常加速度模型的简化自协方差最小二乘法

“当前”统计模型自适应算法并非真正意义上的自适应目标跟踪算法,其性能与其中关键参数的选择有着直接的关系。本文以常加速度模型对机动载体进行建模,顾及其状态噪声协方差矩阵满足特定结构,提出了简化的自协方差最小二乘噪声协方差估计方法,该方法通过建立新息的相关函数序列与未知噪声协方差矩阵间的函数模型,并结合最小二乘法进行噪声协方差估计。数值仿真结果表明,当载体进行阶跃加速度运动或变加速度运动时,本文所提方法的目标跟踪精度均优于“当前”统计模型自适应算法。     

基于随机模型改正的有色状态噪声处理新方法

控制有色状态噪声影响除了通过状态向量扩展的方法外,也可以通过修正随机模型.提出采用多项式长除法将有色状态噪声模型展开成无穷级数,截断取其有限项,进而求取有色状态噪声方差.利用该方差对随机模型进行修正,再结合现代时间序列分析方法,构造出新的ARMA新息模型,并根据该新息模型设计状态最优滤波器.为了说明该方法的正确性和合理性,将它与标准的Kalman滤波和状态向量扩展法进行分析和比较.结果证明利用该方法能有效地控制有色状态噪声的影响.     

有色观测噪声的随机模型级数表示及其补偿法

提出了有色观测噪声的随机模型级数表示及其补偿法,利用该方法能对随机模型进行修正.结合现代时间序列分析方法,并根据新息模型设计了状态最优滤波器.将本文方法与观测扩增方法进行了分析和比较,结果表明,利用该方法能有效控制有色观测噪声的影响.     

组合导航中一种新息自适应卡尔曼滤波算法

全球定位系统/航位推算组合导航定位中,由于目标运动的不确定性,GPS接收机与DR器件接收的数据存在噪声,使预置目标运动模型通常很难得到较高跟踪精度,针对应用常规卡尔曼滤波进行组合导航解算由于噪声统计特性未知而引起滤波不稳定的问题,本文提出了一种基于新息序列的量测计算进行自适应估计的卡尔曼滤波算法。该算法通过对新息方差强度进行极大似然估计,将新息计算引入卡尔曼滤波器的增益计算,达到控制发散的目的。最后对改进的算法与一般卡尔曼滤波算法做了对比仿真试验分析,结果表明了改进算法的有效性。     

顾及MLE的IGS坐标时间序列噪声模型特性分析

以30个GPS基准站坐标序列为对象,提出分别采用赤池信息量准则（AIC）与贝叶斯信息准则（BIC）噪声模型估计准则判定GPS时间序列噪声特性,对比分析GPS时间序列噪声模型特性,探讨不同噪声模型对GPS站速度及其不确定度的影响. 结果表明GPS站坐标序列噪声模型主要表现为FN+WN、PL及FN+RW+WN噪声模型特性;FN+WN噪声模型对GPS站速度估计值的影响相对较小,但在U分量影响最为明显;此外,RW对站速度不确定度的影响不可忽略, 正确获取模型参数估计的实际不确定度及改正噪声分量对于合理应用GPS坐标时间序列数据具有重要的意义.      

欧洲地区IGS基准站坐标时间序列各分量方向最优噪声模型变化探讨

针对现有坐标时间序列研究中各分量方向间噪声特性对比研究较少,本文选取欧洲地区58个IGS基准站11年的坐标时间序列,采用不同的噪声模型组合对它们进行噪声分析并就各分量方向间的噪声特性进行对比。结果表明,各测站在NEU分量表现出不同的噪声特性,因此分析时间序列变化特征的物理解释时需对各分量区别对待;垂直分量的有色噪声、振幅等明显大于水平方向,与一般认为的垂直分量精度低于水平分量相一致。      

京津地区GNSS坐标时间序列噪声特性研究

针对地表质量负荷对京津地区GNSS坐标时间序列噪声特性的影响,选取中国大陆构造环境监测网络8个GNSS基准站2012—2014年的坐标时间序列,利用CATS软件计算大气压、非潮汐海洋、积雪和土壤湿度等质量负载改正前后GNSS坐标时间序列的谱指数、最优噪声模型、速度的变化。发现地表质量负载对GNSS坐标时间序列的噪声特性产生了明显影响。结果显示,京津地区GNSS坐标序列包含白噪声和有色噪声,且最优噪声模型具有多样性。扣除质量负载后N、U分量的噪声模型变化明显,主要表现为FN+WN和PL+WN,而N、E分量的谱指数分别趋近于FN和WN。质量负载改正后基准站U方向的线性速度变化较大,且北京地区变化量大于天津地区。研究结果为提高GNSS数据解算精度、精细分析地壳形变提供参考。     

环渤海区域GPS坐标时间序列噪声分析

本文以环渤海区域GPS基准站2013年至2018年观测数据为基础,从噪声特性及时间序列参数方面进行分析。利用最大似然估计法估计环渤海区域27个测站坐标时间序列在不同噪声模型下的噪声量级及时间序列参数。针对最佳噪声模型,利用谱指数和最大似然估计两种方法分别从定性和定量确定。结果表明,测站的最佳噪声模型主要有WN+FN和WN+FN+RWN两种模型组合,绝大多数测站的最佳噪声模型为WN+FN,其中WN+FN+RWN模型主要分布在基岩类型为土层的基准站上,WN+FN模型主要分布在基岩类型为基岩的基准站上。     

格陵兰GNSS测站坐标时间序列噪声分析

自2007年来,格陵兰地区逐步建立了50多个GNSS连续观测站用以监测冰川质量变化导致的地壳回弹,至今已累计了超过15 a的坐标时间序列,这使得确定坐标时间序列的噪声特性成为可能。本文选取了格陵兰53个GNSS观测站自2008-2018年共10 a的坐标时间序列,利用功率谱分析和极大似然估计对其噪声特性进行了分析,并基于最优噪声组合估计了格陵兰测站的位移速度及其不确定度。利用贝叶斯信息准则作为评估依据的结果表明,闪烁噪声和白噪声+闪烁噪声的组合可以解释33%的测站噪声,幂律噪声可以解释52%的测站噪声,其余测站可用随机游走或一阶高斯马尔科夫噪声来解释。在利用极大似然估计分析测站坐标时间序列时,对于对97%的测站位移分量的速度估值而言,不同噪声模型的影响小于0.1 mm/a,最大为0.31mm/a,但不同的噪声模型会导致测站位移速度的不确定度的最大估值和最小估值之间存在1.3～7.1倍的差异。因此准确地确定测站坐标序列的噪声模型对于准确估计测站位移速度及其不确定度是十分重要的。     

散射模型的多时相极化SAR斑点噪声滤波算法

本文提出了一种基于散射模型的多时相极化SAR数据斑点噪声滤波算法,该方法是利用多时相极化SAR数据,在保持像元主散射特性基础上实现斑点噪声抑制。其基本原理是对多时相极化SAR数据的主辅影像进行分类,并通过统计主辅影像中待滤波像元邻域窗口内类别分布情况自适应地选取参与滤波的像素进行滤波。实测数据的实验结果表明,该方法既能够有效地抑制斑点噪声,又能够良好地保持地物散射特性和边缘纹理特征。     

卡尔曼滤波在坝体变形监测中的应用

介绍了卡尔曼滤波算法的基本思想,通过建立卡尔曼滤波模型对某大坝变形监测数据进行处理,结果表明：卡尔曼滤波算法能够有效地减弱随机噪声的干扰,并能较准确地对未来时刻的状态进行预测。     

自适应卡尔曼滤波法用于变形监测数据处理

卡尔曼滤波作为一种动态数据处理方法广泛应用在变形监测数据处理中。文中针对传统卡尔曼滤波因动态噪声不准或不容易确定影响结果准确度的问题,提出并探讨了方差补偿自适应卡尔曼滤波,并通过传统卡尔曼滤波和自适应卡尔曼滤波对GPS变形监测数据进行处理,其结果表明方差补偿自适应卡尔曼滤波对GPS变形监测具有很好的剔除噪声的作用,效果明显。     

融合PSO-SVM的混凝土拱坝多测点变形监控混合模型

针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。     

顾及线性化模型误差补偿的卡尔曼滤波算法

针对扩展卡尔曼滤波（EKF）线性化所产生的线性化模型误差问题,使用非线性预测滤波对线性化所引起的模型误差进行预测,并在标准EKF的解算过程中考虑到预测所得误差的统计特性,使模型更趋于真实情况。通过算例对改进算法的性能进行了验证。     

EMD在北斗桥梁变形监测数据中的应用研究

针对我国北斗系统变形监测数据中存在的噪声问题,本文利用自适应信号分析方法经验模态分解(EMD)对某北斗实测变形监测数据进行降噪处理。首先对E、N、U 3个方向的分量进行分解获取本征模态函数及趋势项,其次根据相关系数分离出噪声的本征模态函数,最后根据重构方法得到干净的位移序列。结果表明:EMD方法在北斗变形监测数据中的去噪是可行的,能有效分离信号与噪声,进一步提高了北斗观测的精度。     

基于抗差卡尔曼滤波的GM(1,1)模型在变形预计中的应用

针对传统灰色模型建模过程中易受观测数据随机噪声干扰的影响,利用抗差卡尔曼滤波理论能够有效地估计含有噪声的观测值的优点,构建了基于抗差卡尔曼滤波的GM(1,1)模型。结合实例,验证了该模型在一定程度上可以提高变形监测预测精度,更好地反映观测对象的变形趋势。     

小波分析在GPS变形监测数据处理中的应用

阐述了小波变换在变形监测数据处理中的应用方法,将变形监测的数据序列视为不同频率成分组成的数字信号,用MATLAB编程实现小波分析对监测数据的粗差识别、消噪、发展趋势的提取,实例表明,小波分析可以较好地适用于大坝变形监测的数据处理。     

大坝变形变系数回归建模

在变形分析建模中常采用回归分析建模,但普通的回归模型是一种静态的模型,当变形体结构或物理性质发生变化时,普通线性回归所建立的静态模型将不再适用。变系数回归模型是一种动态模型,有着更强的灵活性和适应性,因此,将变系数回归引入大坝变形分析建模中,采用局部线性估计的方法进行系数拟合。仿真和大坝变形建模实验表明,变系数回归得到的大坝变形模型优于普通的线性回归模型,预测精度更高。     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。     

ELMD并联式组合模型在沉降分析中的可行性研究

时频分解方法局部均值分解（local mean decomposition,LMD）在沉降监测中已经得到了应用,但在使用中会出现模态混叠现象。总体局部均值分解（ensemble local mean decomposition,ELMD）通过添加辅助噪声可以抑制局部均值分解过程中出现的模态混叠现象。提出了一种基于ELMD的并联式组合沉降预测方法,结合高速铁路某桥梁实际监测数据,在对ELMD模型进行仿真分析的基础上,分别使用ELMD和LMD将一组离散非线性信号分解为3个PF分量和1个剩余分量,并利用支持向量机和卡尔曼滤波进行预测验证。结果表明:使用ELMD进行分解的过程中能够很好地抑制LMD方法中出现的模态混叠问题。在预报精度方面,基于ELMD的并联式组合模型的平均相对误差可以达到8.3%,可为沉降监测的预报工作提供参考和借鉴。