[发明专利]基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法

权利要求书

1.基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，其特征在于，包括如下步骤：

步骤1、初始化滤波参数，包括初始状态估计、状态协方差矩阵、过程噪声协方差矩阵和观测噪声协方差矩阵；

步骤2、根据上一时刻的状态估计计算Sigma点和对应权值，进行Sigma点预测加权求和，获得当前时刻的初始状态预测值；

步骤3、获取当前时刻的目标观测值，与步骤2的初始状态预测值作差，获得待测数据；

步骤4、选取历史观测值、二次状态预测值、状态估计值、初始状态预测值和过程噪声协方差的尺度因子构建训练数据集，训练Elman神经网络；

步骤5、利用训练的Elman神经网络，初步预测待测数据的相对机动误差和过程噪声尺度因子；

步骤6、根据初步预测的相对机动误差和过程噪声尺度因子调整目标状态方程，并对步骤1的每个Sigma点进行二次预测，获得二次状态预测值和协方差矩阵；

步骤7、根据二次状态预测值和协方差矩阵进行量测更新，获得当前时刻滤波的最优估计。

2.根据权利1所述的基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，其特征在于，步骤2具体如下：

步骤2.1、根据上一时刻的状态估计X_k-1|k-1，计算当前时刻Sigma点和对应的均值与方差加权值W_i^(m)与W_i^(c)：

其中，是(n+κ)·P_(k-1|k-1)的均方根矩阵的第i行或列，P_(k-1|k-1)表示上一时刻的协方差矩阵，n表示量测向量的维数，κ为满足n+κ≠0的任意值；

步骤2.2、基于CA模型f(.)，对Sigma点进行状态转移变换，得到一组新的Sigma点

步骤2.3、根据新Sigma点和对应均值加权值W_i^(m)，计算初始状态预测值

3.根据权利1所述的基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，其特征在于，步骤4具体如下：

步骤4.1、初始化神经网络参数，包括状态向量的维数m、量测向量的维数n、学习率l、承接层单元与隐藏层单元的连接权矩阵w¹，输入层单元与隐藏层单元的连接权矩阵w²，隐藏层单元与输出层单元的连接权矩阵w³为，创建一个含有m个输出层单元、2m个隐藏层单元和n个输出层单元的Elman神经网络；

步骤4.2、对于每组训练数据循环执行以下步骤4.2.1～4.2.5进行训练，直至循环结束，其中Z为历史观测值、为二次状态预测值、X为状态估计值、为初始状态预测值，α^*为过程噪声协方差的尺度因子；

步骤4.2.1、对于输入层数据u(k)和上一时刻的承接层数据x_c(k-1)分别进行加权处理，并将所得结果进行叠加作为隐藏层的输入

步骤4.2.2、使用隐藏层的激活函数f(·)，即Sigmoid函数，获得隐藏层的输出，该输出值既是输出层的输入数据x(k)，又是承接层用于下一时刻加权处理的输入数据x_c(k)：

步骤4.2.3、输出层使用线性组合函数g(·)来对输入数据进行加权处理，获得最终输出结果y(k)：

y(k)＝g(w³x(k))

步骤4.2.4、使用误差函数E(k)来计算输出误差大小，若计算得到的误差小于预设的阈值则跳出循环并跳转至步骤4，否则，转至步骤3.2.5；

其中，表示理论输出结果；

步骤4.2.5、根据BP算法更新权值w¹,w²,w³，并继续循环训练测试数据：