含有粗差观测值的自适应滤波

线性系统的标准Kalman滤波在模型不含有粗差的前提下是最优的,而在测量过程中,测量数据不可避免地存在着粗差,Kalman滤波很容易受到粗差的影响,致使滤波发散和偏倚.抗差Kalman滤波可以减少粗差的影响,对滤波值适时地加以补偿和修正可以使Kalman滤波值不发生大偏倚,但此时的滤波值一般不具有最优性.利用预测残差对粗差进行探测和估计,并对模型加以修正,然后通过Kalman滤波给出此时状态的滤波值.实例表明:通过模型修正来进行适时Kalman滤波的方法是可行的和有效的.     

一种顾及观测质量信息的自适应抗差Kalman滤波方法

针对观测数据含有异常粗差且无多余观测的应用情形,提出一种顾及观测质量信息的自适应抗差Kalman滤波方法。该方法两步计算得到自适应因子和抗差等价权矩阵,即首先利用顾及观测质量信息的抗差Kalman滤波得到消除观测粗差影响的参数估计值,然后根据该值构造动力学模型误差判别统计量并计算自适应因子。以某边坡GPS变形监测数据序列处理为例,利用RPDOP(Relative Position Dilution of Precision)值作为观测质量信息进行处理分析,结果表明该方法能够有效控制动力学模型误差和观测粗差对滤波估值的影响。     

基于未确知有理数的VRS综合误差粗差探测与修复

虚拟参考站VRS(Virtual Reference Station)技术是GPS网络RTK中一种比较成熟的、可实时提供厘米级精度导航定位信息的技术.它主要利用网络内所有基准站原始观测数据,在流动站附近实时模拟一组参考站数据(包括参考站坐标和GPS载波相位观测值).其基准站综合误差粗差对定位结果有直接的影响.这里从粗差的偶然性和孤立性出发,提出了基于未确知有理数的粗差探测与修复方法.阐述了该方法的滤波原理及参数取值原则,解决了传统粗差判别中定位不明确和遮蔽的问题.通过求未确知期望值实现粗差修正,不会造成有效信息的丢失.实验数据的处理结果表明,基于未确知有理数滤波法能够有效地实现粗差修正与数据平滑处理.     

卡尔曼滤波在GPS数据预处理中的应用

为了提高GPS数据预处理过程中基线解算的精度,文章研究利用多项式拟合法得到Kalman滤波的系统状态方程和转移矩阵,提出利用Kalman滤波算法对三差观测值进行粗差及周跳的修复。实验结果证明Kalman滤波可以对含噪信号进行有效的降噪,经降噪后的信号具有更好的分布。     

基于模糊理论的抗差Kalman滤波算法

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质量。在实践中,观测向量及其动态模型信息均可能存在异常,此时若仍利用标准Kalman滤波,则状态滤波解将极不可靠。在标准Kalman滤波原理的基础上,结合模糊控制理论,提出了一种基于模糊理论的抗差Kalman滤波算法。该方法是依据滤波处理后的数据残差,利用模糊理论构造等价权,从而有效控制粗差对导航解的影响,并用算例验证了该方法的可行性和有效性。     

基于模糊理论的抗差Kalman滤波算法

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质量.在实践中,观测向量及其动态模型信息均可能存在异常,此时若仍利用标准Kalman滤波,则状态滤波解将极不可靠.在标准Kalman滤波原理的基础上,结合模糊控制理论,提出了一种基于模糊理论的抗差Kalman滤波算法.该方法是依据滤波处理后的数据残差,利用模糊理论构造等价权,从而有效控制粗差对导航解的影响,并用算例验证了该方法的可行性和有效性.     

抗差多速率模型与抗差自适应Kalman滤波性能对比

将IGGIII抗差方案与小波变换相结合,通过高频小波系数对粗差进行探测,用局部预测值对其进行替代;并将观测数据的多速率信息抽取用于状态估计,建立抗差多速率模型,将其应用于工程建筑物的变形监测数据处理中。通过与抗差自适应Kalman滤波的结果对比,表明了抗差多速率模型具有抵御多种粗差的能力;对观测数据中的信息进行了有效利用,使得滤波估计的精度高于抗差自适应Kalman滤波。     

基于双因子抗差卡尔曼滤波在动态导航中的应用

针对动态导航卡尔曼（Kalman）滤波的异常扰动影响问题,根据观测量中的粗差对状态向量滤波值的影响规律,引入了双因子算法,导出基于预报残差的抗差卡尔曼滤波模型,该模型具有良好的抗差性,利用实测数据加模拟粗差进行验证,结果表明：抗差卡尔曼滤波可以很好的控制状态对滤波估值的影响,精度相对于标准卡尔曼滤波有明显的提高。     

抗差自适应Kalman滤波模型的可行性分析

将抗差估计原理引入到经典Kalman滤波(CKF)方法中,即抗差自适应Kalman滤波(RAKF),在抑制观测粗差及状态扰动方面,存在明显的优势。通过大坝变形监测实例说明,在变形监测数据处理中RAKF比CKF解算结果更可靠有效。RAKF在抑制状态预报粗差及观测粗差方面的优势是显而易见的,是一种可行的有效估值方法。     

海洋测深数据的抗差Kalman滤波

从线式测深模式要求出发,构建了海洋水深测量过程中的测船位置滤波模型和深度数据的滤波模型,并在此基础上,给出了测线上位置数据和深度数据Kalman滤波的一般解和抗差解,并结合海洋水深测量特点,构建了满足水深数据剔除异常值的截断权函数和滤波方案,实例分析表明,抗差滤波方法能够有效地控制测船位置粗差,在选择截断权函数情况下,抗差滤波方法能够有效地剔除水深跳点和假水深。     

动态定位解算中测量粗差的探测与修复

基于Kalman滤波的动态定位中,动态观测量可能存在粗差,若数据处理不考虑对这些粗差的特别处理,则所提供的动态信息将极不可靠。文中计算了粗差对滤波结果的影响,并由此建立了动态定位中粗差的探测和修复算法。最后以一数字仿真(模拟)实验论证了方法的可行性。     

顾及模型误差的卡尔曼滤波相位解缠

本文提出一种顾及模型误差的卡尔曼滤波相位解缠算法,该算法在卡尔曼滤波的状态空间模型中引入一与误差因素有关的控制变量,对相位误差进行补偿,通过在解缠过程中将卡尔曼滤波增益限制在一定范围内,把误差阻遏在相当小的区域,最后对解缠相位进行卡尔曼滤波平滑操作,减少了误差的传播。分别采用仿真数据和真实InSAR数据进行实验,并与原卡尔曼滤波相位解缠结果进行对比分析,验证了本文方法的有效性。     

基于UKF的GPS非线性动态滤波算法

介绍了一种Unscented卡尔曼滤波算法，它通过确定性采样获得一组采样点，可获得更多的观测假设，对系统状态统计特性的估计更加准确，同时该算法无需对系统方程进行线性化，避免了传统的EKF算法由于线性化引入的误差。本文将UKF算法用于GPS非线性动态滤波技术中，建立了仿真模型并定义了仿真条件，与EKF算法的仿真结果相比，在系统状态统计特性未知的情况下，UKF算法对系统状态的估计更准确，定位精度更高。     

利用改进的Kalman滤波算法进行GNSS单历元姿态测量

传统G PS单历元姿态解算中存在没有利用历元间的相互关系以及不能有效抵制粗差影响等问题,而Kalman滤波则可一定程度上解决这些问题。结合稳健估计理论对GPS单历元姿态解算提出了一种改进的Kalman稳健估计算法,通过实验及与传统的最小二乘解算方法相比较,该算法能够较好地消除历元间计算结果中出现的跳变值,使得解算结果更稳健。     

双集合卡尔曼滤波估算时间序列LAI

遥感估算叶面积指数(LAI)时空动态变化对全球气候变化研究具有重要的意义,为了提高遥感估算时间序列叶面积指数的精度,需要耦合遥感观测数据与LAI动态过程模型。本文提出一种基于双集合卡尔曼滤波(Dual EnKF)的时间序列LAI反演方法,同时更新LAI估计值和LAI动态过程模型中的敏感性参数,得到LAI和动态过程模型敏感参数的最优估计值来优化动态过程模型。一方面使得动态过程模型可以更好地描述LAI随时间的变化过程,降低模型预测误差,从而提高LAI动态过程模型的预测能力;另一方面通过耦合动态过程模型和辐射传输模型,集成遥感观测数据与动态过程模型的预测值,进而得到优化的LAI估计值。为检验算法,分别选取作物、草地和林地等典型植被验证站点进行Dual EnKF LAI时间序列估算,并分别与MODIS LAI产品及其SG滤波曲线、集合卡尔曼滤波方法反演LAI、未优化的动态过程模型模拟LAI结果进行比较,并配以一些站点地面实测点数据作为参考。结果表明,采用Dual EnKF方法得到的LAI不但保持了时间上的连续性,而且通过改善动态过程模型的预测能力,即使在缺乏高质量遥感观测数据时,也能够获得符合LAI发展趋势的估算值,没有出现跳跃、波动现象,时间序列曲线较稳定,更符合植被LAI变化规律,表明基于Dual EnKF的时间序列LAI遥感估算方法是提取LAI时间廓线的一种有效途径。     

卡尔曼滤波器在卫星遥感影像大地校正中的应用

在卫星遥感图像的预处理中,通过系统校正可以基本上消除影像内部的变形误差。然而,整幅影像的大地定位误差仍然是很大的,甚至几百米至1公里的数量级。本文介绍利用少量的地面控制点,采用递归算法而不是批处理算法,大大地提高大地定位精度。在单幅影像处理中,可以重新对卫星的轨道参数与姿态参数进行估值,从而提高影像的大地定位精度。在一条轨道上连续的多幅影像中,可以预报下一幅影像的大地位置,从而对那些不具有地面控制点的影像的大地校正中,实现外推计算。文中介绍并推导了卡尔曼滤波器方程中的转移矩阵和测量矩阵的系数,并推荐用数值回归的办法求得其数值解。文中最后介绍模拟试验及算法计算结果,并讨论其优缺点。     

基于AR（p）的卡尔曼滤波在GPS变形监测中的应用

由于AR（p）模型结构比较简单且计算比较方便,在变形分析中,目前常采用此模型建立变形模型。然而单纯的AR模型把模型参数作为定值,变形数据拟合误差及变形预测误差可能会比较大。介绍了将卡尔曼滤波引入AR模型,利用观测数据建立AR模型,即建立观测方程;以AR模型的参数为状态向量建立状态方程。从而形成动态系统的卡尔曼滤波函数模型,动态计算出AR模型的参数以便预测。此方法快速、实时,且占有较少内存,充分利用了AR模型和卡尔曼滤波二者的优点。     

Adjustment of leveling network by information spread estimation

In practical parameter estimation, we have always chosen either Least Squares Estimation(LSE) or Robust Estimation. Since the distribution of observations is unknown, to select a correct estimation method is very difficult. It is well known that if observations include gross errors, the result of LSE will be badly containinated. On the other hand, if observations do not include any gross errors, the result of robust estimation is not as good as that of LSE. To solve this problem, Wang (1999) developed an estimation method called Information Spread Estimation (ISE) based on the information spread principle. The ISE is a very good method for estimating one parameter which is very robust. However, most of instances in surveying data processing are multi-parameters' estimation, owing to the inherent restrictions of ISE, it can not be applied to the surveying data processing directly. To apply the good method to the field of surveying data processing widely, the author has done the research deeply. This paper applies ISE successfully to the adjustment of leveling network by using the specialties of leveling.     

ADJUSTMENT OF LEVELING NETWORK BY INFORMATION SPREAD ESTIMATION

1　ＩｎｔｒｏｄｕｃｔｉｏｎＦｏｒｉｎｄｅｐｅｎｄｅｎｔｏｂｓｅｒｖａｔｉｏｎｓＬ ,ｔｈｅＩＳＥｆｉｒｓｔｌｙｕｓｅｓｔｈｅｆｏｌｌｏｗｉｎｇｆｏｒｍｕｌａｔｏｅｓｔｉｍａｔｅｔｈｅｄｉｓｔｒｉｂｕ ｔｉｏｎ^ｆ(Ｌ) :^ｆ(Ｌ) =1ｎｈ 2π∑ｎｊ=1ｅｘｐ( - (Ｌ-Ｌｊ) 22ｈ2 ) ( 1 )ｗｈｅｒｅＬａｒｅｏｂｓｅｒｖａｔｉｏｎｓ;ｎｉｓｔｈｅｎｕｍｂｅｒｏｆｏｂ ｓｅｒｖａｔｉｏｎｓ;ｈ =α(Ｌｍａｘ-Ｌｍｉｎ) /(ｎ - 1 ) ,ｃｏｅｆｆｉｃｉｅｎｔαｃａｎｒｅａｄｉｌｙｂｅｌｏｏｋｅｄｕｐｆｒｏｍｔｈｅＴａｂｌｅｉ…     

基于地籍测量的惯性系统初始对准方法研究

地籍测量过程中具有静态、可调平和转位的特点,在静基座条件下,捷联惯性测量系统(SIMS)粗对准的失准角与卡尔曼滤波精对准的失准角相当,但是解析粗对准的方位角误差较大。本文在建立SIMS静基座粗对准误差方程的基础上,对影响解析粗对准精度的误差因素进行分析,提出利用光纤陀螺寻北仪进行四位置转位寻北的方法来估算方位角的精度,以提高方位角的估计精度。仿真结果表明,该方法可以有效地提高对准精度,适合于静基座外界干扰小的捷联式惯性测量系统上,在一定程度上可以直接作为对准的结果用于地籍测量定位解算。