Kalman 滤波几种异常检验法

为了检测动态导航观测异常和动力学模型异常,采用预测残差构造观测误差和动力学模型误差整体检验法,对观测异常可分别采用以模型为准的观测异常检验、以当前历元可靠观测为基准的异常检验或以Kalman滤波估值为基础的异常检验的方法;对于动力学模型异常检验,可以分别采用状态不符值检验法、以状态参数Kalman滤波估值为基础的动力学模型异常检验或以可靠观测为基础的动力学模型误差整体检验的方法.分析了以上几种检验方法的特点,并用实测数据进行了检验.结果表明:在观测异常或动力学模型异常处,异常检验对导航数据精度有一定程度地提高.     

基于抗差Kalman滤波的精密单点定位

当精密单点定位的观测值含有异常数据时,Kalman滤波的精度将会降低。采用抗差Kalman滤波方法能够有效抑制观测异常,提高滤波的精度和可靠性。运用武汉国际GPS服务跟踪站数据对该方法进行了验证。结果表明,抗差Kalman滤波的精度比Kalman滤波的精度有一定程度提高,说明抗差Kalman滤波能够有效抑制观测异常。     

函数模型与随机模型双约束的GPS-InSAR数据融合方法建立三维形变场

针对InSAR技术研究地表三维形变时监测信息不足的问题,以GPS监测信息为先验信息,建立附有随机模型约束的地表三维形变模型。考虑到SAR卫星极轨方式运行导致LOS向观测量对南北向形变不敏感的问题,以GPS南北向形变观测值作为强约束,构建三维形变解算的函数约束条件。模拟数据与西安地区实测数据的计算结果表明,基于随机模型与函数模型共同约束的地表三维形变参数最小二乘解的精度优于仅有函数模型约束或仅有随机模型约束及无任何约束的参数解精度。     

相关观测值双因子抗差估计的改进算法

由于一个观测值的粗差将影响多个观测值的残差估值,对双因子抗差估计的迭代计算方法作如下改进：当最大标准化残差的检验结果为粗差或者明显是可疑粗差时,只对粗差观测值构建双因子等价权,其他观测值的权不变。除上述两种情况外,可同时对所有观测值构建双因子等价权进行抗差估计,并基于改进的双因子等价权构建方法简化计算步骤。利用GPS控制网的观测数据进行模拟计算分析表明,该改进算法在含有明显粗差时可提高参数估值的精度;在粗差不明显或个数较少时,可在保持参数估计精度的基础上提高计算效率。     

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。     

一种新的北斗Klobuchar模型及其精度分析

针对传统Klobuchar模型电离层延迟修正精度不高的问题,提出一种新的Klobuchar模型,以提高北斗导航系统的精度。利用欧洲定轨中心CODE的全球格网数据作为参考,使用松弛搜索法分别对覆盖中国区域的格网点和9个测站的观测数据进行算例分析。比较两种方法得出,新模型的修正精度相对于广播模型有大幅提高;新模型预报7d内的电离层时延值修正效果也比广播模型有明显改善;格网点上的平均修正精度从67.89%提高到78.44%,观测数据的平均修正精度从69.81%提升至82.34%。     

零漂改正对中国地壳运动观测网络重力数据处理的影响

基于中国地壳运动观测网络2000年流动重力观测数据,分析18台LCR-G型相对重力仪的零漂特性。结果显示,重力仪零漂率在某些时段变化较大,最大达10 μGal/h以上。根据重力仪零漂改正的不同处理方法,利用传统平差模型与改进模型对观测数据进行平差计算,并对结果进行比较。在相同先验中误差的情况下,传统平差模型的后验中误差为39 μGal,重力值平均精度为26.5 μGal,而改进模型的后验中误差为16.5 μGal,重力值平均精度为11.2 μGal,远高于传统平差模型。在数据预处理阶段按闭合观测分段进行零漂改正,可以有效消除重力仪零漂剧烈变化的影响,明显优于将仪器零漂率当作固定参数的计算方法。     

顾及观测值精度的断层变形参数反演研究

从观测值奇异值、观测值分布及反演模型的先验信息3个方面入手,研究观测值对反演结果的影响。以观测点到微分断层的距离倒数为权,构建顾及观测值权值影响的反演模型。以位错理论为基础,结合遗传算法,对龙门山断裂带进行三维滑动速率反演研究。结果表明,经过奇异值剔除的数据应用于顾及观测值权值的反演模型,给定合理的“先验信息”,其结果比已知观测值直接参与反演模型更稳定、可靠。     

基于不等式约束算法改善高纬度地区GNSS电离层建模精度

由于当前国际GNSS服务组织（IGS）跟踪站在高纬度区域分布不均,用于电离层拟合建模的观测数据不均匀、不全面,导致在利用这些IGS跟踪站观测数据建立电离层拟合模型时该区域的电离层电子总含量拟合模型精度不够,电离层拟合模型格网输出值甚至出现了大量有悖于电离层实际物理意义的负值和零值现象。针对此问题,利用不等式约束算法,对拟合模型电离层格网输出的负值点、零值点加入不等式约束条件,采用附加不等式约束条件的最小二乘法对参数的解算进行优化,并用实测GNSS数据进行验证。实验结果表明,该算法对测站分布稀疏的高纬度地区出现大量零值和负值的情况有明显改善。此外,该算法对全球电离层模型的建模精度也有一定程度的提高。     

首都圈及邻区均衡重力异常研究

利用首都圈地区的高精度高程数据,通过Airy均衡补偿模型计算出莫霍面的深度,进一步运用Parker公式计算出地壳所产生的重力异常值。然后从实际布格重力异常观测值中减去均衡校正值,得到该地区的均衡异常值。通过对首都圈地区的均衡重力异常进行分析,讨论了该地区的均衡状态。研究结果表明,首都圈大部分地区基本处于重力均衡状态,非均衡区域多集中在首都圈的西部和北部山区。     

基于三频GIF组合的载波相位观测精度分析

鉴于三频GNSS在削弱观测误差方面的优势,基于GNSS三频载波观测独立等精度的假设,在利用滑动多项式拟合实现三频载波无几何无电离层GIF组合观测精度快速估计基础上,研究了一种载波观测精度快速估计算法。GPS和BDS三频数据实验结果表明,该算法可实现三频载波观测精度的快速估计,为快速精密单点定位提供准确的随机函数模型。     

���ڿ���EKF��INS/GNSS������㷨Ӧ���о�

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

基于选权迭代的总体最小二乘算法在三维坐标转换中的应用

提出一种基于选权迭代的TLS算法,通过IGG I函数进行定权,降低含粗差观测值的权值,在进行三维坐标转换时能有效地处理观测值粗差。实例证明,该算法可以获取更高精度的三维坐标转换参数。     

基于F-范数的不确定性平差模型的解算方法

为提高基于F-范数的不确定性平差模型的解算效率,给出直接迭代算法进行参数估计。该算法无需SVD,解算过程简单且易于编程计算,同时给出迭代不收敛时的SVD-解方程算法。二元线性拟合及沉降观测AR模型的算例结果表明,这2种算法正确可行,与SVD-迭代算法具有等价性。当迭代收敛时,宜使用直接迭代算法,收敛速度更快,解算效率更高;当迭代不收敛时,可釆用SVD-解方程算法。     

���ڻ�׼վ������Ϣ��ʵʱ��̬���ܵ��㶨λ

??????????????????λ?????????????????????????????????????л????????????￡????????????????????????????????????λ????????????Ч?????????????????????????????????????????????????λ?????????????PPP???????涯?PPP??????????????????????????????????????λ????????     

Assimilation of high frequency radar data into a shelf sea circulation model

High Frequency (HF) radar current data is assimilated into a shelf sea circulation model based on optimal interpolation (OI) method. The purpose of this work is to develop a real-time computationally highly efficient assimilation method to improve the forecast of shelf current. Since the true state of the ocean is not known, the specification of background error covariance is arduous. Usually, it is assumed or calculated from an ensemble of model states and is kept in constant. In our method, the spatial covariances of model forecast errors are derived from differences between the adjacent model forecast fields, which serve as the forecast tendencies. The assumption behind this is that forecast errors can resemble forecast tendencies, since variances are large when fields change quickly and small when fields change slowly. The implementation of HF radar data assimilation is found to yield good information for analyses. After assimilation, the root-mean-square error of model decreases significantly. Besides, three assimilation runs with variational observation density are implemented. The comparison of them indicates that the pattern described by observations is much more important than the amount of observations. It is more useful to expand the scope of observations than to increase the spatial interval. From our tests, the spatial interval of observation can be 5 times bigger than that of model grid.     

综合伪距相位观测的实时电离层延迟格网改正算法研究

针对北斗广域差分系统实时电离层延迟格网改正信息是基于伪距观测计算,而相位观测值具有更高的观测精度,提出伪距数据结合相位历元间差分数据综合解算电离层延迟的算法。基于陆态网GPS实测数据对该伪距相位综合算法进行实验验证,结果表明,综合伪距相位算法相比单纯伪距法可以获得平滑、稳定、精度更高的站星斜路径方向电离层延迟值。在此基础上,全天所有实时电离层延迟格网的内符合精度平均提高30.2%,外符合精度平均提高27.8%。     

相邻历元误差相关的抗差卡尔曼滤波算法分析

根据卡尔曼滤波理论以及抗差理论,本文推导出了相邻历元误差相关的抗差卡尔曼滤波模型,其对观测值中含有粗差有良好的抗差性。通过对含有粗差的变形监测数据分析,与相邻历元误差相关的卡尔曼滤波模型进行比较,采用本文构造的抗差卡尔曼滤波模型处理数据,无论是否有粗差存在观测值里,变形计算结果与实际结果大体一致,粗差对计算结果的影响不敏感。在对变形监测数据分析时,可得出卡尔曼滤波方法估计的状态向量,没有寄存大量的以往观测数据,而是使用最近的观测数据,经过不断的预测和改正,把新的状态展示在系统中。     

基于能量守恒方法的重力场反演快速异构并行算法

在利用卫星跟踪卫星资料解算重力场模型位系数时,其海量观测数据处理以及大型方程组解算过程存在计算效率低下、对平台硬件要求高等问题。针对以上问题,提出一种基于能量守恒方法的重力场反演快速异构并行算法,基于CUDA 在GPU端实现并行计算设计矩阵,结合MKL库与分区平差法、预处理共轭梯度法在CPU端完成低内存消耗下的法方程快速构建与求解,实现重力场模型反演的异构并行计算。运用该算法处理GRACE-FO卫星2020-01-01～06-30期间观测数据,反演获得120阶重力场模型GM-GraceFO2020h;与现有模型以及算法对比分析表明,该算法所得模型与现有GRACE重力场模型精度相当,且相较于传统的串行算法,反演耗时减少98.479%,内存消耗减小1个数量级。     

����Vondrak�ֲ�̽��Ŀ���EKF�㷨��GPS�����е�Ӧ��

???????Vondrak?????????????EKF??,???????GPS??????λ??????????????EKF??????????????????Vondrak??????????????????μ????EKF???????????????д???????λ????????????????EKF???????????????????????д???????????????EKF????????????????д?????????????????????????????????????п????????????????????Ч???