基于异常误差补偿的多期水准网动态平差

针对水准网中的异常误差,采用函数模型异常误差补偿方法抑制其影响,提高水准网平差精度。首先采用最小二乘方法获得各观测值残差,通过假设检验确定异常误差位置;将异常误差作为待估参数进行解算;最后扣除异常误差,利用"干净"观测数据进行平差获取水准网点的高程与垂直运动速度。采用山东省两期二等水准网观测数据进行试验,该方法进一步提高了水准网平差的可靠性。     

BP神经网络拟合区域似大地水准面的应用分析

针对区域重力似大地水准面与GPS/水准数据可能受系统误差影响而降低计算精度的问题,采用BP神经网络拟合区域似大地水准面,削弱系统误差等因素影响,提高区域似大地水准面的拟合效果。分析BP神经网络进行区域似大地水准面拟合的局限性。使用不同区域范围的数据进行验证,结果表明BP神经网络在控制区域内能够较好地逼近实际似大地水准面,而在区域之外具有较差的外推能力。     

利用预测残差和选权滤波构造的分类因子在GPS/INS组合导航中的应用

针对组合导航观测个数少、采用单因子自适应滤波会损失间接可测参数精度的问题,利用预测残差和选权滤波思想构造了分类自适应因子。实测算例计算结果表明,该算法不仅能够很好地控制状态扰动异常影响,而且还能避免损失间接可测参数的精度,进一步提高了导航精度。     

Hopfield神经网络在水准网平差中的应用

Hopfield神经网络有较强的优化计算能力,引入IGGⅢ等价权方案,构造Hopfield神经网络新的能量函数形式,采用共轭梯度法,进一步提高神经网络的效率,并讨论Sigmoid函数的抗差能力。通过模拟水准网算例表明:在无粗差情况下,利用神经网络进行测量平差可以精化模型,提高平差效率,而在有粗差情况下,引入IGGⅢ等价权方案可以使神经网络计算具有较强的抗差能力。     

基于自适应UKF的BP神经网络及其在高程拟合中的应用

针对BP神经网络收敛速度慢、容易陷入局部极小值点和泛化能力差等问题,基于自适应Kalman滤波理论,提出一种自适应非线性滤波(UKF)训练BP神经网络的方法。该方法采用Kalman滤波框架,引入自适应因子,对神经网络的连接权进行训练,提高了神经网络的学习质量。高程异常拟合算例表明,基于自适应UKF的BP神经网络比标准BP神经网络收敛速度快,泛化能力强,从而证明了该方法是一种有效的连接权训练方法。     

一种基于改进粒子滤波的动态精密单点定位算法

提出一种改进的粒子滤波,试图提高粒子滤波的收敛速度,减弱非线性模型线性化误差和非正态分布随机误差对动态单点定位结果的影响.首先固定单差无电离层模糊度,以减少状态参数向量的维数,提高初始定位的精度和粒子滤波的收敛速度;采用Kalman滤波作为粒子滤波的预滤波,以提高粒子滤波的重点采样效率,并提高采样粒子精度,减缓粒子退化.利用一个实测动态GPS数据验证表明,改进的粒子滤波可以提高动态GPS的定位精度.     

利用BP神经网络的动态精密单点定位故障诊断算法

针对动态精密单点定位中可能出现的观测信息故障,提出了基于两级神经网络的故障诊断算法。该算法首先采用一级神经网络在线修正Kalman滤波的动力学模型信息,然后基于二级神经网络自动对观测信息进行故障检测、定位和剔除。利用机载实测数据进行了实验,结果表明该方法能够正确地诊断观测信息中存在的故障,提高了诊断正确率。     

基于各向异性协方差函数的自适应拟合推估

随机信号协方差函数的拟合和确定是拟合推估的关键。在常规协方差函数拟合时,通常假定随机信号为具有各向同性的随机过程,而事实上各向异性更具有普遍性。结合方差在不同方向的误差分量表达式,给出了各向异性协方差函数的拟合方法,利用由方差分量估计构建的自适应因子调节观测随机误差与信号对模型参数估计的贡献,以减弱观测误差和随机信号先验模型不确定而带来的影响,并将其应用于InSAR监测缺失数据填补中。计算结果表明,拟合推估具有较好的缺失数据填补能力,应用基于各向异性协方差函数的自适应拟合推估,其填补精度得到进一步的改善。     

利用双差的超大GNSS基准站网解算方法改进

针对GNSS超大网解算中的划分子网问题,分析了GAMIT软件子网划分模块(NETSEL)算法的局限性。在此基础上,提出了顾及站点分布的区域性与不均匀性的移动格网密度法。以中国大陆构造环境监测网络站点数据为例,算例结果表明,该方法有效削弱了子网划分不合理情况造成的影响,增强了子网结构的可靠性与站点的精度。