含误差预报校正的GM(1,1)卫星钟差预报新方法

为了提高卫星钟差预报精度,该文提出用AR(p)模型对GM(1,1)建模过程中的模型残差进行建模预报,以此来提高GM(1,1)模型预报卫星钟差的精度。首先,剔除卫星钟差数据中的异常值,采用拉格朗日插值法将缺失的数据补齐;然后,用GM(1,1)模型对卫星钟差进行预报,对GM(1,1)的模型残差作平稳化处理后,采用AR(p)模型对处理后的残差序列进行预报;最后,将GM(1,1)和AR(p)模型的预报结果对应相加即得到钟差的最终预报值。此外,该文采用IGS公布的事后精密卫星钟差进行预报试验,并将该文结果与卫星钟差预报中常用的二次多项式和修正指数曲线法模型预报结果进行对比分析。结果表明,该方法可以对GPS卫星钟差进行高精度的中短期预报。     

GPS卫星钟的特性与预报研究

经实验分析发现:GPS卫星钟差的预报精度与卫星的种类密切相关,最近发射的BLOCK ⅡR和BLOCKIIR-M类卫星比以往的BLOCK ⅡA类卫星要更加稳定,其卫星钟差的预报精度明显较高。直接利用IGS超快速产品和线性模型预报后6小时的卫星钟差,精度在0.5纳秒水平;但一些BLOCK ⅡA类卫星是不稳定的,通过对其预报残差的分析发现:同一颗卫星每天在相同时段用相同的模型去预报其卫星钟差,预报所得的残差呈周期性变化,并且这种周期性变化并不完全重合,还具有一定的随机性。依据这一特性本文构建了一个新的预报模型来实时预报GPS卫星钟差。该模型不仅能预报卫星钟差的总体变化趋势,还能预报残差的周期性变化以及随机项的变化,因此精度更高。预报结果均与IGS发布的最终产品相比,实验显示利用该方法实时预报GPS卫星钟差,预报精度可达0.5纳秒水平。     

基于优化残差组合的北斗卫星短期钟差预报研究

为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性.     

顾及周期项的北斗卫星钟差建模与预报

以三种卫星轨道的北斗卫星精密钟差为数据源,在采用频谱分析诊断出钟差拟合残差的周期特性基础上,分析了不同类型轨道卫星钟差的周期性特征;为实现钟差拟合残差的周期拟合,讨论了不同阶数三角级数对建模精度的影响,继而采用顾及周期项的二次多项式模型进行钟差的建模与预报,分析比较了不同轨道类型卫星钟差的预报精度情况。     

一种组合模型在卫星钟差长期预报中的应用研究

近年来,卫星钟差长期预报普遍采用灰色模型,该模型的预报精度虽较传统的二次多项式模型有所提高,但仍不理想。本文在其基础上提出了一种新的组合模型:首先利用灰色模型估计的残差建立二次多项式模型,预报以后历元的残差,然后和灰色模型的预报结果相加;并分析了利用不同历元个数的残差建模所得组合模型的精度,将组合模型与灰色模型、二次多项式模型的预报精度进行了比较。结果表明:组合模型相对于灰色模型的预报精度能提高一个数量级左右,验证了本文提出的组合模型的可行性和有效性。     

论动态自适应滤波

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。本文首先介绍了目前广泛使用的Sage自适应滤波，讨论了自适应滤波的残差向量、新息向量及状态参数预报值残差向量的解析关系，以及它们之间的协方差矩阵之间的关系；分析了基于新息向量、残差向量和状态参数预报值残差向量的自适应协方差估计存在的问题。对新近发展起来的抗差滤波、Sage自适应滤波及抗差自适应滤波进行了综合比较与分析，结果表明抗差自适应滤波解算理论与方法除自适应地估计载体状态预报向量的协方差矩阵外，还能自适应地估计任意历元观测量的权。计算结果证实，抗差自适应滤波不仅计算简单，而且能有效地控制观测异常和载体状态扰动异常对动态系统参数估值的影响。     

利用改进灰色模型的钟差预报算法及其精度分析

灰色模型在钟差长期预报中虽具有一定的优势,但是预测的精度还有进一步提高的可能。在本文中,采用经过数据预处理和残差修正对一阶灰色模型进行了改进,再对GPS卫星钟差进行不同时间尺度上的预报。算例利用IGS提供的精密钟差产品,建立了一个基于改进灰色模型的预报算法,改进灰色模型的预报精度较传统的二次项模型有了很大的提高,且预报结果的收敛性也获得了一定程度的改善。     

卫星钟差组合预报模型研究及其应用

为了提高卫星钟差预报的精度与稳定性,本文综合幂函数变换的GM(1.1)模型与Elman神经网络模型的优势,提出了一种组合卫星钟差预报模型。该组合预报模型实现卫星钟差预报的流程为：首先,使用钟差数据对幂函数变换的GM(1.1)模型进行建模并进行钟差预报;其次,将幂函数变换的GM(1.1)模型预报残值作为Elman神经网络模型训练样本进行模型训练与残差值预报;最后,将幂函数变换的GM(1.1)模型预报值与Elman神经网络模型残差预报值相加得到组合预报值。使用IGS提供的精密钟差数据进行实验,结果表明,本文提出的组合预报模型较单一的预报模型的预报精度与稳定性均有较大程度的提高,本文的研究对于高精度卫星钟差预报模型的建立具有重要参考价值。     

EEMD分解的超快速北斗卫星钟差预报

为提高北斗卫星钟差预报精度,本文提出采用多项式和集合经验模态分解相结合的模型进行北斗卫星钟差的预报,并采用GPS数据验证算法的正确性。在剔除卫星钟差中的趋势项部分后,利用经验模态分解法对残差分解得到不同频率的时间序列。对各时间序列用不同模型进行预报并进行线性组合,最终的钟差预报值由趋势项和各时间序列的预报值复合而成。试验表明:该模型对北斗卫星钟差预报取得了较好的结果,与ISU-P相比,精度提升幅度在7.3%~43.0%之间。     

GM(1,1)残差修正模型在建筑形变预报中的应用

通过对比建筑形变监测数据的GM(1,1)模型和改进的GM(1,1)残差修正模型建模的预报结果,表明残差修正GM(1,1)模型的预报精度明显高于传统GM(1,1)模型的预报精度,并且二次残差修正GM(1,1)模型的预报精度远高于一次残差修正GM(1,1)模型的预报精度,从而为准确形变预报提供了一种简单而有效地新实践。     

一种基于分步式滤波的多传感器组合导航系统算法研究

提出了一种多传感器组合导航系统的分步滤波算法。当所有传感器的观测值到来时,首先对该时刻的系统状态进行预测,然后利用常规卡尔曼滤波器和各导航传感器的观测值依次对该时刻的状态向量估计值进行更新,进而得到该时刻状态向量基于全局信息的最优融合估计。最后利用GPS/SST/高度表/SINS多组合导航系统对上述算法进行验证。仿真结果表明,该算法与集中式卡尔曼滤波算法的估计精度相同,但计算量得到降低。     

卫星导航接收机基于IIR陷波器的单频干扰抑制性能分析

单频干扰对卫星导航系统的破坏性很强,仅靠系统自身的抗干扰能力很难保证系统正常工作。因此,有必要引入干扰抑制技术。在现有的众多抑制单频干扰的信号处理手段中,时域陷波抑制技术因其实现简单、抗干扰性能好等优点而被广泛使用。针对单频干扰对卫星导航接收机的影响,分析了IIR陷波器的陷波原理,比较了直接型和格型两种陷波器的性能,研究了陷波器参数与零陷深度、陷波带宽的关系,并基于二阶陷波器扩展分析了高阶陷波器的抑制性能。通过仿真实验,验证了上述结论的正确性。     

两种滤波方法在SINS／GPS组合导航中的应用与比较

针对SINS／GPS组合导航系统中卡尔曼滤波发散的情况,引入了自适应滤波和H∞滤波,分析了它们各自的特性,最后进行仿真计算,验证了这两种滤波用于SINS／GPS组合导航系统的可行性和有效性,对实际应用中组合导航系统滤波器的设计具有一定的指导意义。     

两种滤波方法在SINS/GPS组合导航中的分析比较

本文针对SINS/GPS组合导航系统中卡尔曼滤波发散的情况:介绍并分析了自适应滤波和H∞滤波算法原理,并进行仿真计算,验证了这两种滤波用于SINS/GPS组合导航系统的可行性和有效性,对实际应用中组合导航系统滤波器的设计具有一定的指导意义。     

异步联邦UKF的GNSS／SINS／摄影定位组合导航算法仿真

在飞行器进近过程中,为了提高组合系统的导航精度,针对传统联邦滤波器对非线性系统模型易导致滤波发散问题.分析了两种导航方式的优缺点,提出了基于卫星导航／惯性导航／摄影测量(GNSS／SINS／Photogrammetry)的组合导航联邦滤波算法,并推导了系统误差模型.该算法取长补短利用联邦无迹卡尔曼滤波器将GNSS定位和摄影定位、定姿精度高的优势对SINS进行在线误差估计.针对多传感器非等间隔数据采样问题,采用时间与量测更新分离的异步非等间隔联邦滤波算法进行信息融合,并对滤波器结构进行改进以减少算法复杂度.仿真实验证明基于联邦UKF的组合导航系统较传统联邦滤波算法位姿精度有明显的提高,且系统鲁棒性也有一定的增强.      

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.     

A locally adaptive filter of interferometric phase images

We propose an adaptive filtering approach for interferograms, which is a modification to the Lee adaptive complex filter. Based on local frequency estimates, we compute the normal orientation of local phase fringes. A directionally dependent filtering window is aligned perpendicular to the normal orientation of local phase fringes (i.e., along local phase fringes) by interpolation, making the pixels included in the filtering window have approximately more homogeneous values. Moreover, the computation of the filter parameter does not require local phase unwrapping in the real plane. This filter minimizes the loss of signal and reduces the level of noise. By using two sets of simulated data, its effectiveness can be seen in terms of the fidelity to noise-free phases, fringe preservation, and residue reduction.     

A neural fuzzy network approach to Radar pulse compression

To make good range resolution and accuracy compatible with a high detection capability while maintaining the low average transmitted power, pulse compression processing giving low-range sidelobes is necessary. The traditional algorithms such as the direct autocorrelation filter (ACF), least squares (LS) inverse filter, and linear programming (LP) filter based on three-element Barker code (B13 code) have been developed. Recently, the neural network algorithms were issued. However, the traditional algorithms cannot achieve the requirements of high signal-to-sidelobe ratio and low integrated sidelobe level (ISL), and the normal neural networks such as the backpropagation (BP) network usually produce the extra problems of low convergence speed and are sensitive to the Doppler frequency shift. To overcome these defects, a new approach using a neural fuzzy network to deal with pulse compression in a radar system is presented. Two different Barker codes are carried out by a six-layer self-constructing neural fuzzy network (SONFIN). Simulation results show that this neural fuzzy network pulse compression (NFNPC) algorithm has significant advantages in noise rejection performance, range resolution ability, and Doppler tolerance, which are superior to the traditional and BP algorithms.     

自适应渐消卡尔曼滤波及其在SINS初始对准中的应用

卡尔曼滤波常常被用于惯性导航系统初始对准算法,其使用前提是对系统状态进行建模,从而得到比较准确的系统噪声和观测噪声统计特性。在模型失配和观测噪声干扰的情况下,常规卡尔曼滤波会出现精度下降甚至发散,从而影响初始对准精度。针对这一问题,提出了一种新型渐消卡尔曼滤波算法,引入了多重渐消因子对预测误差协方差阵进行调整,设计了基于新息向量统计特性的滤波状态χ2检验条件,使渐消因子的引入时机更加合理,算法的自适应性得到增强。将改进的卡尔曼滤波算法应用到惯性导航系统的初始对准问题中,仿真试验和实测数据试验结果表明,与常规渐消因子滤波算法相比,新算法可以有效提高滤波精度及鲁棒性。     

一种次优并行Sage自适应滤波器

提出了一种新的次优Sage自适应卡尔曼滤波算法，该算法针对经典次优Sage滤波器经常存在的结果偏移现象，设计了一种附加伴随滤器的并行滤波结构，消除了结果偏移，提高了滤波精度。