基于神经网络增强的抗错误数据注入卡尔曼滤波方法

本发明涉及智能控制与信息安全交叉技术领域，具体涉及基于神经网络增强的抗错误数据注入卡尔曼滤波方法，首先，构建神经网络辅助校正模块，用于识别和修正遭受错误数据注入攻击影响的扩展卡尔曼滤波中间变量；其次，设计混合滤波架构，将神经网络的学习能力与传统卡尔曼滤波的理论优势相结合；最后，通过混合训练机制实现模型参数的自适应优化。仅需有限的先验信息即可实现精确的状态估计，同时保持了传统卡尔曼滤波器的计算效率和可解释性。有效提升了系统在非高斯噪声环境下的抗干扰能力。该方法在感应电机模型上的应用显著优于传统对抗错误数据注入方案，在估计精度和鲁棒性方面均取得了突破性进展。