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。      

K-GM（1，1）模型在岩体变形监测中的应用

传统GM （1,1）模型存在着长期预测效果差、模型精度不高等问题,卡尔曼滤波能够排除建模过程中随机干扰因素,滤波值能够反映更真实的数据情况。为了能更好地提高变形监测的预测精度,基于传统GM （1,1）模型和卡尔曼滤波,提出K‐GM （1,1）模型,利用该模型对岩体变形监测数据进行建模预测,并与传统GM （1,1）模型预测结果进行对比分析,结果表明,K‐GM （1,1）模型具有较高的预测精度,可作为变形监测的一种新方法。     

基于海浪谱分解与重构的资料同化试验

针对有效波高资料提出一种海浪谱分解与重构的资料同化方案:利用历史时段内的有效波高观测资料和模式计算波高场,采用最优插值方法得到分析波高场;在WAVEWATCH-Ⅲ模式的波浪能量密度谱和有效波高分析值之间引入一个变异系数矩阵,描述模式的误差,以此为状态向量构建卡尔曼滤波系统,对分解过的海浪谱进行修正和重构,得到同化后的海浪谱初始场。利用美国阿拉斯加湾北部海域的7个浮标站进行同化和72 h预报试验,对连续1个月的预报结果进行统计表明:采用该同化方案后24 h预报结果的有效波高均方根误差比未同化的结果降低了0.13 m;同化方案对预报效果的影响可持续36 h左右,随着预报时效延长,同化的效果减弱。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

一种改进扩展卡尔曼滤波算法的GPS多径抑制应用

在用EKF算法消除微弱GPS卫星信号中的噪声,并估计出多径幅度与码相位时延的码跟踪环中,由于各种误差的存在,从而降低了环路的跟踪性能。针对这一问题,该文在EKF算法的基础上提出了一种LSEKF算法,该LSEKF算法用最小二乘估计的原理对EKF算法所用的采样观测点进行修正,构造出一组无偏、均方误差和最小与空间分布确定的新型采样观测点,用来进行后续的滤波估计。仿真结果表明,相比EKF算法,LSEKF算法拥有更高的伪码跟踪精度,而且收敛速度更快,跟踪门限也更低。     

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。     

基于数据同化的长春市雾霾反演与空间特征分析

近年随着长春地区冬季雾霾天气的频繁出现,大气可吸入颗粒物(PM2.5)已成为长春地区的主要空气污染物之一。遥感技术与污染物模型相结合是近年来预报空气质量的一种有效方法。本文以2015—2016年长春市冬季雾霾天气为例,利用MODIS遥感影像获取的气溶胶光学厚度(AOD),反演长春市地表PM2.5浓度值,得到长春市空气污染物空间分布图,并分析长春市空气污染物的时空分布特征。同时利用AOD反演的PM2.5浓度值作为数据同化资料,对长春市地表PM2.5浓度值进行预报,预测结果令人满意。研究结果表明:数据同化与遥感信息技术结合进行雾霾预测是一种有效的手段,可为雾霾反演的数据提供可靠的信息。