Определение параметров состояния контролируемого динамического объекта (подсистемы) средствами ИИС может базироваться на рекурсивной модификации уравнений, описывающих совокупность объект — система измерений, и нейронных сетях (НС) специальной структуры. К таким структурам относятся темпоральные НС и НС с обратными связями — рекуррентные нейронные сети (РНС).

Алгоритмы обучения РНС особенно трудоемки при не малой размерности контролируемой динамической подсистемы (ДС) и при реализации алгоритма обучения в реальном времени (АОРВ), где требуется обновление градиента функции ошибок на каждом временном шаге моделирования ДС. Значительное улучшение АОРВ обеспечивает его рекуррентная организация с применением метода Калмана. В статье рассмотрены основы концепции метода Калмана: модель пространства состояний, процесс обновления, принцип рекурсии, автокорреляционная матрица ошибки прогноза, "усиление Калмана", две разновидности алгоритма реализации. Метод Калмана для (РНС) обоснован на линейной и нелинейно