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。     

利用重力梯度测量探测海底障碍地形的模拟研究

提出了基于重力梯度测量对海底障碍地形探测的方法,并以一锥形海底地形为例计算其在各个方向上引力的大小,从目前重力梯度仪的测量精度来看完全满足探测的要求。验证了本方法的可行性。     

星载原子干涉技术用于地球重力场测量及其精度评估

重力梯度卫星GOCE通过搭载静电式重力梯度仪,将全球静态重力场恢复至200阶以上。目前GOCE卫星已结束寿命,亟须发展下一代更高分辨率的卫星重力梯度测量来完善200~360阶的全球静态重力场模型。原子干涉型的重力梯度测量在空间微重力环境下可获得较长的干涉时间,因此具有很高的星载测量精度,是下一代卫星重力梯度测量的候选技术之一。本文针对未来更高分辨率全球重力场测量的科学需求,提出了一种适用于空间微重力环境下的原子干涉重力梯度测量方案,其梯度测量噪声可低至0.85mE/Hz1/2。文中对不同类型的卫星重力梯度测量方案进行了重力场反演精度的对比评估,仿真结果表明,相比于现有静电式卫星重力梯度测量,原子干涉型的卫星重力梯度测量有望将重力场的恢复阶数提升至252~290阶,对应的累积大地水准面误差7~8cm,累积重力异常误差3×10-5 m/s2。     

基于DEM的低相干区SAR干涉图卡尔曼滤波相位解缠算法

相位解缠是利用干涉合成孔径雷达(InSAR)进行DEM提取和微小地表形变测量的关键技术之一.常规的卡尔曼滤波相位解缠算法在地形平坦区域可以获得可靠的结果,但是在地形起伏较大的区域却容易产生误差的传递,致使其结果无法准确反演地表形变信息.为此,提出了一种基于DEM的SAR干涉图卡尔曼滤波相位解缠算法.该算法借助美国航天飞机测绘任务(SRTM)获得的DEM信息指导SAR干涉图解缠,以提高解缠的速度和精度.通过与常规卡尔曼滤波解缠算法的结果比较分析表明,利用SRTM DEM地形信息指导卡尔曼滤波相位解缠尤其能够提高低相干区域相位的解缠精度.     

基于原子干涉测量技术的卫星重力梯度测量

原子干涉测量技术的发展促进了重力梯度仪技术的发展,使得在测量地球重力场方面有了新的方法,从而能够获得更高分辨率和精度的重力场信息。介绍原子干涉测量技术的基本原理和发展现状,对利用原子干涉重力梯度仪进行卫星重力测量的优势和可行性进行分析。     

国际卫星重力梯度测量计划研究进展

本文首先阐述了重力梯度测量原理、从20世纪初到21世纪初重力梯度仪的研究历程、卫星重力梯度仪(静电悬浮重力梯度仪、超导重力梯度仪和量子重力梯度仪)的技术特征以及卫星重力梯度测量的特点;其次,介绍了基于卫星重力梯度技术恢复250阶GOCE地球重力场以及论证首先开展一维径向重力梯度仪的研制进而恢复高精度和高空间解析度中高频地球重力场可行性方面的研究进展;最后,建议我国尽早开展基于时空域混合法解算中高频地球重力场和卫星重力梯度测量系统误差分析的预先研究。     

超分辨率学习算法在海岸地形航空摄影测量中的应用

针对海岸地形航空摄影遥感影像分辨率低导致测量测量低问题,研究超分辨率学习算法在海岸地形航空摄影测量中的应用。基于无人机海岸地形航测遥感影像数据,利用超分辨率学习算法对影像数据进行重建获得高分辨率海岸地形遥感影像;通过最大类间方差法对遥感影像进行分类,并采用反距离加权值法进行匹配,获得海岸地形地理信息。实验结果表明：相比传统方法,本文方法可以获取较高的分辨率遥感影像以及海岸地形航空摄影测量精度,遥感影像峰值信噪比(PSNR)指标平均值在19 dB以上,平面误差与高程误差均小于等于±1.50。     

利用重力异常数据构建重力梯度场的方法比较

为实现大范围、高精度基准重力梯度数据库的构建,考虑到重力梯度场对地形质量的敏感效应,一般利用恒密度数字高程模型来求取重力梯度值,从而忽略了地形密度变化以及水准面以下密度异常对重力梯度的影响。根据重力位理论中求解边值问题的数值应用方法,直接利用重力异常数据求取重力梯度场,弥补了密度变化和密度异常在重力梯度上的反映。根据模型算例和实测重力异常数据求取了剖面重力梯度值,结果表明,限于重力数据空间分辨率的影响,利用重力异常数据可恢复中长波段重力梯度场。该方法与地形数据求取重力梯度和卫星重力梯度测量等方法技术相结合,对重力梯度数据库的建设具有实际应用价值。     

大失准角的SINS/GPS组合对准算法研究

利用四元数误差方程和非线性滤波技术能较好地解决大失准角下SINS的空中对准问题。迭代滤波比扩展卡尔曼滤波能在更大程度上改善对准精度，但计算量大。针对此不足，本文基于扩展卡尔曼滤波的状态与偏差解耦算法具有较高数值效率和迭代滤波具有较高精度的特点，推导出了一种非线性滤波算法，并对基于加性四元数误差方程的SINS／GPS组合对准进行了数字仿真。仿真结果表明：该算法既具有迭代滤波的精度又比迭代滤波计算量小。     

惯性测量数据的最优实时处理方法

如何提高惯性测量的精度,是惯性测量工作者面临的主要问题。本文首先对目前惯性测量系统中采用的几种实时处理方法进行了分析和比较,提出一种改进的卡尔曼滤波算法。仿真结果表明:改进的卡尔曼滤波算法较卡尔曼滤波定位精度高。     

基于贝叶斯估计的平滑算法

基于贝叶斯估计的平滑算法是在事后处理的情况下,依据过去直至现在的观测值去估计过去的历史状态,以有效提高精度。而滤波是依据过去直至现在的观测值去估计现在的状态。从理论上讲,由于平滑用了所求估计时刻之后的观测值,平滑算法应比滤波优异一些。本文设计了2个实验仿真计算,在逼近效果和RMS等方面分别与Kalman滤波和双向滤波加权平均进行了比较。经实验证明,无论是逼近效果还是RMS,平滑算法都要更优一些。     

基于渐消因子的改进Kalman滤波时间尺度估计算法

Kalman滤波时间尺度算法是一种实时的原子钟状态估计方法,在守时实验室具有重要实用价值。由于原子钟状态模型误差估计存在偏差,Kalman滤波时间尺度算法中状态估计可能出现相应异常扰动,应当对状态模型误差进行实时控制。对此,引入基于渐消因子的改进Kalman滤波时间尺度算法。对状态预测协方差矩阵引入渐消因子,利用统计量实时计算渐消因子的量值,控制状态预测协方差阵的增长,降低了原子钟状态估计的扰动。实验结果表明,相比于标准Kalman滤波时间尺度算法和基于预测残差构造自适应因子的Kalman滤波算法,基于渐消因子的改进Kalman滤波时间尺度算法能够提高原子钟状态估计的准确度,改进时间尺度的稳定度。     

有色噪声情况下状态预测值修正的Kalman滤波

利用线性最小方差估计方法,以正交投影理论为工具,推导了动态线性系统在状态噪声为有色噪声情形下的状态预测值及其相应的协方差阵。在形式上,此预测值比经典Kalman滤波预测值多出一项,该项包含了前一时刻的新息。对新预测值进行分析,得出了有色状态噪声条件下Kalman滤波的新算法,扩展了经典Kalman滤波的应用范围。最后通过一个模拟算例,证明了该算法的有效性。     

移动机器人SLAM位姿估计的改进四元数无迹卡尔曼滤波EI北大核心CSCD

在全自主运动控制的移动机器人系统中,自身位姿的估计和校正对于移动机器人的运动至关重要。卡尔曼滤波是解决移动机器人同步定位与地图构建(SLAM)常用方法。相较于卡尔曼滤波,无迹卡尔曼滤波(UKF)无须对复杂的非线性函数进行雅可比矩阵运算。本文基于无迹卡尔曼滤波,根据先验协方差的平方根选择sigma点,计算协方差以及加权均值。用四元数表示姿态,将四元数矢量转换为旋转空间进行矩阵运算,在此基础上设计了一种位姿估计算法——基于四元数平方根的无迹卡尔曼滤波(QSR-UKF)算法。试验将EKF、QSR-UKF、SR-UKFEKF 3种算法的位姿估计结果进行仿真分析,并通过相关定量指标进行了描述,验证了本文算法的有效性。     

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。     

Adaptive estimation of multiple fading factors in Kalman filter for navigation applications

Kalman filter is the most frequently used algorithm in navigation applications. A conventional Kalman filter (CKF) assumes that the statistics of the system noise are given. As long as the noise characteristics are correctly known, the filter will produce optimal estimates for system states. However, the system noise characteristics are not always exactly known, leading to degradation in filter performance. Under some extreme conditions, incorrectly specified system noise characteristics may even cause instability and divergence. Many researchers have proposed to introduce a fading factor into the Kalman filtering to keep the filter stable. Accordingly various adaptive Kalman filters are developed to estimate the fading factor. However, the estimation of multiple fading factors is a very complicated, and yet still open problem. A new approach to adaptive estimation of multiple fading factors in the Kalman filter for navigation applications is presented in this paper. The proposed approach is based on the assumption that, under optimal estimation conditions, the residuals of the Kalman filter are Gaussian white noises with a zero mean. The fading factors are computed and then applied to the predicted covariance matrix, along with the statistical evaluation of the filter residuals using a Chi-square test. The approach is tested using both GPS standalone and integrated GPS/INS navigation systems. The results show that the proposed approach can significantly improve the filter performance and has the ability to restrain the filtering divergence even when system noise attributes are inaccurate.     

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。     

On the equivalence of Kalman filtering and least-squares estimation

The Kalman filter is derived directly from the least-squares estimator, and generalized to accommodate stochastic processes with time variable memory. To complete the link between least-squares estimation and Kalman filtering of first-order Markov processes, a recursive algorithm is presented for the computation of the off-diagonal elements of the a posteriori least-squares error covariance. As a result of the algebraic equivalence of the two estimators, both approaches can fully benefit from the advantages implied by their individual perspectives. In particular, it is shown how Kalman filter solutions can be integrated into the normal equation formalism that is used for intra- and inter-technique combination of space geodetic data.     

多模型卡尔曼滤波在地磁场航海测量中的应用

由于卡尔曼滤波对模型精度有很强的依赖性,因此实际的地磁场测量系统中,宜采用多模型自适应卡尔曼滤波,以提高状态估计的准确度。针对并行子滤波器间的数据融合问题,提出了"距离"意义下的数据融合新算法,应用结果表明算法具有实用性。探讨了通过检验并行子滤波器状态估计一致性的模型误差识别方法,并将其应用于监测地磁场测量系统中船舶磁化参数的变化。     

一种新的综合Kalman滤波及其在星载GPS 低轨卫星定轨中的应用

针对将Kalman滤波方法应用到星载GPS定轨时，由于动态噪声和观测噪声确定不准而造成滤波的发散、污染观测值造成Kalman滤波估值的扭曲及计算舍入误差可能带来协方差阵的不正定性等缺陷，提出了一种新的综合Kalman滤波方法。该方法用拟准检定法准确地探测和修正量测方程中存在的粗差；用UD分解算法克服了数值的不稳定性，改进了计算精度；用Sage自适应滤波器克服滤波器的发散。算例结果表明，这种综合卡尔曼滤波方法具有数值稳定性好、较强的自适应性和较好地削弱粗差影响等优点。