Kalman滤波模型误差的修复

基于预测残差分析和滤波误差估计,提出了一种新的Kalman滤波模型误差的修正方法。该方法在预测残差分析的基础上,利用观测模型误差和动力学模型误差的相互影响,基于滤波误差估计,从修正观测模型入手,有效地消除了以往历元所有观测模型误差和动力学模型误差对当前历元滤波值的影响。GPS动态导航模拟实验表明,该方法不仅有效地消除了整个Kalman滤波模型误差的影响,而且结果比较理想。     

结合Kalman滤波与小波神经网络的沉降形变监测

高速铁路隧道工程监测点沉降曲线具有小沉降、大波动的特点,沉降变形数据中存在大量随机噪声,将影响沉降变形分析的准确性。将Kalman滤波应用于高铁隧道沉降变形数据预处理,对沉降变形数据进行去噪,再利用小波神经网络对去噪后的沉降变形数据进行预测分析,从而提高单一小波神经网络的预测精度。通过工程实例分析表明,结合Kalman滤波的小波神经网络预测精度优于单一小波神经网络,具有更好的应用价值。     

基于自适应 Kalman 滤波的边坡变形预测研究

研究Kalman滤波和自适应Kalman滤波算法,结合边坡监测点的运动模型将其应用于边坡变形监测动态数据变形预测。利用小湾水电站二号山梁高边坡GPS监测数据进行实验研究。结果表明,自适应Kalman滤波在边坡三维形变预测及变形速率估算方面有很好的预测结果。     

时空Kalman滤波在变形分析中的应用研究

时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。     

正反向Kalman滤波用于动态精密单点定位参数估计

提出了采用正反向Kalman滤波进行动态精密单点定位事后处理参数估计的方法,连续实施两次方向相反的Kalman滤波,第一次滤波结果作为第二次滤波的初始信息,第二次滤波结果作为最终结果。该方法克服了传统Kalman滤波方法在模糊度参数收敛之前定位精度不高的缺陷,同时还具有原理简单、易于实现的优点。实测数据解算实验表明,该方法正确有效,可以获得理想的动态精密单点定位结果。     

一个快速Kalman滤波方法及其在GPS动态数据处理中的应用

本文首先建立起利用Ｋａｌｍａｎ滤波进行动态ＧＰＳ数据处理的数学模型。然后，基于矩阵外积概念设计了一个很有实用价值的Ｋａｌｍａｎ滤波算法，并应用于动态ＧＰＳ数据处理问题。理论分析和计算结果表明：该方法不仅数值稳定性高，而且快速高效，所用ＣＰＵ时间仅为标准Ｋａｌｍａｎ滤波的八分之一。     

基于Kalman滤波的动力学模型误差估计算法

本文分析介绍了模型误差对滤波解和预报残差影响的表达式.随后,针对GPS/INS松组合导航系统观测信息无冗余的情况,给出了基于Kalman滤波的动力学模型误差估计算法.最后利用一个车载实测数据证明了算法的有效性.     

基于Kalman滤波的GNSS单历元模型算法实现

GNSS技术是目前变形监测常用的一种技术手段,它具有远程、全天候及自动化测量等特点,但其测量数据的精度直接影响到变形监测数据的质量及可靠性.本文结合Kalman滤波技术,提出一种基于Kalman滤波的GNSS单历元模型.实验结果证明该模型的滤波精度符合预期精度要求,用于消除或抑制GNSS各项误差对观测质量的影响是可行的.     

Kalman滤波在高铁桥梁变形预测分析中的应用

针对高速铁路桥梁架梁后许多沉降变形点沉降量级较小,变形曲线呈现＂小量级,大波动＂特点,观测数据中可能存在大量的随机噪声,对沉降变形分析产生干扰,影响预测结果的可信度,本文将Kalman滤波引入到高速铁路桥梁变形分析数据预处理中,建立基于Kalman滤波的动态模糊神经网络模型。通过应用实例分析表明,基于Kalman滤波的动态模糊神经网络模型的预测精度有所改善,具有一定的优势。     

基于Kalman滤波的高耸建筑物沉降预测模型研究

为了提高高耸建筑物沉降监测数据的可信性与实时预测的准确性,利用小波分析与Kalman滤波在数据处理方面的优势,采用小波分析先对沉降数据进行去噪,并采用Kalman滤波理论进行预测。通过实验数据的对比分析,结合小波去噪分析与Kalman滤波理论对原始沉降变形量进行沉降预测,能克服只使用单一Kalman滤波方法进行沉降预测中噪声处理的不足,验证了小波分析及结合Kalman滤波理论进行沉降预测的可行性,且预测精度比较高。     

基于小波分解的动态变形预报

阐述了小波变换和多分辨率分析的基本原理,简要地介绍了离线预报和在线预报两种不同的变形预报方式,并在此基础上提出了基于小波分解的动态变形预报的方法,并通过实际算例证明了这种方法的有效性。     

卡尔曼滤波在坝体变形监测中的应用

介绍了卡尔曼滤波算法的基本思想,通过建立卡尔曼滤波模型对某大坝变形监测数据进行处理,结果表明：卡尔曼滤波算法能够有效地减弱随机噪声的干扰,并能较准确地对未来时刻的状态进行预测。     

抗SA影响的卡尔曼滤波技术

运用现代时间序列分析方法对SA定位误差模型进行建模研究,并由此提出抗SA影响的卡尔曼德彼模型。     

GPS动态定位自适应卡尔曼滤波算法研究

Sage-Husa滤波和强跟踪滤波是2种常规的自适应卡尔曼滤波,有各自的优缺点。综合2种滤波的特点,给出一种抗粗差的修正算法,实验效果比较好,能有效抑制少部分粗差带来的影响,计算结果表明效果比较理想。     

GPS动态相对定位的自适应Kalman滤波算法

GPS动态数据处理中广泛应用卡尔曼滤波,经典Kalman滤波认为预报误差是白噪声,服从零均值的正态分布,并利用动态噪声协方差矩阵来控制它对当前信息的影响,但实际测量定位中难以保证观测对象的规则运动,因而容易出现模型误差。针对GPS动态定位的这一问题,探讨了在实际应用中存在模型误差时的卡尔曼滤波,介绍了一种自适应Kalman滤波算法,该法顾及了载体机动加速及接收机发生周跳时的影响,减少了滤波发散的机会。     

基于当前加速度模型的抗差自适应Kalman滤波

动态导航与定位的质量取决于对动态载体扰动和观测异常扰动的认知和控制。首先介绍机动载体的当前统计模型,分析该模型存在的问题,提出一种基于“当前”加速度模型的抗差自适应卡尔曼滤波算法。跟以往建立的自适应KALMAN滤波进行比较,计算结果表明,该算法不仅可以提高滤波器的精度,而且更能有效地控制观测异常和动态扰动异常对导航解的影响,使导航解更能反映导航系统的真实情况。     

基于方差分量估计原理的自适应卡尔曼滤波及其应用

简单介绍了GPS伪距动态定位的卡尔曼滤波模型的建立，针对传统卡尔曼滤波中动态噪声不准或不容易确定以及因动态目标机动而导致滤波发散的现象，提出了一种根据方差分量估计原理，利用预报残差计算模型的动态噪声方差分量的自适应滤波算法，当利用预报残差进行计算时，这一方面增加的计算量不大，能有效地克服由上述原因而导致的滤波不稳定现象，适用于GPS动态定位数据的实时处理。     

动态测量问题数据处理的一个快速滤波算法

基于动态测量问题的统一状态模型,提出了一个快速高效、稳定性高的Kalman滤波算法,并通过理论分析及数字算例比较了其优越性。