共查询到10条相似文献,搜索用时 203 毫秒
1.
2.
基于噪声随机模型的加权观测融合方法 总被引:1,自引:1,他引:0
信息融合技术中,在各局部传感器的有色观测噪声为一阶AR模型的情况下,可以利用观测扩增方法消除有色噪声的影响,得到最优加权观测融合方程,从而实现状态的最优滤波解.对于有色观测噪声为MA或ARMA模型的情况,观测扩增方法不再适用.提出了基于有色观测噪声随机模型级数展开的方法,求解出各局部传感器有色观测噪声的方差,并利用该方差对加权观测融合滤波器进行了构造.通过计算实例证明,该方法不仅适用于观测噪声为AR模型,同时适用于噪声MA或ARMA模型. 相似文献
3.
非差GPS定位中,通常采用以观测值服从高斯白噪声条件的估计准则进行参数求解。研究表明卫星端误差、传播路径误差、测站环境误差等会破坏观测值的白噪声特性,并且未模型化误差同样具有不利影响。这不仅破坏了估计准则的假设条件,而且部分非白噪声有可能被状态参数吸收,影响估计的准确性。本文将观测值白噪声、有色噪声和未模型化误差一同纳入GPS非差随机模型,以验后残差来表征GPS数据的随机特性,进行Allan方差分析,研究噪声成分及其参数。结果表明,GPS非差噪声组合主要为WN+GM,相位白噪声为2.392mm,GM过程噪声为4.450mm/s,相关时间为52.074s,伪距白噪声为0.936m,GM过程噪声为0.833m/s,相关时间为14.737s,相位的GM过程噪声与卫星相关性较大,而其余噪声则与测站相关性较大,大量分析结果表明GPS非差随机模型并不服从高斯白噪声假设,有待精化。 相似文献
4.
提出了有色观测噪声的随机模型级数表示及其补偿法,利用该方法能对随机模型进行修正.结合现代时间序列分析方法,并根据新息模型设计了状态最优滤波器.将本文方法与观测扩增方法进行了分析和比较,结果表明,利用该方法能有效控制有色观测噪声的影响. 相似文献
5.
基于随机模型改正的有色状态噪声处理新方法 总被引:3,自引:0,他引:3
控制有色状态噪声影响除了通过状态向量扩展的方法外,也可以通过修正随机模型.提出采用多项式长除法将有色状态噪声模型展开成无穷级数,截断取其有限项,进而求取有色状态噪声方差.利用该方差对随机模型进行修正,再结合现代时间序列分析方法,构造出新的ARMA新息模型,并根据该新息模型设计状态最优滤波器.为了说明该方法的正确性和合理性,将它与标准的Kalman滤波和状态向量扩展法进行分析和比较.结果证明利用该方法能有效地控制有色状态噪声的影响. 相似文献
6.
作为光纤陀螺误差的重要组成部分,随机噪声严重影响着光纤陀螺的精度,对光纤陀螺随机噪声进行准确建模和补偿是提升陀螺精度的有效方式。本文针对光纤陀螺随机噪声的复杂性,难以对其进行精确分析,ARIMA (auto-regressive moving average)模型Kalman滤波中有色噪声不能使用状态扩充法建模的问题,扩展了Harvey方程,实现有色噪声白化。同时,考虑先验噪声的不确定性以及模型参数在线更新导致的参数与状态噪声相互耦合,分析了动态Allan方差估计量测噪声的不足,使用VBAKF (variational Bayesian adaptive Kalman filter)实时修正滤波状态噪声与量测噪声。试验表明,Harvey法较传统滤波建模方式,随机噪声序列方差降低40%,Harvey法结合VBAKF使序列方差降低了54%;VBAKF较动态Allan方差,可以更好地估计量测噪声。结果表明,此方法可有效抑制随机噪声Kalman滤波中有色噪声和随机模型不准确的影响,提高随机误差补偿精度。 相似文献
7.
有色噪声作用下的卡尔曼滤波 总被引:2,自引:0,他引:2
利用GPS载波相位三差观测量进行动态定位(或精密导航),就必须研究有色噪声滤波的理论问题.根据需求,推导了动态噪声、观测噪声为有色噪声的线性系统滤波公式,并证明白噪声卡尔曼滤波是有色噪声卡尔曼滤波的特例,或者说有色噪声的卡尔曼滤波是白噪声卡尔曼滤波的推广. 相似文献
8.
9.
介绍了GPS时间序列分析方法与理论,并对时间序列分析软件CATS的安装、使用及其基本原理进行了详细阐述。CATS主要使用的两种计算方法:频谱分析法和最大似然估计法;不同的噪声模型(主要是白噪声加有色噪声)来分析时间序列中的噪声以及它们对速度误差的影响。利用CATS可以方便的为研究者获得参数,进行上层研究。 相似文献