摘要
本文提出了一种基于遗传神经在线调整的自适应卡尔曼滤波器中过程噪声协方差矩阵的混合机器学习方法，旨在提高电致气动系统动态跟踪的准确性。该方法结合了使用遗传算法的离线参数优化和通过神经网络进行的在线调整。设计了一种两级架构来生成过程噪声协方差矩阵，该矩阵基于自适应系数，使得数学模型的统计特性与电致气动系统的当前动态状态保持一致。这种方法确保算法能够适应速度、加速度、外部负载和运动轨迹的变化，从而实现更精确的状态估计、提高反馈质量，并在多种工作模式下增强动态跟踪的准确性。所提方法的一个关键特点是使用了独立的参考测量通道。与当前仅基于内部传感器测量数据来调整卡尔曼滤波器的自适应结构不同，所提方法通过使用激光干涉仪实现的独立参考计量系统测量的实际跟踪误差来优化自适应系数，以实现最小化跟踪误差。
