一种基于分步式滤波的多传感器组合导航系统算法研究

提出了一种多传感器组合导航系统的分步滤波算法。当所有传感器的观测值到来时,首先对该时刻的系统状态进行预测,然后利用常规卡尔曼滤波器和各导航传感器的观测值依次对该时刻的状态向量估计值进行更新,进而得到该时刻状态向量基于全局信息的最优融合估计。最后利用GPS/SST/高度表/SINS多组合导航系统对上述算法进行验证。仿真结果表明,该算法与集中式卡尔曼滤波算法的估计精度相同,但计算量得到降低。     

多特征融合的LSSVM遥感影像道路提取

针对高分辨率遥感影像上道路与相邻近地物的光谱信息相似导致提取道路不理想问题,提出多特征融合的最小二乘支持向量机(least squares support vector machine,LSSVM)遥感影像道路提取方法.该方法首先对原始影像进行色彩变换(HIS)提取光谱饱和度(Saturation,S)分量;然后,采用多尺度分割算法获取道路区域影像对象,并提取影像对象的多种特征作为最小二乘支持向量机分类器的输入;最后,通过最小二乘支持向量机对道路信息进行提取,并通过数学形态优化道路提取结果.结果表明,该方法能够有效地提取复杂场景下的道路信息,提高道路提取的精度.     

融合小波变换和自适应Kalman滤波在GPS监测中的应用研究

针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。     

利用慢特征分析进行多尺度融合的 高分辨率影像变化检测

提出利用慢特征分析的特征级多尺度融合的方法。首先对两时相影像分别进行多尺度分割,并与原始影像共同构成多尺度特征集;其次对特征集进行迭代慢特征变换,增大变化区域与未变化区域的可分性;最后通过K-means聚类完成变化区域与未变化区域的分割,得到二值变化检测结果。通过两组北京地区的多光谱影像实验发现,该方法具有更高的精度和自动化程度。     

多模型卡尔曼滤波在地磁场航海测量中的应用

由于卡尔曼滤波对模型精度有很强的依赖性,因此实际的地磁场测量系统中,宜采用多模型自适应卡尔曼滤波,以提高状态估计的准确度。针对并行子滤波器间的数据融合问题,提出了"距离"意义下的数据融合新算法,应用结果表明算法具有实用性。探讨了通过检验并行子滤波器状态估计一致性的模型误差识别方法,并将其应用于监测地磁场测量系统中船舶磁化参数的变化。     

HSV变换和多尺度分割相结合的高分辨率遥感影像阴影检测

针对阴影在高分辨率遥感影像的特性,提出了一种色彩空间变换和多尺度分割相结合的阴影检测方法。该方法首先对原始影像进行连续两次HSV变换,并分别提取前后两次变换的亮度分量和色度分量;然后引入面向对象思想,进行多个尺度的影像分割并依次实现每一尺度下的阴影检测;最后将多个尺度的检测结果进行决策级融合获取最终检测结果。利用高分二号和Google Earth影像分别进行实验,实验结果表明,该方法有效结合了粗细尺度优势,阴影检测误检率和漏检率较低,同时对较亮阴影和较暗地物均具备较好的识别效果。     

自适应抗差KF-UKF的超宽带导航定位方法

针对超宽带导航定位中量测信息异常误差和非线性滤波问题,该文提出了一种基于自适应抗差卡尔曼滤波-无迹卡尔曼滤波(KF-UKF)的超宽带导航定位算法。该算法首先利用卡尔曼滤波计算预测状态向量及其协方差矩阵,利用无迹卡尔曼滤波进行量测更新;然后利用先验阈值和预测残差构建量测噪声的抗差协方差矩阵,以减少量测信息异常误差的影响,同时利用自适应因子对算法进行调节和修正。结果表明,该算法能有效地抑制并消除超宽带测距中量测信息异常误差的影响,能有效地处理状态模型误差的影响,提高超宽带导航定位的精度和稳定性,同时拥有比无迹卡尔曼滤波算法更高的计算效率。     

一种异步多传感器组合导航系统融合算法

针对不同导航传感器存在的采样率不同步（或尺度不同）,提出了一种基于状态方程多尺度变换的异步多传感器组合导航系统信息融合算法。仿真结果表明,本算法不仅具有较好的实时性,而且具有较好的融合精度。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

基于多尺度特征融合和支持向量机的高分辨率遥感影像分类

相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。     

基于SUT-EKF的DGPS/DR 组合定位算法

针对基于DGPS/DR的移动机器人组合定位问题,采用一种尺度无迹变换扩展卡尔曼滤波(SUT-EKF)算法,由于组合定位系统中的状态方程是非线性的,并且观测方程是线性的特点,将SUT预测移动机器人位姿,利用EKF融合最新观测值更新机器人位姿,该算法在状态预测阶段避免了计算Jacobian矩阵,从而有效地减小了线性化对非线性系统误差的影响。仿真结果表明,该算法具有较好的滤波精度和稳定性,为实现DGPS/DR组合定位系统提供了一种有效可靠的途径。     

UWB TW-TOA测距误差分析与削弱

针对室内环境下UWB TW-TOA测距精度受标准时间偏差和NLOS误差影响明显的问题,采用4阶多项式拟合模型对标准时间偏差进行标定,设计了一种新的基于偏移卡尔曼滤波的NLOS误差鉴别与抑制方法。该方法将测距残差与卡尔曼滤波结合,鉴别出NLOS误差,并将残差值加入到卡尔曼滤波的迭代中,修正卡尔曼滤波的异常值,得到消除NLOS的测量值。利用实测试验对以上算法进行验证,结果表明经过标准时间偏差标定及NLOS误差的鉴别与抑制后,在LOS环境下,UWB TW-TOA测距精度可达到毫米级;在NLOS环境下,测距精度可由原来的0.5m缩小至0.2m,证明了本文方法的正确性和可行性。     

Hybrid derivative-free extended Kalman filter for unknown lever arm estimation in tightly coupled DGPS/INS integration

Differential carrier phase observations from GPS (Global Positioning System) integrated with high-rate sensor measurements, such as those from an inertial navigation system (INS) or an inertial measurement unit (IMU), in a tightly coupled approach can guarantee continuous and precise geo-location information by bridging short outages in GPS and providing a solution even when less than four satellites are visible. However, to be efficient, the integration requires precise knowledge of the lever arm, i.e. the position vector of the GPS antenna relative to the IMU. A previously determined lever arm by direct measurement is not always available in real applications; therefore, an efficient automatic estimation method can be very useful. We propose a new hybrid derivative-free extended Kalman filter for the estimation of the unknown lever arm in tightly coupled GPS/INS integration. The new approach takes advantage of both the linear time propagation of the Kalman filter and the nonlinear measurement propagation of the derivative-free extended Kalman filter. Compared to the unscented Kalman filter, which in recent years is typically used as a superior alternative to the extended Kalman filter for nonlinear estimation, the virtue of the new Kalman filter is equal estimation accuracy at a significantly reduced computational burden. The performance of the new lever arm estimation method is assessed with simulated and real data. Simulations show that the proposed technique can estimate the unknown lever arm correctly provided that maneuvers with attitude changes are performed during initialization. Field test results confirm the effectiveness of the new method.     

Avoiding numerical stability problems of long duration DGPS/INS Kalman filters

A current pursuit of the geodetic community is the optimal integration of differential GPS (DGPS) and inertial navigation system (INS) data streams for precise and efficient position and gravity vector surveying. Therein a complete INS and multiple-antenna GPS receiver payload, mounted on a moving platform, is used in conjunction with a network of ground-fixed single antenna GPS receivers. This paper presents a complete, GPS-based, external updating measurement model for the applicable Kalman filter. The model utilizes four external observation types for every GPS satellite in-view: DGPS range differences, single phase differences, and single phase-rate differences; as well as the mobile, multipleantenna GPS receiver's measurement of theerrors in the INS's estimate of the phase difference between any two vehicle-borne GPS antennae. Although not widely conveyed in the geodetic world, the inertial navigation community has long known that traditional Kalman filter covariance propagation recurrences are inherently unstable when such highly accurate external updates are repeatedly applied (every 1 second) over long time durations. A hybrid square root covariance/U — D covariance factorization approach is a numerically stable alternative and is reviewed herein. The hybrid makeup of the algorithm is necessitated by the correlated nature of the fourth type of GPS external measurement listed above (each vehicle-borne GPS antenna formstwo baselines). Such measurement correlations require a functional transformation of the overall external updating model to permit the multiple updates (simultaneously available at each updating epoch) to be sequentially (and efficiently) processed. An appropriate transformation is given. Stable covariance propagation relationships are presented and the transformed Kalman gain is also furnished and its use in the determination of the externally updated error states is discussed. Specific DGPS/INS instabilities produced by the traditional recurrences are displayed. The stable alternative method requires about 25% more CPU time than the traditional Kalman recurrences. With the ever-increasing computational speeds of microprocessors, this added CPU time is of no real concern.     

一种新的混合迭代UKF

从统计线性回归的角度对无味变换(unscented transformation,UT)进行分析,推导了迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)。针对IUKF计算量大的问题,结合弦线迭代法和IUKF,得到了一种新的混合迭代无味卡尔曼滤波器。数值仿真的结果表明,新滤波算法的精度优于扩展卡尔曼滤波、迭代扩展卡尔曼滤波和无味卡尔曼滤波,并可以有效降低IUKF的计算量。     

基于GPS双频原始观测值的精密单点定位算法及应用

本文提出一种基于GPS双频原始观测值的PPP算法,与基于消电离层组合观测值的传统PPP算法不同,新算法通过参数化站星视线方向的电离层延迟以消除其对PPP估值的不利影响;该新算法可以有效避免观测值组合过程所引起的观测数据噪声以及多路径效应被放大的不利影响;同时在利用扩展卡尔曼滤波模型进行未知参数的递归估计过程中,通过对大气延迟参数引入符合实际的约束,可以加快滤波收敛,提高参数估值的可靠性;视线方向电离层延迟可与其他未知参数同时估计得到,进而便于利用PPP技术进行精密电离层研究;此外,对于可能的模型误差（如码观测值粗差、相位观测值周跳等）,基于DIA的质量控制策略以消除或削弱其对参数估值的不利影响。利用实测数据对新算法在静态、低动态以及高动态定位应用方面的精度进行检验,结果表明,静、动态定位结果的外符合精度可分别达到1~2 cm和7~8 cm,验证了新算法的可行性和有效性。     

基于信噪比的InSAR干涉图自适应滤波

提出了一种基于信噪比的InSAR干涉图相位噪声抑制算法。该算法对Goldstein滤波方法进行了改进，使Goldstein滤波参数 依赖于局部信噪比，从而实现对低信噪比区域进行强滤波、高信噪比区域弱滤波。采用模拟数据和真实数据进行验证，结果表明新算法能有效抑制InSAR干涉图的噪声。