基于角点配准的多分辨率背景估计与补偿算法

本文针对动态背景下序列影像的目标检测,提出了基于改进NCC的Harris角点配准和基于多分辨率的全局运动参数估计方法:通过对相关度量NCC加入距离度量信息,寻求相邻图像帧中的正确匹配点对,再根据构造的分辨率影像,估计全局运动参数,以此进行运动补偿,从而利用差分法可准确地检测出运动目标。实验结果表明,该方法能够有效地实现背景估计和全局运动补偿,自动检测出视频序列中的运动目标。     

基于背景库的高质量LAI时间序列数据重建

叶面积指数LAI(Leaf Area Index)是表征植被冠层结构的重要参数,然而由于云等大气因素的影响,MODISLAI时间序列产品在时间与空间尺度的连续性仍存在问题。随着先验知识在遥感反演中的地位不断得到加强,本文将多年LAI历史数据作为先验知识,用以建立LAI背景库,并提出了基于LAI背景库的Savitzky-Golay(SG)滤波算法来实现LAI时间序列数据的降噪工作。结果表明,与传统SG滤波相比,新算法能够更加客观有效地重建LAI时间序列。     

基于Lebesgue积分理论的时间序列信号中的背景重建

提出了一种基于Lebesgue积分理论的时间序列信号背景重建方法,该方法利用测度函数对时间域进行划分,进而实现对信号能量的划分,最终实现对背景信号的重建。     

采用方差-协方差分量估计GPS时间序列噪声特性

本文采用方差-协方差分量估计分析GPS残差时间序列噪声特性。介绍了该方法如何运用于GPS时间序列分析,详细的推导了函数模型,建立了数据处理流程。对比传统的极大似然估计,该方法可以定量计算各噪声分量的大小,并且具有计算速度快,数学模型严谨等优点。     

GPS坐标时间序列噪声估计及相关性分析

比较分析了极大似然估计法、最小二乘方差分量估计法以及最小范数二次无偏估计法对GPS站坐标时间序列噪声的估计效果,确定最小范数二次无偏估计法为最优的噪声方差估计方法。在此基础上对中国及其周边区域20个IGS站坐标时间序列中各方向噪声方差进行一元线性回归分析。结果表明,中国及其周边区域IGS站不同方向的噪声间具有中等强度以上的相关性,其中N方向闪烁噪声与其他方向闪烁噪声的相关性要强于白噪声。水平方向的噪声振幅能够解释垂直方向噪声振幅变化的40%~60%,而N方向噪声振幅能够解释E方向噪声振幅变化的60%~80%,获得的线性回归方程具有使用价值。     

遥感时间序列影像变化检测研究进展

同一区域、不同时期大量历史数据的积累,以及同一区域能够方便地获取高时间分辨率遥感数据,使遥感时间序列影像变化检测成为近年来遥感技术与应用的研究热点。本文系统总结和评述了当前遥感时间序列影像变化检测的相关研究进展和应用状况,在阐明遥感时间序列分析的意义,以及时间序列影像在变化检测中的优势的基础上,从非遥感领域时间序列变化检测方法出发,针对遥感时间序列影像变化检测的需求,明确和归纳了遥感时间序列变化检测的问题与类型,并对当前最新研究进行了综述,总结了各种方法的优点与不足,重点介绍了基于经验模态分解的遥感时间序列影像异常信息检测方法和基于隐马尔可夫模型的土地利用/覆盖变化检测方法,以期能够为相关研究提供参考。最后总结了该研究领域的发展趋势和存在问题,并对今后的研究工作和未来发展方向进行了展望。     

时间跨度对GPS坐标时间序列噪声模型估计影响分析

文中介绍GPS坐标时间序列模型,并给出GPS噪声模型种类、估计方法及最佳噪声模型评价准则。选取来自IGS08的24个IGS核心站的时间序列作为数据基础,对不同时间跨度的时间序列噪声模型进行定量分析,探讨其随着时间变化的演化规律。结果表明:当时间序列长度较短时,噪声模型的不确定性较大,而12.5a以上时间跨度的噪声模型趋于稳定且主要表现为闪烁噪声加白噪声的组合噪声模型;大跨度时间序列中噪声的长周期分量变得显著。     

基于卡尔曼滤波重建的GPS点位修正

由于单点定位的结果受卫星星历误差、卫星钟误差以及卫星信号传播过程中大气延迟误差的影响较为显著,因此解算出的定位结果在真值附近上下浮动。文中采用ARMA模型建立卡尔曼滤波的观测方程和状态方程,并对定位结果进行滤波;采用一次滤波后的坐标值作为初值,建立ARMA模型并二次滤波。实验表明,滤波有效防止了定位结果偏差过大情况的发生,使滤波收敛值与准确值最大偏差不超过3cm,表明采用一次滤波后的坐标值建立的模型更为合理,从而为单点定位结果的时间序列模型的建立提供一种新方法。     

基于状态矩阵卡尔曼滤波的姿态估计算法研究

设计一种组合GPS／速率陀螺定姿系统。系统以方向余弦矩阵表示姿态,建立GPS／速率陀螺组合状态模型和观测模型。结合kalman滤波算法,提出一种状态矩阵卡尔曼滤波（StateMatrixKalmanKilter,SMKF）姿态估计算法,并采用拉格朗日算法对姿态矩阵进行正交化约束。与传统的基于四元数的扩展卡尔曼滤波（EKF）算法相比,基于方向余弦矩阵的姿态系统状态方程与测量方程均为线性方程,无需线性化处理,对初始姿态误差更具有较好的鲁棒性。数值仿真表明,该方法具有精度高和稳定性强等优点。     

地心运动时间序列的抗差谱分析

本文将抗差估计与谱分析相结合，提出了抗差谱分析。用该方法对全球约120个IGS站5年GPS观测结果求得的地心运动时间序列进行了分析，发现地心运动在各方向有不同的主周期变化。X方向受地球物理交叉影响较大，无法分离出对该方向影响较大的主周期变化；而Y，Z方向都有明显的主周期变化。Y方向有明显的年周期变化、半年周期变化、季节性变化和月周期变化，其中，年周期变化的贡献最大；Z方向的主周期是年周期变化、半年周期变化、51天和609天的周期变化。与X，Y方向相比，Z方向振幅明显偏大。     

利用在线向量机和Unscented Kalman滤波进行降水序列滤波研究

针对短周期降水序列模型估计困难、滤波误差不确定问题提出了在线向量机与Unscented Kalman滤波相结合的降水时间序列预测与滤波方法。从理论推导到真实数据的实验以及详细的误差分析证明了本方法对短周期降水序列滤波有较好的合理性和有效性。相比传统Kalman滤波方法和向量机滤波方法,该方法有更好的滤波性能和实用性。     

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。     

基于抗差卡尔曼滤波的GM(1,1)模型在变形预计中的应用

针对传统灰色模型建模过程中易受观测数据随机噪声干扰的影响,利用抗差卡尔曼滤波理论能够有效地估计含有噪声的观测值的优点,构建了基于抗差卡尔曼滤波的GM(1,1)模型。结合实例,验证了该模型在一定程度上可以提高变形监测预测精度,更好地反映观测对象的变形趋势。     

UKF滤波器性能分析及其在轨道计算中的仿真试验

讨论了UT(unscented transform)变换的性质,给出了一种新的扩展型卡尔曼滤波器UKF(unscentedKalman filter),它不仅具有较高的精度,而且不必计算偏导数阵。仿真分析的结果表明,UKF有良好的状态估计性能,使用简便,适合于非线性系统状态估计。     

一种自适应两阶段卡尔曼滤波算法

当动力学模型存在未知的随机系统偏差时,两阶段卡尔曼滤波要优于标准卡尔曼滤波。两阶段卡尔曼滤波的基础是准确的知道随机系统偏差的统计特性,这在实际过程中是很难做到的。提出了基于新息向量的自适应两阶段卡尔曼滤波。它不仅能够很好的估计随机系统偏差,而且在随机系统偏差的先验统计特性不准确时也能取得良好的效果。最后通过一个仿真算例,验证了自适应两阶段卡尔曼滤波的适用性。     

基于Kalman滤波的星载双天线InSAR基线误差估计

星载干涉合成孔径雷达（InSAR）基线的高精度测定是获取地面数字高程信息的关键技术。对双天线InSAR系统,采用光学相机和激光测距仪相结合实时动态测量基线。由于存在仪器误差和几何误差等,为满足干涉基线的确定精度,基于基线测量系统,构建状态方程和测量方程,并结合天线支撑臂模态分析,设计了Kalman滤波器,确定干涉基线的长度和指向。模拟仿真结果显示,该滤波器能够有效地估计干涉基线长度和指向,满足基线确定精度要求。     

组合导航中一种新息自适应卡尔曼滤波算法

全球定位系统/航位推算组合导航定位中,由于目标运动的不确定性,GPS接收机与DR器件接收的数据存在噪声,使预置目标运动模型通常很难得到较高跟踪精度,针对应用常规卡尔曼滤波进行组合导航解算由于噪声统计特性未知而引起滤波不稳定的问题,本文提出了一种基于新息序列的量测计算进行自适应估计的卡尔曼滤波算法。该算法通过对新息方差强度进行极大似然估计,将新息计算引入卡尔曼滤波器的增益计算,达到控制发散的目的。最后对改进的算法与一般卡尔曼滤波算法做了对比仿真试验分析,结果表明了改进算法的有效性。     

卡尔曼滤波地形反演算法的系统方程建模

利用重力梯度反演局部地形可获取较高的反演精度。传统地形反演算法以大尺度离线反演为主,不便于算法移植和与其他系统的组合。研究了利用卡尔曼滤波对潜艇周围局部地形进行反演的方法。重点在地形坡度理论基础上对卡尔曼滤波系统误差方程建模,介绍了详细的推导过程。仿真结果证实了该误差模型的有效性。     

基于卡尔曼滤波算法卫星数不足情况下的连续定位

介绍了卡尔曼滤波模型,采用C#编程语言建立了程序模块,并将其作为参数估计方法对一组动态数据进行了伪距单点定位解算;将部分历元时刻卫星数设置为少于4颗进行解算,并比较了其定位结果与原始结果的差异。实验结果表明,采用卡尔曼滤波模型能够在卫星数不足的情况下在一定时间内保持定位的连续性,并能保证一定精度。