[发明专利]基于径向基神经网络和无迹卡尔曼滤波多径估计方法

摘要

本发明公开了一种基于径向基神经网络和无迹卡尔曼滤波多径估计方法，属于卫星导航多径参数估计领域，主要应用于提高定位精度，它主要包含两个部分，第一部分为：采用无迹卡尔曼滤波对待估计的参数初步估计，解决传统卡尔曼滤波不能应用于非线性系统以及EKF在处理非线性系统只能达到二阶精度的问题，使参数估计在高斯噪声下达到三阶精度。第二部分为：在无迹卡尔曼滤波新息项中引入径向基神经网络作为非高斯补偿，并采用最小误差熵代替均方误差对径向基神经网络的权重调整，从而使整个系统的随机性最小，采用梯度下降法实现权重的在线迭代更新。提出的多径估计算法，能够在非线性非高斯系统中，具有更高的估计精度，有效降低估计误差。

主权项

1.基于径向基神经网络和无迹卡尔曼滤波多径估计方法，其特征在于：包括如下步骤：1)首先给定初始待估计参数值作为初始状态量和初始的状态协方差，并设置迭代初值k、迭代次数N和最小误差熵的样本值Ns；2)设置UKF相关参数β、α、κ、n、λ并计算相关权重W_m，W_c；3)设置RBF的核宽σ，基函数的中心点的选取，初始权值W₁；4)对状态量进行UT变换获得2n+1个sigma点，并对sigma点非线性变换后取对应权重得到预测状态量的均值和协方差；5)对预测状态量进行UT变换，得到观测量的sigma点，并对sigma点非线性变换后取对应权重得到观测量预测均值和协方差；6)更新获得UKF的估计状态值和新息量7)判断k＜＝Ns，满足条件在执行步骤8)，否则跳至步骤9)；8)保存新息量到伪新息量s_k以及计算径向基函数并保存；9)计算径向基函数并保存；10)更新伪新息量11)获得关于伪新息量s的熵并作为目标函数，将目标函数最小化以调整权值并带入梯度下降法，通过梯度下降法迭代更新RBF权值W_k；12)通过更新状态量(待估计参数)x_k；13)判断迭代次数k＜＝N，若满足条件，则令k＝k+1并返回步骤4)，否则程序结束，获得最终的待参数估计值。