人工神经网络是计算机智能研究领域发展迅速的一门理论和技术,具有从环境中学习知识的能力和以类似生物的交互方式适应环境的能力。该方法无需知道准确的系统模型,通过学习即可建立输入与输出之间的关系。因此,神经网络技术常用于INS/GNSS组合系统中GNSS信号中断时导航参数的预测与校正。然而,当卫星信号中断时,现有神经网络的预测精度不高,泛化能力较差;即使在卫星信号可用时,由于神经网络学习算法的训练效率较低,且依赖于训练样本,严重影响对导航参数预测和校正的效果。。因此,深入研究神经网络的优化方法及其在组合导航中的应用,对于提高组合导航系统的性能,具有重要的理论意义和实际应用价值。本文以提高INS/GNSS组合系统中GNSS信号中断时,利用神经网络技术对导航参数进行预测和校正的效率为目的,研究提高神经网络学习效率和优化网络拓扑结构的方法。提出一套神经网络优化算法,并将其应用于INS/GNSS组合导航系统中进行实验验证与分析。论文的主要研究内容和创新性贡献如下:(1)提出一种基于模型预测滤波的神经网络学习算法。首先,在网络的正向传递过程建立状态空间方程,并将网络权值作为状态变量。然后,利用模型预测滤波对网络权值进行更新;同时,考虑样本噪声对网络模型辨识的影响,利用预测滤波对网络的模型误差进行修正,弥补模型误差对权值更新的影响,使训练后的神经网络具有更强的鲁棒性。最后,将提出的模型预测滤波神经网络应用于INS/GPS组合导航系统进行实验验证,仿真结果表明:该算法在训练效率和预测能力两方面均优于BP算法,当卫星信号中断时,可以有效提高组合导航系统的定位精度。(2)在研究BP神经网络和渐消卡尔曼滤波的基础上,提出一种渐消卡尔曼滤波神经网络学习算法。该算法在神经元作用的线性部分建立状态空间方程,将神经网络输出层的权值和输入量分别作为状态变量和量测值,调用渐消卡尔曼滤波递推方程计算滤波增益以及更新的误差协方差矩阵,并充分利用当前的量测数据和更新的误差协方差矩阵,以及最新量测数据,对网络权值进行更新。实验结果表明:在不损失训练精度的前提下,该算法可以有效提高网络的学习速度。(3)设计一种基于渐消UKF的神经网络学习算法。站先,针对权值更新的非线性部分建立状态空间方程,将网络权值作为状态变量。然后,通过选择适当的渐消因子对量测数据的长度进行限定,使系统能够有效利用现时量测信息,对当前量测预测的方差阵进行调整,实现网络权值的更新。此外,与渐消卡尔曼滤波学习算法不同,该算法直接从训练样本获得量测信息,避免了传递函数逆运算造成的量测误差。最后,将提出的算法用于INS/GPS组合导航系统进行实验验证,结果表明:该算法可以改善神经网络的预测效果,提高组合系统的定位精度;然而,在训练效率方面有待提高。(4)针对RBF神经网络的结构设计中存在的缺陷,设计一种基于输出敏感度方差重要性的RBF神经网络结构优化算法。首先,以隐含层节点的输出敏感度在样本集上的方差作为重要性度量,判定是否对该节点进行分裂或删除操作。然后,利用梯度下降法对网络参数进行修正,保证最终网络的收敛性和预测精度,实现RBF网络结构和参数的自校正。最后,将该网络应用于非线性函数逼近和INS/GPS组合系统误差校正,仿真结果表明:相比其他RBF网络结构优化算法,提出的算法可以使RBF网络具有更强的非线性逼近能力,更高的收敛速度;并且最终确定的网络结构最简。(5)针对卫星导航系统易受干扰导致信号中断的问题,研究设计了伪卫星独立组网的布局新方案。首先,以临近空间飞艇为运载平台,从几何精度因子(Geometric Dilution of Precision,GDOP)的定义出发,在分析卫星数目对GDOP影响的基础上,确定了 6颗伪卫星组网的设计方案。然后,利用伪卫星的高度角和方位角与GDOP的影响关系,设计了基于临近空间飞艇的6颗伪卫星布局方案。最后,对新方案的GDOP值进行仿真计算,结果表明:在半径为60-100km的区域,设计的新方案对GDOP增长控制的更好,说明该方案的优势在外层区域。