[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

摘要

本发明公开了一种基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，首先构建训练数据集，训练Elman神经网络；然后利用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；接着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，进行二次预测，获得二次状态预测值和协方差矩阵；最后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。本发明降低了滞后优化修正带来的滤波误差，提高了滤波精度，对机动目标具有更好的适应能力。

主权项

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。