集合变换卡尔曼滤波局地化对区域集合初始扰动的影响

集合变换卡尔曼滤波(ensemble transform Kalman filter,ETKF)是一种有效的集合预报初始扰动构造方案.但是,有限的集合样本、相同的集合成员设置以及预报模式误差等可能会使两个距离较远的状态变量产生虚假相关,从而影响ETKF集合扰动的质量.为了有效解决远距离虚假相关问题,将局地化思想引入ET...     

GNSS与加速度计融合超高建筑动态监测数据分析

针对影响全球导航卫星系统(GNSS)变形监测精度的多路径误差，该文建立基于经验模态分解(EMD)算法的系统趋势分离模型，修正GNSS变形序列。构建多速率卡尔曼滤波Rauch-Tung-Striebel(RTS)平滑模型，融合超高层建筑的GNSS和加速度计监测数据，充分发挥两种传感器各自的优势。针对超高层建筑首次应用能量差值法确定变分模态分解的分量数，进而对分量进行频谱分析以提取超高层建筑的主模态振动频率。模拟数据表明，该文算法能够提高分析精度，融合位移的均方根为4.3 mm,相关系数为0.95,信噪比为12.66 dB。通过长春海容广场大厦采集的监测数据进一步验证得出，与单一传感器相比，该文算法能够提高位移数据的采样率，增加数据的完备性，削弱GNSS高频噪声的影响，提取到超高层建筑前两个主模态振动频率为0.19、0.28 Hz。     

基于精化预积分的因子图GNSS/INS松组合定位

针对扩展卡尔曼滤波假设的马尔可夫性无法追溯历史信息，并且只进行一阶泰勒展开无法获得最优状态估计的问题，引入基于精化预积分的因子图(FGO)算法。首先在预积分的理论基础上参照高精度捷联惯导力学编排方程，加入地球自转实现精化预积分，其次设计IMU精化预积分因子、GNSS PPP因子，构建GNSS/INS松组合因子图框架，最后利用非线性优化理论进行状态估计，获取滑动窗口内的全局最优解，并与EKF算法进行对比分析。实测实验结果表明，基于精化预积分的FGO松组合时，三维位置的均方根误差均在0.1 m以下；与EKF相比，使用FGO算法时三组实验数据松组合的定位精度在北方向、东方向、地方向分别提升了53.03%、52.35%、64.59%,60.14%、22.62%、50.06%,22.2%、40%、67.16%;对于导航级惯性导航系统，基于图优化算法的松组合GNSS中断60 s时，最大误差均在4.7 m以内。     

知识图谱优化卡尔曼滤波预测库岸滑坡位移

中国三峡库区库岸滑坡灾害频发，预测库岸滑坡位移是降低风险的重要措施之一。文章构建了库岸滑坡中文知识图谱，提出了知识图谱优化卡尔曼滤波预测库岸滑坡位移模型KG-MTKF。以三峡库区奉节县新铺滑坡为例，采用现场监测数据验证了模型有效性。结果表明，与监测数据系列相比，多因素卡尔曼滤波模型（MT-KF）和知识图谱优化卡尔曼滤波模型（KG-MTKF）用于预测库岸滑坡时，在稳定变形阶段均表现出良好的一致性；在滑坡变形的初始阶段和阶跃段，KGMTKF模型预测精度更高。初始段两种模型存在误差，主要由于滑坡初期变形值较小、系统噪声显著所导致。在阶跃段、平稳段与整个监测周期中，两种模型的误差都较小，且KG-MTKF模型的预测精度显著高于MT-KF模型。对于新铺滑坡这类非线性动力系统，KG-MTKF预测模型在不同位置与变形阶段均能保持高精度与强鲁棒性。     

先验地图/IMU/LiDAR的图优化和ESKF位姿估计方法对比

针对滤波和优化融合算法在不同场景下定位性能不明确的问题，该文构建了一种融合先验点云地图、激光雷达(LiDAR)、惯性测量单元(IMU)的位姿估计框架。对比分析了基于图优化和误差状态卡尔曼滤波(ESKF)两种算法的位姿估计精度，并采用3组KITTI数据进行实验分析。结果表明：图优化算法的绝对位姿误差的均方根小于ESKF算法，3组数据的精度分别提升了28.9%、12.5%和21%;在复杂场景下，基于图优化算法的性能高于滤波算法；在简单场景下，滤波和图优化算法的精度接近，而滤波算法更加稳定。     

LSTM辅助车载GNSS/INS组合导航算法及性能分析

针对车载GNSS/惯性导航系统(inertial navigation system,INS)组合导航系统在GNSS信号失锁时定位精度下降甚至发散的问题，提出了一种长短期记忆(long short-term memory,LSTM)神经网络辅助组合导航的算法来提高定位精度，实现可靠连续稳定的定位.通过移动集成平台进行实验，结果表明：当GNSS信号失锁30 s时，LSTM辅助组合导航系统在东(east,E)、北(north,N)方向的位置误差最大值分别降低了77.45%、17.39%，均方根误差(root mean square error,RMSE)分别降低了79.53%、42.36%；当GNSS信号失锁100 s时，LSTM辅助GNSS/INS在E、N、天顶(up,U)三个方向上的位置误差最大值分别降低了60.07%、98.30%、84.65%,RMSE分别降低了61.96%、97.98%、84.65%. LSTM辅助较大地提升了车载GNSS/INS组合导航系统的导航性能.     

融合数据同化与机器学习的流域径流模拟方法

环境变化影响下流域径流的精确模拟对洪涝灾害防治与区域水资源管理都具有重要意义。在径流模拟研究中，现有机器学习模型未能充分考虑水文中间状态变量对降雨-径流过程的影响，本研究基于集合卡尔曼滤波(EnKF)更新水文状态变量，结合主成分分析(PCA)提取预报因子的主要特征，采用长短时记忆神经网络(LSTM)构建考虑水文中间变量的机器学习水文模型EnKF-PCA-LSTM。以赣江流域为例，评估EnKF-PCA-LSTM模型的径流模拟效果，同时将模拟结果与LSTM模型、物理水文模型HYMOD做对比分析。结果表明，EnKF-PCA-LSTM模型模拟径流的纳什效率系数、Kling-Gupta效率系数和对数纳什效率系数分别为0.954、0.971和0.972,比LSTM模型和HYMOD模型具有更好的模拟性能，说明考虑水文状态变量可有效提高机器学习模型的径流模拟精度及稳定性。研究成果可为流域径流模拟提供技术参考。     

输水渠系水动力数字孪生模型糙率估计方法

为提高水动力数字孪生模型校正环节中糙率估计的实时性和精细化，考虑糙率值在渠道纵向上的空间变异性，提出基于水力半径变化和估计精度分段估计糙率的思路；基于渠道分段，提出独立估计法和联合估计法2种不同估计框架。基于有限的观测水位，在框架内应用集合卡尔曼滤波算法，在线估计各渠段的糙率值。结果表明：相比未分段时，2种估计方法可提高模型精度20%～50%,独立估计法误差累积小，适合复杂渠系；而联合估计法适用于观测量缺失的简单渠道。研究成果可服务于水动力数字孪生模型的参数估计和变量更新，为建设数字孪生水网提供参考。