Resumen

El filtro de Kalman centralizado siempre se aplica en la coincidencia de velocidad y actitud del Algoritmo de Transferencia (TA). Pero el filtro de Kalman centralizado tiene muchas desventajas, como una gran cantidad de cálculos, un mal rendimiento en tiempo real y una baja confiabilidad. En el documento, se utiliza el filtro de Kalman federal (FKF) basado en redes neuronales en la coincidencia de velocidad y actitud de TA, el filtro de Kalman se ajusta mediante las redes neuronales en los dos subfiltros, se utiliza el filtro federal para fusionar la información de los dos subfiltros y se obtiene la estimación global subóptima del estado. El resultado de la simulación muestra que el filtro de Kalman federal basado en redes neuronales es mejor para estimar el ángulo de desalineación de actitud inicial del sistema de navegación inercial (INS) cuando el modelo dinámico del sistema y las características estadísticas del ruido del sistema de navegación inercial no están claras, y el error de estimación es menor y la precisión es mayor.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Filtro de Kalman; Velocidad; Coincidencia de actitud; Alineación de transferencia; Filtro federal; Redes neuronales
• Keywords:Kalman filter; Velocity; Attitude matching; Transfer alignment; Federal filter; Neural networks