共查询到17条相似文献,搜索用时 594 毫秒
1.
2.
3.
窄带干扰(NBI)是罗兰C接收机接收信号中普遍存在的一种干扰。这种窄带干扰经常淹没有用的罗兰C信号,因此,去掉NBI对罗兰C接收机的正常工作尤为重要。分别采用最小均方误差(LMS)自适应算法和二阶自适应格型滤波器算法对带有窄带干扰的罗兰C信号进行处理。仿真结果得出:LMS自适应滤波器对同步干扰和近同步干扰都有很好的效果;但是由于罗兰C信号本身的编码信息而比较难获取期望信号,加上LMS自适应滤波器实现阶数较高,实现相对困难。二阶格型自适应滤波器由于是完全除去干扰频率点,不能用于同步干扰,但其对近同步干扰和非同步干扰仍然有很好的效果,且其实现较为简单,易于在工程上应用。 相似文献
4.
GNSS(global navigation satellite systems)系统时使用原子钟作为时间基准,相比使用晶振的GNSS接收机,其稳定度高出几个量级。GNSS系统间钟差相比接收机钟差具有更高的稳定度,如果可以充分利用此先验信息将有助于优化多GNSS系统的定位结果。分析如何充分利用系统间钟差更稳定这一先验信息,并测试引入这一先验信息对多系统单点定位结果的影响,推导了基于两种不同钟差估计方法的定位解算模型,给出了最小二乘和扩展卡尔曼滤波两种参数估计算法。通过比较不同模型和估计算法在静态和动态定位的实验结果,最小二乘法无法利用系统间钟差更稳定的特点改善定位精度;静态实验结果表明,扩展卡尔曼滤波自身有一定的降噪效果,若引入系统间钟差更稳定的先验信息,将更有利于减小噪声;动态实验结果表明,引入系统间钟差更稳定的先验信息可减弱扩展卡尔曼滤波的发散现象。 相似文献
5.
6.
7.
8.
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。 相似文献
9.
10.
针对低信噪比条件下,罗兰C天波信号延迟时间估计的准确性和有效性问题,提出基于优化包络的相关系数时域法。通过分析标准罗兰C信号包络的特征,分别采用微分和二次微分方法对罗兰C信号包络进行优化,形成陡峭的包络信号上升沿;利用相关系数法对接收信号包络和参考信号包络进行匹配,形成的匹配峰值分别对应地波和天波信号到达的时刻,由此可获得天波信号的延迟时间;通过仿真分析和实测信号试验验证,证明该方法能满足数字化接收机的实际要求,并具有更高的抗干扰能力、估计准确性和自动识别功能的特点。估计的结果还可以作为判别相位跟踪和周期识别正确率的辅助依据。 相似文献
11.
针对传统伪距差分服务端压力大,以及在复杂环境下进行导航定位,某些历元卫星信号弱、卫星数不足、无法连续定位的问题,该文提出了基于扩展卡尔曼滤波算法的虚拟格网伪距差分方法。该方法充分利用先验信息和动力学模型,解决了复杂环境中动态定位结果不连续、定位精度低等问题。为验证算法的有效性,该文分别进行了动态、静态实验,并与最小二乘结果进行对比,实验结果表明:静态模式下,卡尔曼滤波算法比最小二乘算法的定位精度,在N、E、U方向分别提高48.3%、47.1%、52.5%;动态模式下,卡尔曼滤波算法比最小二乘算法更加稳定,更适合复杂环境定位。 相似文献
12.
基于卡尔曼滤波的GPS静态定位精度分析 总被引:5,自引:0,他引:5
GPS静态定位精度是实现精密测量的关键。简要介绍了GPS静态定位原理和卡尔曼滤波技术,针对GPS信号噪声特点,建立GPS静态定位数据处理的数学模型,设计卡尔曼滤波算法,通过对三种定位方式的实测数据进行比较分析,得出相关结论,为工程应用提供有益的参考。 相似文献
13.
14.
为进一步提高卫星导航定位精度和性能,介绍和讨论了卡尔曼滤波延时平滑方法,并建立了一种卡尔曼滤波延时平滑定位模型与算法。与经典卡尔曼滤波类似,该算法同样具有状态系统与测量系统两类方程,能够根据后续历元测量值及定位结果向前进行逆向预测与更新,从而达到对整体定位过程再次平滑的目的,更大程度地获得定位结果跟随性与平滑性之间的平衡。通过多种不同情况下的GPS实测试验,对方法的正确性和可行性进行了分析与验证。结果表明,卡尔曼滤波延时平滑定位方法能够适用于多种静态、动态导航应用领域,使输出结果更为平滑和准确,在有效提高定位精度的同时具有更强的抗多径和抗干扰性。 相似文献
15.
针对传统超宽带(UWB)室内定位中非线性跟踪问题,基于当前统计(CS)模型和容积卡尔曼滤波(CKF),本文提出了一种新的定位算法。即采用奇异值分解(SVD)代替标准CKF算法中的Cholesky分解,提高了算法的稳定性,构造了奇异值分解容积卡尔曼滤波器(SCKF)。首先在CS模型的基础上改进了先验参数的函数形式,得到改进的CS模型(MCS),实现模型参数的自适应调整;然后将MCS模型引入SCKF滤波器,实现滤波算法的自适应调整;最后利用MCS-SCKF算法对UWB定位系统模型进行解算,从而得到移动目标位置。仿真和试验结果表明,该算法优于CS模型-卡尔曼滤波算法(CS-KF)和CS模型-SCKF算法(CS-SCKF),提高了UWB室内定位的定位精度。 相似文献
16.