网络RTK模糊度解算与误差项提取方法研究

提出了一种基于非组合模型的网络RTK参考站间模糊度解算和误差项提取方法。采用模型削弱对流层延迟影响,组成双差观测方程,利用Kalman滤波估计模糊度和电离层参数,固定模糊度后,进一步计算对流层参数。实测数据验证结果表明,该方法固定的双差模糊度是准确、可靠的。     

GPS导航中非线性Kalman滤波的方法分析

介绍了非线性Kalman滤波常使用的扩展Kalman滤波、平淡Kalman滤波和基于Bancroft算法的两步滤波法,分析了三种方法的优点和不足,为GPS导航方法的选择提供了参考.     

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%。     

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.     

一种网络空间现象同位模式挖掘的新方法

同位模式的挖掘是空间数据挖掘领域关注的热点问题。目前,对于网络空间现象同位模式挖掘的研究较少。本文将欧氏空间已有方法扩展至网络空间,该方法由两个核心步骤组成:①通过对网络进行划分定义同位腜停范ㄍ止叵担虎诙酝止叵到型臣仆贫先范ㄆ涫欠裎荒J健6陨钲谑兄圃煲倒镜耐荒J酵诰蚪辛朔椒ㄋ得鳎谰菁劬醚е械贾虏导鄣娜只贫哉庑┩荒J浇辛硕ㄐ苑治觯ü胍延蟹椒ǖ谋冉弦约巴纾撕募煅檠橹ち吮疚姆椒ǖ挠行浴€     

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。     

粒子滤波算法在GPS/DR组合导航中的应用

针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法。在此基础上提出了一种新的粒子滤波算法——自适应渐消扩展Kalman粒子滤波方法。该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性。与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度。通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性。     

粒子滤波算法在GPS/DR组合导航中的应用

针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法.在此基础上提出了一种新的粒子滤波算法--自适应渐消扩展Kalman粒子滤波方法.该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性.与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度.通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性.     

一种新型GNSS/IMU方式在无人机导航中的应用

GNSS/IMU组合导航一般采取基于欧拉角的组合方式。为了加快收敛速度,通常采用非线性滤波。但非线性滤波如EKF等仍然有一定的截断误差且计算量较大。采取基于DCM的组合导航方式,建立了基于DCM的GNSS/IMU的组合导航模型,并以基于DCM的卡尔曼滤波方式进行滤波解算。组合导航姿态收敛快,且计算量小。通过采用无人机实测数据进行分析,并与基于欧拉角的Kalman滤波组合导航算法进行比较,该方法有效缩短了计算时间,且精度较高。更适合无人机等高动态载体的实时导航需求。     

GPS/DR组合导航自适应Kalman滤波算法

针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法。给出了由预测残差确定自适应因子的过程。利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高。