| 1.3 本文的研究内容和结构安排 |
| 2 基于状态空间模型的非线性滤波方法 |
| 2.1 概述 |
| 2.2 动态系统的状态空间模型 |
| 2.2.1 扩展卡尔曼滤波 |
| 2.2.2 无忌卡尔曼滤波 |
| 2.3 标准粒子滤波 |
| 2.4 改进的粒子滤波—APF-IEKF |
| 2.4.1 辅助粒子滤波 |
| 2.4.2 迭代扩展卡尔曼滤波 |
| 2.4.3 迭代扩展卡尔曼辅助粒子滤波 |
| 2.5 仿真实验及结果分析 |
| 2.5.1 非线性系统仿真 |
| 2.5.2 非线性高斯系统仿真 |
| 2.5.3 期权数据仿真 |
| 2.6 本章小结 |
| 3 基于非线性滤波的MLP网络训练 |
| 3.1 概述 |
| 3.2 基于APNCPF的MLP网络学习 |
| 3.2.1 MLP网络结构 |
| 3.2.2 MLP网络的状态空间模型 |
| 3.2.3 APNCPF训练算法 |
| 3.2.4 非线性高斯时间序列仿真 |
| 3.2.5 期权数据仿真 |
| 3.3 基于自组织状态空间模型的MLP网络学习算法 |
| 3.3.1 MLP网络的自组织状态空间模型 |
| 3.3.2 基于粒子滤波的自组织状态空间MLP网络训练算法 |
| 3.3.3 仿真实验及结果分析 |
| 3.4 本章小结 |
| 4 基于非线性滤波的RBF网络训练 |
| 4.1 概述 |
| 4.2 基于非线性滤波的RBF网络学习 |
| 4.2.1 RBF网络结构 |
| 4.2.2 RBF网络的状态空间模型 |
| 4.2.3 基于APNCPF的RBF网络训练 |
| 4.2.4 基于自组织状态空间模型的RBF网络训练 |
| 4.3 基于EKF-EM算法的RBF-AR模型参数辨识 |
| 4.3.1 RBF-AR模型的状态空间模型 |
| 4.3.2 EKF-EM算法 |
| 4.3.3 仿真试验及结果分析 |
| 4.4 本章小结 |
| 5 基于UKF估计的跳跃市场微结构模型 |
| 5.1 概述 |
| 5.2 市场微结构模型 |
| 5.2.1 连续市场微结构模型 |
| 5.2.2 连续市场微结构模型的离散化 |
| 5.2.3 市场微结构模型的金融意义 |
| 5.3 跳跃市场微结构模型 |
| 5.3.1 加入跳跃的连续市场微结构模型 |
| 5.3.2 连续跳跃市场微结构模型的离散化 |
| 5.4 跳跃市场微结构模型的估计 |
| 5.4.1 跳跃的检测 |
| 5.4.2 参数估计 |
| 5.5 模拟数据仿真 |
| 5.6 我国股票市场的实证研究 |
| 5.6.1 数据特征分析 |
| 5.6.2 实证结果分析 |
| 5.7 我国和美国股票市场的对比研究 |
| 5.7.1 数据特征分析 |
| 5.7.2 实证结果对比分析 |
| 5.8 本章小结 |
| 6 基于MCMC估计的杠杆效应市场微结构模型 |
| 6.1 概述 |
| 6.2 具有杠杆效应的市场微结构模型 |
| 6.3 杠杆效应市场微结构模型估计 |
| 6.4 模拟数据仿真分析 |
| 6.5 我国股市的非对称性研究 |
| 6.5.1 数据特征分析 |
| 6.5.2 实证结果 |
| 6.5.3 我国股市非对称性结果分析 |
| 6.6 美国股市的非对称性研究 |
| 6.6.1 数据特征分析 |
| 6.6.2 实证结果 |
| 6.6.3 美国股市非对称性结果分析 |
| 6.7 本章小结 |
| 7 基于MCMC估计的厚尾市场微结构模型 |
| 7.1 概述 |
| 7.2 学生t分布的厚尾性 |
| 7.3 厚尾市场微结构模型 |
| 7.4 厚尾市场微结构模型估计 |
| 7.5 仿真研究 |
| 7.6 中美股票市场实证研究 |
| 7.6.1 数据选取 |
| 7.6.2 统计特性分析 |
| 7.6.3 自相关性检验 |
| 7.6.4 数据拟合结果分析 |
| 7.6.5 模型绩效比较 |
| 7.7 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读学位期间主要的研究成果 |
| 致谢 |
（10）一种新的机动目标跟踪算法（论文提纲范文）
| 0 引言 |
| 1 两种非线性滤波算法 |
| 1.1 基于RBF网络的非线性滤波 |
| 1.2 UKF算法 |
| 2 UKF+RBF非线性滤波算法 |
| 2.1 应用模型 |
| 2.2 UKF+RBF算法步骤 |
| 3 仿真实验及分析 |
| 4 结束语 |
四、基于RBF神经网络的非线性滤波研究（论文参考文献）
- [1]上面级智能导航决策融合方法研究[D]. 孙绪尧. 哈尔滨工业大学, 2020(01)
- [2]GNSS数据融合定位解算技术研究[D]. 许强. 太原理工大学, 2020(07)
- [3]基于神经网络优化的组合导航系统研究[D]. 韩少卫. 哈尔滨工程大学, 2020(05)
- [4]基于RBF神经网络与粒子滤波算法的用户电力短期负荷预测及其系统实现[D]. 熊晖. 中国科学院大学(中国科学院深圳先进技术研究院), 2019(02)
- [5]基于径向基函数神经网络辅助容积卡尔曼滤波的多自主水下航行器协同定位方法[J]. 徐博,李盛新,金坤明,王连钊. 兵工学报, 2019(10)
- [6]GNSS/INS组合导航系统初始对准及其故障修复研究[D]. 宁一鹏. 中国矿业大学, 2019(01)
- [7]基于扩展卡尔曼滤波的多旋翼飞行器融合姿态解算算法[J]. 丁磊,吴蔚劼,方挺. 安徽工业大学学报(自然科学版), 2018(03)
- [8]基于非线性滤波优化的前馈神经网络训练方法研究[D]. 袁光耀. 河南大学, 2016(03)
- [9]非线性滤波算法及在神经网络与金融市场建模中的应用[D]. 席燕辉. 中南大学, 2013(02)
- [10]一种新的机动目标跟踪算法[J]. 李泽强,陈龙驹. 信息技术, 2012(02)