本课题重点研究了神经网络和Kalman滤波的辅助性结合算法。神经网络的映射逼近能力和自学习能力,适用于很多非线性问题;而Kalman滤波则是信息、导航系统等领域中最常用的一种算法,可以实现系统状态的最优估计。然而这两种方法各有缺陷:神经网络虽不需要系统确切的数学模型,但有导师学习需要正确的学习样本(或训练样本),大量噪声学习样本会导致一个错误的学习结果,致使神经网络失效;同时神经网络学习速度慢、泛化能力不强等问题也限制了它在工程中的应用。另一方面,Kalman滤波必须有系统确切的数学模型,以及噪声信息的概率特性,这种方法计算精度不高,易发散失效,还存在计算量大、维数灾难等问题。针对神经网络的学习问题,本文提出了两种改进方法:基于DFP的神经网络学习算法和基于Kalman滤波的神经网络学习算法。前者通过放大更新量,增加噪声扰动,改善了原算法的不稳定性,解决了溢出问题,增强了算法实用性。后者首先在时间更新部分,通过其他学习算法给出预测权值的更新量,然后利用这个结果修改Kalman滤波增益表达式,获得了一套新式的时间更新和测量更新运算,缓解了维数灾难和大量计算性问题,增强了神经网络的鲁棒性,同时还可以采用批处理方式进行神经网络的学习,大大提高了神经网络的学习效率。针对Kalman滤波的缺陷,文本研究了另一种神经网络和Kalman滤波的辅助性结合算法:以Kalman滤波为算法主体,从补偿技术的角度出发,通过采用两个神经网络分别学习Kalman滤波的预测结果和真实结果,并分别在时间更新部分和测量更新部分对相应结果进行修正,从而改善了Kalman滤波容易发散、精度差等问题。本文对改进的方法进行了大量实验,通过与以往方法的比较,验证了改进算法的优势。神经网络和Kalman滤波的辅助性结合是目前多种信息技术融合研究的热点问题之一。这两种方法的结合使得算法可以取长补短,改善原算法的相关缺陷,增强算法的实用性,也可在实际应用中提高了系统的精度和抗干扰能力。