基于反相传播神经网络改进的MGEKF算法

　　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（ sMCEKF）算法相比：定位精度至少提升l0%，并且有更强的稳定性。