《RBFNN辅助卡尔曼滤波器在GPS／SINS组合导航中的应用》这篇论文主要探讨了如何在GPS和捷联惯性导航系统（SINS）的组合导航中，通过引入径向基函数神经网络（RBFNN）来增强卡尔曼滤波器的性能，以提高导航系统的定位精度和鲁棒性。
GPS系统虽然能提供高精度的三维位置、速度和时间信息，但在某些特殊情况下，如信号遮挡或大机动运动时，可能会出现失锁问题。而SINS虽然具有自主性和保密性，但长期运行会导致导航误差积累。因此，将两者结合形成的组合导航系统可以互补各自的不足，实现更稳定的导航效果。
在组合导航系统中，由于传感器输出信息可能受到各种环境干扰，传统的卡尔曼滤波器可能无法有效处理这些有色噪声，导致滤波结果不可靠甚至发散。论文提出了一种基于RBF神经网络的辅助卡尔曼滤波方法，利用RBFNN的自学习、自组织和自适应能力，来适应不同环境扰动，增强滤波器的适应性。
RBF神经网络是一种三层前馈网络，包括输入层、隐藏层和输出层。隐藏层的RBF函数是非线性的，可以局部映射输入向量，而输出层的映射则是线性的。RBF神经网络的学习算法，特别是正交最小二乘（OLS）学习算法，能够快速求解权值，以优化网络的预测能力。
在RBFNN和BP神经网络的比较中，发现RBFNN在收敛速度和稳定性方面表现更优，因此选择了RBFNN来辅助卡尔曼滤波。通过RBFNN对惯性传感器输出信号进行预测，可以减少滤波过程中的不确定性，从而提高导航定位的精度。
在实践中，RBFNN的中心和宽度选择对网络性能至关重要。固定法、随机固定法和Kohonen中心选择法等被用来确定中心，而宽度通常根据数据集的特性来设定。RBF函数通常选用高斯函数，因其在数学和工程领域中有良好的性质。
通过仿真结果，论文验证了RBFNN辅助的卡尔曼滤波器可以有效地抑制滤波器发散，提高GPS/SINS组合导航系统的定位精度，对于在恶劣环境下的飞行器和舰船导航具有重要意义。这种方法降低了对系统误差随机模型的依赖，增强了系统的自适应能力，为多传感器导航系统的优化设计提供了新的思路。
