Una revisión: estimación de estados basada en modelos híbridos de filtro de Kalman y red neuronal

En este artículo, se revisan modelos híbridos de filtro de Kalman y red neuronal para la estimación de estados, así como sus logros académicos correspondientes, cuya creación es un desarrollo notable en la estimación de estados. Este artículo tiene como objetivo proporcionar un resumen del progreso de la investigación sobre tales modelos híbridos y enfatizar sus funciones y ventajas. En primer lugar, se presta atención al concepto y las características del filtro de Kalman, y se consideran sus modos transformativos. Luego se presentan brevemente varios algoritmos populares de redes neuronales. Posteriormente, se analizan y discuten de manera exhaustiva los resultados de investigación sobre modelos híbridos. No solo se puede adoptar en sucesión el filtro de Kalman y la red neuronal, sino que también pueden mezclarse en su estructura. Los modelos mezclados también pueden dividirse en dos tipos: las ecuaciones o parámetros del modelo de estado-espacio son entrenados por la red neuronal para el filtro de Kalman y los parámetros de la red neuronal son actualizados por el filtro de Kalman. Se ha demostrado que los modelos híbridos superan en precisión y generalización a los modelos individuales de filtro de Kalman o red neuronal. Por último, pero no menos importante, se verifica que la efectividad de las ecuaciones de estado-espacio del filtro de Kalman puede ser establecida por la red neuronal en sistemas no lineales.