һ���µĵ��������Ӳ�Ԥ�����ڲ巽��

???????????ζ?????????????????????????????????????С???????÷?????????????????????????????С????????????????????Э?????????????????????麯???????Э????????????????????ó?????Э???????????в????????????Χ??????÷?????????????????????????????б??????????????????????????????Ч???     

�����ƹ�ģ���ڸ�������ת���е�Ӧ��

2000???????????(CGCS2000)????????????????????????????????????о????н??????????????????????????????????????????????????????????Bursa??????????????????н???в??????????????????????????????????в?????????????Э???????????????溯?????????????????????????????в????????????????????????????????????????????????????????????????????Ч????????в??????????????в??????????С??????????y??????????     

��������ƹ�������С�ⷨ�ĵ�ͼ����任

????????????????С????????????????????????????????????????????????????ú???????????????в????????????Э???????????????????????????????????????÷???????????任?е????,???????????????????С?????????????????????????С?????????     

��������ƹ�������С�ⷨ�������Ӳ����Ԥ��

??????ζ?????????????????????????????????????С??????????ζ???????в????Э????????????????y????????????????????????б??????????????С???????????????????????????????????????????     

��̬������С����ģ�͵������㷨

????????????????????????????????????????????????????С????????в???????,?????????????С???????????????????????????????????Tikhonov?????????????????????С??????????????????????????????????????????????Э????????????????????Fredholm???????????????????????????С????????????????????? ???????????????????????й?????????????????????????????     

���ڿ���EKF��INS/GNSS������㷨Ӧ���о�

???INS/GNSS????????GNSS????????????????о?????????EKF???????????????????INS?????????????μ???????INS/GNSS?????????????????????????????С?????????????????С????в??????????????Э???????????????????????????????????????????????????????????????GNSS?????д???????????????EKF??????????????????????????????????????????????????     

�ϲ㻬���ֲ���λ��ģ��Ӱ��ЧӦ�������Է���

????4?????е?????????????????????????Okada?????????λ???????????????λ???????????????????????λ?????????????????GPS???λ??????ж??????????????????????????????о????????????λ?????????λ??????????????????????????????????????????????????λ?????????λ?????GPS????????????????????в?????Δv-?0.007 m???в?Э????????tr??Σ???0.006 m????????????????????????λ??????????????????????????????S2A??=7.170 16 m??2????S2B=91.407 7 m??2???????????λ???????????????????????????????????????????????????????????????????????????λ?????????????????????     

������С��������Ԥ��ȫ�������ܵ��Ӻ���

??????????????????(VTEC)??????????????????????????????????4?????????????????????Э????????????????С???????÷????????????????????????г????????????????????????????????????????????????????????(CODE)????????????????????????0.812???????????ο???в???4 TECu????????????????????????????????????????????γ20°?????????????????????????????????????1??7 TECu?????????????????2.4 TECu?????CODE????????20.14%????????????????3.5 TECu?????CODE???????????????????3.0 TECu?????CODE????????8.25%??     

�в�����Ӧ�ع�TLS

TLS??????????????У????????????в??????????????????????????????????????????в???????????????????????TLS??????????У??????????????????????????????в???з?????????????????TLS?????????????????????????в???????????????в?????????????á???????????????????÷???????????     

�й���½��Ҫ����ˮƽ�˶�Э�����ȷ�������о�

?????С??????????Э????????????????????????????????????????????????????????????????????????????????????????????Э?????????·???????????????????????????????????????????й??????????????????Э????????????????????????????и????????????     

基于协方差函数的点坐标拟合推估算法

应用空间转换模型实现坐标系统的转换。根据转换区域内已知公共点在转换后的残差,用Reilly函数建立协方差函数。在协方差函数的基础上,拟合点坐标随机性部分的残差值。算例表明,应用协方差函数对点坐标进行拟合推估,点坐标值更趋近真值。     

一种新的基于模糊分析观测信息的局地化方法

地球表层系统是一个极其复杂的巨系统,为了更精确地表达地球表层系统各种过程的动态演进,解决数据同化系统观测误差的估计与处理已经成为地球科学领域备受关注的问题之一。在地球科学系统数值模拟中,一般采用集合数据同化来探讨地学变量预报时的各种误差。集合类卡尔曼滤波通常会由于集合数过小而带来欠采样、协方差低估、滤波发散和远距离虚假相关等问题。针对背景误差协方差被低估问题,局地分析方法（Local Analysis, LA）在一定程度上能起到抑制作用,但无法彻底解决背景误差协方差的虚假相关问题。因此,本文在集合卡尔曼滤波的算法框架下提出了一种与模糊逻辑控制算法相耦合的局地化分析方法（Fuzzy Analysis, FA）。在强非线性Lorenz-96模型中,对不同模型误差下的LA和FA方法进行了性能优劣方面的探讨,并比较分析了2种方法在集合数、观测数和观测位置、放大因子以及强迫参数变化时的同化性能。实验采用均方根误差作为算法评判依据,同时用功率谱密度（Power Spectral Density, PSD）更直接地对2种算法性能优劣作出了评价。结果表明：在完美模型下,FA相对于LA降低了17.5%的均方根误差（Root Mean Square Error, RMSE）;随着模型误差增大,RMSE减小的百分比和减小幅度都在降低;在严重模型误差下,FA降低了8.6%的RMSE。总体而言,新算法FA的有效性和鲁棒性都得到了验证,并且在EnKF同化基础下有效改进了传统的局地化分析方案,优化了观测误差处理,为今后的数据同化研究提供了一个较为全面的观测误差研究平台。     

һ��ƽ����ĵ���ȡ�㷨

??????????α?????????б????????????????????????????????????????????????????????????????????????????????е???α?磬?????????????????????????????????????÷????????У???????????????????????????????????????￡????????????б????????????÷???????????????????????????     

关于NEU(ENU)坐标系统

对GPS测量中常用的NEU坐标系作了详细的说明;对GAMIT和GLOBK软件中的所采用的NEU坐标的一些误解作了澄清,并给出了在这两个软件中的XYZ坐标、NEU坐标与坐标协方差的转换方法。     

基于异构集群计算的地统计面插值并行算法

地统计面插值算法在空间统计分析中有广泛应用,其目的是通过一组面要素的某已知属性值估算另一组面要素的属性值。地统计面插值算法多是基于克里金（Kriging）插值及其衍生算法。克里金插值算法考虑属性在空间位置上的变异性,需计算要素之间的协方差,是典型的计算密集型算法。本文分析了基于克里金插值的地统计算法计算过程,该算法中面要素间协方差计算相互独立,可作为并行计算单元划分。另外,面要素间协方差计算可使用快速傅里叶变换（FFT）快速计算,而FFT是一种非常适合并行处理的计算密集型算法。本文根据算法特征设计了基于异构集群计算的并行算法,并使用MPI+CUDA实现了该算法。实验结果表明,本文实现的算法比使用MPI实现的CPU集群的算法有更好的性能,具备良好的可扩展性,并且随着插值精度提高表现出更好的性能。     

基于单元复制的通用化离散格网系统生成算法

本文提出一种基于单元复制的通用化格网系统生成新算法。其核心是采用"简单单元复制+有效区域控制"。首先,建立坐标系,确定待计算剖分格网系统的种类,从而确定格网剖分类型的3个关键因素。在此基础上,确定各类多尺度格网有效控制边界。然后对多尺度格网进行合适的数学变换,计算单一三角面格网系统单元节点坐标,并建立不同层级单元节点的关联关系。最后,以六边形格网为例展开验证,直接生成正二十面体表面格网。实验结果证明,该算法具有很好的通用性,可以通过调整相应的起算参数,生成各类多尺度格网。避免了传统定制算法的局限性,实现了统一化生成各类格网系统的目标,为不同剖分类型全球离散格网系统间互操作性问题研究提供了一种解决思路。     

CNS/SINS组合导航系统的UKF算法研究

天文/捷联惯性（CNS/SINS）组合导航系统采用姿态组合,可使姿态角处于收敛状态,并有效抑制位置及速度的发散。为提高组合导航系统的精度,本文设计了CNS/SINS组合导航系统的UKF算法,在建立CNS/SINS组合导航系统非线性状态方程及线性量测方程的基础上,首先对UKF的量测更新过程进行简化,降低其计算量;然后,基于平台误差角提出系统状态协方差矩阵中姿态角协方差矩阵的计算方法,并推导了UKF算法中姿态量测值一步预测误差对应的平台角误差向量表达式,进而建立CNS/SINS组合导航系统的UKF算法;最后进行仿真实验。结果表明,相对于线性卡尔曼滤波算法及EKF算法,本文算法可明显提高组合导航系统的各导航参数精度,并且本文算法对滤波器初始姿态角误差变化具有较高的鲁棒性。     

˫������̬ȷ�������㷨�ıȽϷ���

???÷???????????????????????????????????????????????????????????????????TRIAD????QUEST????????????????????????????????????????????С???????????????????仯???????￡?TRIAD??????????     

面波频散反演的数值模拟

大量的数值模拟表明,SVD和LSQRD在面波频散网格反演两步法中的应用效果都很好.但SVD可以用分辨矩阵、信息矩阵和协方差矩阵对解估计进行数学上客观有效的评价;而对于大型稀疏方程组的求解,LSQRD确是一种内存需求小、计算速度快以及分辨抗噪能力都较强的算法 .在现有计算机运算速度较快、内存可以扩充较大的条件下,实测数据量不很大时,应采用SVD算法进行线性反演.