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。     

L_n范数准则和地学模型误差及模型参数估计

本文论述了模型误差及模型参数估计的有关问题,具体包括:1)L_n范数准则;2)模型误差的一般表达式;3)线性化模型及模型含误差时的模型参数估计;4)模型的改善与优化;5)计算方案;6)模型误差与L_n范数准则。本文的论述为建立和分析各种具体的地学模型提供了必要的理论和方法。     

平差系统模型误差补偿的配置法

利用大地测量数据分析地壳形变所建立的平差系统，不可避免地存在模型误差。给出了估计模型偏差的带权均方误差公式，提出了模型误差的识别、先验协方差的确定以及用最小二乘配置法对平差系统模型误差的补偿方法。     

基于双曲线模型的卡尔曼滤波法在建筑物沉降预测中的应用

利用最小二乘法求出双曲线模型的模型参数,将此参数看作带有动态噪声的状态向量,建立基于双曲线模型的卡尔曼滤波模型,对建筑物的沉降量进行预测。卡尔曼滤波过程中,模型的参数不断发生变化,增强了其适应观测数据的能力,从而减小了拟合误差。计算表明,用基于双曲线模型的卡尔曼滤波模型对建筑物的沉降量进行预测,误差较小,效果较为理想。     

地形扫描数据TIN模型生成DEM的误差计算方法

由地表三维空间数据生产的数字高程模型(DEM)的误差包括从数据误差传递来的误差和因数据数量不足以反映地形起伏造成的信息损失误差。本文给出了由三维空间数据的不规则三角网(TIN)模型栅格化为DEM过程中,通过线性插值将数据随机误差传递到DEM栅格上的随机误差的解析解,同时利用地基激光扫描仪测量的冲沟地形数据点云,分析得出因信息损失产生的DEM系统和随机误差的估算方法。结果显示信息损失产生的DEM平均高程系统误差和随机误差都与有效测点密度有关,其中有效测点由TIN中包含DEM栅格中心点的所有三角面的3个顶点组成;信息损失产生的DEM平均高程系统误差和随机误差除与有效测点密度相关外,还与地形特征有关,平均高程系统误差与地形整体凹度参数有关,随机误差与地形整体起伏程度参数有关。建立了分辨率为0.1 m×0.1 m的DEM误差估算模型。     

基于神经网络模型误差补偿技术的对流层延迟模型研究

针对传统对流层延迟模型精度较低的缺点,基于神经网络模型误差补偿技术,在Hopfield模型基础上建立一个适用于北半球的高精度融合模型。以Wyoming大学提供的2010年全球120多个观测台站的气象探空数据精密解算的天顶对流层延迟(ZTD)作为近似“真值”,分析比较Hopfield模型、传统BP模型和融合模型的计算精度。结果表明,Hopfield模型的均方根误差（RMSE）为35.31 mm,传统BP模型为30.34 mm,融合模型为23.31 mm。     

基于神经网络和卡尔曼滤波算法的说话人识别

首先从语音信号中提取出特征参数:线性预测倒谱系数(LPCC)和用小波包提取的小波特征参数(WPC);语音特征分类模型则选择多层前馈式神经网络(MBP网络),并将奇异值分解运用到扩展卡尔曼滤波(EKF)算法中作为神经网络的学习算法.仿真结果表明,小波特征参数具有良好的识别效果;同时采用改进后的扩展卡尔曼滤波(EKF)算法使人工神经网络具有更稳定、更准确的分类性能.     

基于离散系统卡尔曼滤波的电子含量预报分析

使用中国地壳运动观测网络基准站的数据,拟合电离层VTEC模型的参数,提出了利用离散系统卡尔曼滤波方程预报电离层TEC的方法,并对2002年9月10日和2002年9月14日特定时刻的TEC进行了预报和分析,其半小时内的预报精度达到2.5 TECU,实验证明可以利用该方法对某些电离层活动进行有效预报。     

病态模型改进正则化解的单位权中误差无偏估计

正则化法通过引入正则化参数对奇异值加以修正,从而改善法矩阵的病态性,然而其不加区别地对所有奇异值进行修正显然是不合理的。本文比较正则化解均方误差和最小二乘解方差的迹谱分解展开式,分析因修正奇异值导致解的均方误差变化与奇异值的关系,确定奇异值修正与否的条件,并基于残差二次型期望公式导出改进正则化解的无偏单位权中误差计算公式,最后用数值算例和病态测边网算例验证公式的正确性。     

自动安平水准仪磁致误差函数模型与数据分析

利用物理摆原理导出了自动安平水准仪磁致误差的理论函数模型,建立了地磁场中的观测方程。通过实测资料,分析了地磁场对Ｎｉ００２水准仪的影响,并对观测误差和Ｆ值的测定精度进行了讨论。     

�������˲�ģ������Ӱ�����

???????????????????????????????????Kalman????????????????????????????????????????????????????????????в?????     

����Kalman�˲���BP�����緽���ڴ�ӱ���Ԥ���е�Ӧ��

??????????????BP?????緽??????????ι???????????????????????????????BP????????,???????ж?????????С????????????????С????????,???????????????????????????,?÷??????к??????????????????????     

����Kalman�˲���GEO�����˶�ѧ����

?????GEO????????????????????????????????????Kalman???????GEO?????????????????????????????????????η????????????????????????????????????????????????????????????????????????????????????з?????????????????????????????????????????Kalman???????????н????????????????к???????????????????????,????????????????Kalman????????????????????????????,???????Kalman???????????????????????????????????????????Kalman?????????????????????GEO?????????????     

Kalman�˲�������̽�����޸��е�Ӧ��

????Kalman??????????????????????е??????????????????????????裬??????????????з??????????????Kalman?????????????λ??????????????????????????????Χ??С????????????????????????С????, Kalman?????????????????????????????????????????????     

���μ����Kalman�˲�״̬ģ�͵ıȽϷ���

??????λ??????μ???У?Kalman?????????????????????????????????????????????????Щ??????????????????????????????????????????????????????Щ????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????У????????????Kalman?????????????????????????????????μ??????е??????     

��������ӦKalman�˲���BP�����絼���е�Ӧ��

?????BP??????????????????Kalman????????????????????????????????????BP???????÷????????BP?????????????????????????????????????????????÷??????????????????????Ч??????     

Kalman滤波在地震电离层TEC异常探测中的应用

基于中国地壳运动观测网络GPS观测资料解算的电离层TEC数据,利用Kalman滤波方法对2008年5月12日汶川Ms8.0地震前的电离层TEC进行异常探测研究,并与以前的处理结果进行对比,对比结果表明：利用Kalman滤波方法能够有效地探测到震前的电离层TEC异常扰动。     

具有随机状态转移矩阵的Kalman滤波

讨论状态转移矩阵为随机性矩阵时的Kalman滤波方法,并给出滤波的具体算法及分析滤波的收敛特性和参数的取值范围。通过实际算例证实了该滤波方法的有效性。     

����Ӧ������չKalman�����˲���������ϵ����е�Ӧ��

???????????????????????????о????????????????????????????????????????Kalman??????????????÷??????????????????Kalman????????????????????????????????????????и????????????3???????????????顢???Kalman??????????????????????????????????????????Kalman??????????????????????????????