基于反向传播神经网络改进增益修改卡尔曼滤波算法.docVIP

基于反向传播神经网络改进增益修改卡尔曼滤波算法 　　摘要：增益修改的卡尔曼滤波（MGEKF）算法在实际应用时，一般使用带有误差的测量值代替真实值进行增益修正计算，导致修正结果也被误差污染。针对这一问题，提出一种基于反向传播神经网络（BPNN）改进的MGEKF算法，该算法使用训练后的神经网络代替MGEKF的增益修正函数。该算法在网络训练阶段，以实际测量值作为神经网络的输入，真实值修正后的结果作为训练目标；在实际应用中，使用网络的输出修正卡尔曼增益。针对移动单站只测向目标定位问题进行了实验，实验结果表明：该算法与扩展卡尔曼滤波（EKF）、MGEKF、平滑增益修改的卡尔曼滤波（sMGEKF）算法相比：定位精度至少提升10%，并且有更强的稳定性。 　　关键词：增益修改卡尔曼滤波；反向传播神经网络；只测向目标定位 　　中图分类号：TP393 文献标志码：A 　　Abstract：In practical application， Modified Gain Extended Kalman Filter （MGEKF） algorithm generally uses erroneous measured values instead of the real values for calculation， so the modified results also contain errors. To solve this problem， an improved MGEKF algorithm based on Back Propagation Neural Network （BPNN）， termed BPNNMGEKF algorithm， was proposed in this paper. At BPNN training time， measured values were used as the input， and modified results by true values as the output. BPNNMGEKF was applied to single moving station bearingonly position experiment. The experimental results shows that， BPNNMGEKF improves the positioning accuracy of more than 10% compared to extended Kalman filter， MGEKF and smoothing modified gain extended Kalman filter algorithm， and it is more stable. 　　Key words：Modified Gain Extended Kalman Filter （MGEKF）； Back Propagation Neural Network （BPNN）； bearingonly target positioning 　　0 引言 　　移动单站目标定位以其设备简单、机动性强、易于实现等特点，越来越多地应用于军事、民事领域。近年来城市中无线干扰源越来越猖獗，给人们生活带来严重影响，车载移动单站只测向（BearingOnly，BO）目标定位是城市中查找干扰源的重要手段，而车载移动站与机载移动站以及高架固定站相比，它高度很低，不容易接收到直达波（Line Of Sight，LOS），另外复杂的城市环境更加剧了这种情况的发生。除了提高测向设备的精度还需要一个可靠的、性能优越的滤波算法[1-2]。 　　由于BO是一个非线性的问题，为它设计一个滤波方法十分困难，为了简化计算往往将线性滤波器改造后应用于非线性问题，其中扩展卡尔曼滤波（Extended Kalman Filter，EKF）算法就是应用最广的一类。EKF要求非线性问题只取泰勒展开的第一项，舍弃高阶项进行线性化，然而舍弃高阶项带来的偏差会显著降低算法的稳定性。为减小这个影响，Song等[3]提出了增益修改的扩展卡尔曼滤波（Modified Gain Extended Kalman Filter，MGEKF）算法，该算法使用一个修正的卡尔曼增益代替原始的增益，在后来的应用中被证实可以很好地提高EKF的性能。MGEKF在计算新的增益时需要真实的角度值参与运算，但是真实值是无法获取的，所以都是使用测量值代替真实值进行计算。然而测量值含有误差，所以计算结果也会被这个误差污染，出现较大偏差。针对这个问题本文提出一种基于反向传播神经网络（Back Propagation Neural Network，BPNN）改进的MGEKF算