扩展卡尔曼滤波数据同化试验--基于Lorenz(1960)系统的研究

本文采用Lorenz(1960)系统，在只考虑初始误差及观测误差而不考虑模式误差的情况下，利用扩展卡尔曼滤波(Extended Kalman Filter)数据同化方法进行了数值模拟试验。数值试验的结果表明：扩展卡尔曼滤波数据同化方法对系统状态的估计有较好的改善作用，能有效的抑制估计误差的增长；加大观测频率，可以进一步改善数据同化的效果，使估计误差进一步减小；由于模式误差的存在，系统的不稳定能量会不断的累积，出现了估计误差的异常增长和计算的不连续现象，在模式预报方程中的均值演变方程加人二阶偏差纠错项，对控制估计误差的异常增长，进一步改善数据同化的效果有较明显作用。     

自适应空间信息移动服务

空间信息移动服务系统是空间信息系统继由传统PC计算环境向有线Web分布式计算环境扩展后，向移动计算环境的新发展。文中在分析移动计算环境概念和特点的基础上，讨论了空间信息移动服务的若干特点及关键技术，研究了自适应空间信息移动服务方案。     

基于多传感器观测信息抗差估计的自适应融合导航

首先利用抗差估计原理构造了基于观测信息的融合导航解，再利用动力学模型信息进行自适应融合，最后利用模拟算例进行多种方案的计算与比较。     

基于光谱信息的遥感图像空间域自适应滤波

遥感图像往往由于内外因素的干扰含有各种噪声 ,为提高图像质量人们对其进行滤波。常规的滤波方式完全基于图像空间域 ,在消除异常点使图像平滑的同时使边界变得不清楚从而使图像模糊 ;或者正相反 ,在边缘信息得到增强时也放大了图像噪声而使图像变得粗糙。该文的自适应滤波方法充分利用多光谱和高光谱遥感图像的光谱维信息 ,滤波时不仅要使均匀的地块得到平滑 ,而且要使地块间的边缘、局部的异常点、线仍然得到保存、在光滑的同时尽量保持原有的数值特征     

基于方差分量估计的自适应融合导航

多源传感器观测信息的精度一般不一致,利用方差分量估计理论可以合理地顾及各传感器观测信息在融合导航解中的权比.首先给出基于多源观测信息的融合导航解算模式,进而基于方差分量估计讨论了各传感器观测信息在融合导航解中的合理平衡问题,然后应用自适应因子顾及动力学模型预报信息的贡献,给出了计算过程,并利用模拟数据进行了试算与比较.     

基于OSTU算法利用新型水体指数进行Landsat数据自适应阈值水体自动提取研究

利用Landsat数据,结合NDWI与MNDWI提取水体信息的特点提出了一种新的水体指数NMWI,并结合OSTU算法自适应地确定最佳分割阈值,完成了对海洋、河流、湖泊和水库4种主要的典型水体信息的自动提取,均取得了较好的效果。     

PPP/SINS紧耦合系统仿真的研究与分析

在捷联惯导(SINS)和GPS卫星接收机进行紧耦合的研究中,采用差分定位进行紧耦合的方法比较成熟,而关于精密单点定位(PPP)与捷联惯导紧耦合的研究还比较少。本文对精密单点定位与捷联惯导紧组合系统进行了Matlab仿真,利用数学解析的方法产生机载运动轨迹,通过设置系统的参数,获得仿真SINS和GPS数据;然后,通过PPP/SINS紧组合系统的仿真程序解算,将定位结果与PPP的结果比较,表明PPP/SINS紧组合导航定位的结果比PPP的精度和可靠性好,而且收敛的速度更快,同时也验证了算法的正确性。最后,分析了不同等级惯导对定位精度的影响。     

AEKF在星敏感器低频误差补偿中的应用

高分辨率对地观测卫星需要精确的姿态信息来满足后续对地定位等工作,因此姿态确定精度十分重要。星敏感器的低频误差是影响卫星姿态确定精度的重要因素之一,主要是由空间周期性的热环境变化引起的。为进一步提高卫星姿态确定精度,对星敏感器的低频误差产生机理即星敏感器主光轴做周期性扰动进行了分析,设计了星敏感器低频误差补偿方案,建立了考虑星敏感器低频误差在内的组合定姿模型,利用拓维卡尔曼滤波(AEKF)对低频误差进行补偿,并引入RTS平滑滤波进一步提高姿态确定精度。仿真实验表明,设计的星敏感器低频误差补偿方案能有效对其进行补偿,提高卫星姿态确定精度。     

集合卡尔曼滤波同化中雷达位置的敏感性研究

针对对流尺度集合卡尔曼滤波（EnKF）雷达资料同化中雷达位置对同化的影响进行研究。为了考察强对流出现在雷达不同方位时集合卡尔曼滤波同化雷达资料的能力,以一个理想风暴为例,设计了8个均匀分布在模拟区域周围的模拟雷达进行试验。单雷达同化试验中,初期同化对雷达位置较敏感,而十几个循环后对雷达方位的敏感性降低。造成初期同化效果较差的雷达观测位于模拟区域正南和正北方向,这两部雷达与模拟区域中心的连线垂直于风暴移动方向（即环境气流的方向）。双雷达试验的结果表明,正东、正南、正西和正北方向的雷达组合观测会使同化初期误差较大,这说明并不是所有与风暴连线成90°的雷达组合都能在短时同化中得到合理的分析结果,还需要都处于模拟区域对角线上（即与环境气流成45°夹角）,同化效果才较好。短时同化后的确定性预报结果表明,较大分析误差也会导致较大预报误差。这些分析误差主要是由于同化初期不准确的集合平均场驱动出的不合理的背景误差协方差造成的。当背景场随着同化循环得到改进后,驱动出的合理的背景误差协方差使得不同位置雷达同化造成的差异逐步减小。基于上述结果,引入迭代集合均方根滤波（iEnSRF）算法,结果显示使用该算法后,雷达位置对同化效果的影响减小,同化不同位置的雷达资料均能有效降低分析和预报误差。