����Ӧ������չKalman�����˲���������ϵ����е�Ӧ��

???????????????????????????о????????????????????????????????????????Kalman??????????????÷??????????????????Kalman????????????????????????????????????????и????????????3???????????????顢???Kalman??????????????????????????????????????????Kalman??????????????????????????????     

����Kalman�˲���GEO�����˶�ѧ����

?????GEO????????????????????????????????????Kalman???????GEO?????????????????????????????????????η????????????????????????????????????????????????????????????????????????????????????з?????????????????????????????????????????Kalman???????????н????????????????к???????????????????????,????????????????Kalman????????????????????????????,???????Kalman???????????????????????????????????????????Kalman?????????????????????GEO?????????????     

Kalman�˲�������̽�����޸��е�Ӧ��

????Kalman??????????????????????е??????????????????????????裬??????????????з??????????????Kalman?????????????λ??????????????????????????????Χ??С????????????????????????С????, Kalman?????????????????????????????????????????????     

�������˲�ģ������Ӱ�����

???????????????????????????????????Kalman????????????????????????????????????????????????????????????в?????     

���μ����Kalman�˲�״̬ģ�͵ıȽϷ���

??????λ??????μ???У?Kalman?????????????????????????????????????????????????Щ??????????????????????????????????????????????????????Щ????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????У????????????Kalman?????????????????????????????????μ??????е??????     

����ʱƵ����������GNSS/INS��ϵ��������˲�ģ��

??????????????????Kalman??????????????????????????Kalman?????????????????????????????????????????????????????????????GNSS/INS?????????????????????????????????????????????????????????????????????????????????????????Kalman??????????????     

����RTK������ģ���Ƚ��㷽���о�

?????????????Kalman??????????????????????????????????÷??????????????????????????????????????????????????????ò???????????Kalman?????????ο?????????????????????ù???????????????????????????????????и?????????????????y???CORS????????????÷????????????????????÷???????????????????????????????????????????     

�����ۻ���Сֵ��SINS��ʼ��׼

??????????????y???SINS??????????????????????????С?????????????????????SINS?????????????????????????SINS?????????????????????????λ?????????????????????????????????????????????????????????С??????????????????????????????????????????????????????????????????????????????????????Kalman???????????????????С???????????????????y??????????????????????????????Kalman???????????????????????????С??????????????????y???????????     

��������ӦKalman�˲���BP�����絼���е�Ӧ��

?????BP??????????????????Kalman????????????????????????????????????BP???????÷????????BP?????????????????????????????????????????????÷??????????????????????Ч??????     

基于抗差Kalman滤波的精密单点定位

当精密单点定位的观测值含有异常数据时,Kalman滤波的精度将会降低。采用抗差Kalman滤波方法能够有效抑制观测异常,提高滤波的精度和可靠性。运用武汉国际GPS服务跟踪站数据对该方法进行了验证。结果表明,抗差Kalman滤波的精度比Kalman滤波的精度有一定程度提高,说明抗差Kalman滤波能够有效抑制观测异常。     

��������Ӧ��ζ�����˲�

????????????д?????????????????????????ζ?????????(UPF)?????????????????????????μ???????????ζ?????????(AR??UPF)???÷??????÷???????????????????????????????UKF??????????????????????Э????????????????????????????????·????????Ч??????????????????????????????     

����ӦUKF��GNSS/INS����ϵ����е�Ӧ���о�

????IAE???????????????????????????ζ????????????????????GNSS/INS??????????????21??????????????????????????????????????в?????????????AUKF???????????????????????????????????????????????????????????????????????????????????????????Ч???δ????????????????????λ?????????49.38%??     

城市复杂环境下GNSS/INS组合导航算法研究

针对城市环境下GNSS车辆导航存在卫星信号易受影响的问题,利用GNSS/INS组合算法提高复杂环境下城市车辆定位性能。基于城市环境下实测GNSS数据评估分析定位结果,使用GNSS/INS组合的常规卡尔曼滤波算法实现卫星失锁区域导航。同时,提出一种基于新息的自适应卡尔曼滤波算法,可有效增强卫星数较少及信号干扰严重区域的车辆导航定位能力。该方法利用量测与预测的关系构造自适应因子,改善定位精度。结果表明,常规卡尔曼滤波可在20 s卫星信号失锁情况下保证亚m级导航精度,自适应卡尔曼滤波算法在卫星信号受到严重干扰时,其定位精度相比于常规卡尔曼滤波算法提高30%,可满足在城市复杂环境下的高精度、高可靠性车辆导航定位服务需求。     

基于序贯UKF的GNSS/CNS/SINS组合导航最优融合算法

组合导航系统在动态环境下具有强非线性,为提高GNSS/CNS/SINS组合导航系统的导航精度,提出一种基于序贯UKF的多传感器最优融合算法。首先,建立GNSS/CNS/SINS组合导航系统的非线性状态方程及2个子滤波器的线性量测方程;然后,对标准UKF的量测更新过程进行简化,简化UKF算法具有与标准UKF算法相同的滤波精度,且具有计算量低的特性;最后,将序贯滤波算法与简化UKF算法结合,提出多传感器组合导航系统的序贯UKF最优融合算法。仿真结果表明,本文序贯UKF算法不仅可提高系统解算的实时性,并且相对于集中线性卡尔曼滤波算法及经典集中线性UKF算法具有较高的滤波精度。     

����ERTSƽ������ֲ������������˲��·���

???????μ???????????????????????????Kalman???????Rauch??Tung??Streibel (RTS)??????????????????????????????????????????Kalman???????????????????????????????????÷???????????????????????????????????и???????????????GPS/DR?????????????飬?????÷???????Ч???     

卡尔曼滤波在多维AR序列建模中的应用

作为时间序列模型的一种，AR模型由于参数估计和定阶简单而广泛应用于系统辨识。在多维AR序列的最小二乘建模的基础上，结合卡尔曼滤波算法，推导了应用卡尔曼滤波技术的多维AR序列参数估计方法以及加入衰减因子后的卡尔曼滤波算法。该算法不需要保存历史数据，在得到新的“观测”数据后可以对AR模型的估计参数进行实时改正。在确定AR模型阶数时，提出了快速F检验法，大大减少了建模过程中的计算工作量，有较好的应用价值。     

顾及时变非高斯噪声的高斯和滤波及其导航应用

高斯和滤波可利用高斯混合模型精化非高斯噪声随机模型来提高估计精度,但导航测量环境的动态性和复杂性使非高斯噪声具有时变性特征,若GMM不随之调整会导致滤波解算失真。针对该问题,本文提出一种基于位移参数自适应估计的高斯和滤波算法。首先分析GMM位移参数对非高斯噪声拟合精度的影响,然后利用位移参数自适应技术修正GMM,进而改善高斯和滤波性能。实验结果表明,当GNSS/SINS量测模型存在时变非高斯噪声时,本文算法的滤波结果较传统高斯和滤波算法的波动小,抗干扰能力强,在实际应用中可进一步改善估计精度和稳定性。     

基于卡方检验的抗差自适应Kalman滤波在变形监测中的应用

在抗差Kalman滤波的基础上引入双自适应因子,分别对动态模型不准确和观测模型存在粗差进行调节,构建双自适应因子滤波模型。针对抗差自适应Kalman滤波效率较低的缺点,通过构建基于卡方检验的抗差自适应Kalman滤波,先用卡方检验对粗差进行检验,再调用抗差自适应Kalman滤波进行处理。工程实例表明,双自适应因子滤波模型可以很好地抵御粗差,并减弱模型不精确的影响。基于卡方检验的抗差自适应Kalman滤波不仅可以削弱粗差对滤波估值的影响,而且可以提高数据处理的效率。     

抗差自适应卡尔曼滤波模型及其在塌陷区监测中的应用

针对塌陷区等地表快速沉降区域的动力学特点及观测向量中存在的粗差对卡尔曼滤波结果的影响，设计一种抗差自适应卡尔曼滤波模型。该模型能识别稳定沉降与快速沉降2种状态，通过抗差估计减小观测向量中粗差的影响，并采用自适应因子调整动力学模型，减少状态模型的误差，提高滤波结果的精度。将该模型应用于某矿区沉降监测数据的处理，结果表明，其效果优于抗差卡尔曼滤波。