卫星重力梯度测量数据的粗差探测

分别讨论了阈值法、Dixon检验法和小波算法应用于卫星重力梯度数据粗差探测的效果。为了克服这3种单一粗差探测方法的不足,提出了卫星重力梯度数据的粗差探测组合方案,即联合Dixon检验和小波算法,以及联合Dixon检验、阈值法和小波算法的组合方案。模拟结果表明,两种组合方案均能有效改善粗差探测的效果。     

应用EKF平滑算法提高GPS/INS定位定姿精度

为了提高城市遮挡环境下GPS较长时间(60s)无法单独定位情况下GPS/INS组合定位定姿精度,研究了扩展卡尔曼滤波及其RTS(Rauch Tung Striebel)平滑算法;同时给出了基于ψ角惯导误差模型的GPS/INS组合系统状态方程和基于位置、速度更新的量测方程。实验中模拟GPS信号失锁60s,应用RTS后处理算法进行了GPS/INS组合数据处理。结果表明,扩展卡尔曼滤波EKF平滑算法可以有效地提高城市遮挡环境下GPS/INS组合定位定姿精度,特别是对GPS失锁的情况。从而很大程度上降低对高成本惯导的依赖。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

GPS/COMPASS组合变形测量性能分析

GNSS系统的定位精度和可靠性在很大程度上依赖于观测到的卫星数量和几何图形分布.在城市、露天矿区和峡谷等地区,由于可观测卫星数少,单一系统的定位精度往往难以满足要求,GNSS多星座组合是解决问题的一个有效措施.选取雅砻江卡拉电站滑坡监测网中的一个监测点,利用实测的COMPASS星历和GPS卫星星历,从可见卫星数目及GDOP值两个角度,对GPS、COMPASS单星座系统以及其组合系统变形测量性能进行了对比分析.实验表明GPS和COMPASS组合系统能够有效改善变形监测精度.     

组合电离层残差与改进的码相伪距探测与修复周跳研究

传统码相组合算法能探测7～8周以上大周跳,而传统的电离层残差法仅对于±4周以内的周跳可实现唯一分离,这限制了两者组合的应用.针对这一问题,对码相组合探测与修复周跳方法进行改进,使得改进的码相组合与电离层残差法能够完全探测周跳.经理论与实验分析,组合改进的码相组合法与电离层残差法两者结合能够完全探测采样间隔小于10 s观测数据中的周跳,对动态非差观测值数据的周跳自动探测与修复有极佳的效果.     

六、P24 测量仪器

正CH20121002基于经验模分解的陀螺信号消噪=De-noising Method for Gyro Signal Based on EMD/甘雨,隋立芬(信息工程大学测绘学院)//测绘学报.-2011,40(6).-745～750     

一种北斗非差非组合长距离基准站模糊度解算方法

为了充分利用各频率观测值信息,提出了一种非差非组合的北斗卫星导航系统长距离基准站间整周模糊度解算方法。首先,直接利用不同频率的观测值建立误差观测方程,并采用随机游走策略估计相对天顶对流层湿延迟误差和电离层延迟误差,增加历元间的约束;然后,采用一种非差整周模糊度实时线性计算方法,依次得到基准站网当前历元所有卫星的非差整周模糊度,解决了在基准星变换时,模糊度需要承接或者重新进行法方程叠加的问题;最后,使用实测数据进行方法验证,结果表明,各基准站模糊度平均固定速度为20个历元（采样间隔1 s）,可快速实现基准站载波相位整周模糊度解算。由于所提方法充分利用了各频率观测值信息,避免了线性组合放大噪声对整周模糊度固定的影响,其模糊度固定成功率与无电离层组合法相比有较大的提高。     

一种基于最佳指数模型的 TM 遥感影像最佳波段组合计算方法

如何通过定量计算选择最佳波段组合一直是TM等多波段遥感影像信息提取的研究热点。本文综合利用Erdas提供的可视化空间建模工具（ Spatial Modeler ）和面向对象的编程技术,提出了一种基于最佳指数（ Opti-mum Index Factor ,OIF）的定量计算与定性分析相结合的TM遥感影像最佳波段组合方法。实验证明,该方法快速有效,极大提升了TM等多波段遥感影像最佳波段组合的计算过程。     

神经网络辅助的GPS/MEMS-INS组合导航算法

在GPS/MEMS-INS(Micro-electromechanical System-Inertial Navigation System)组合导航中,当载体处于恶劣环境下或者载体处于大机动运动情况下,会导致GPS失锁。此时单独工作的低精度MEMS-INS会由于其位置和速度误差随着时间的变化而迅速积累最终无法导航。针对此问题,设计了一种结构简单易于实现的神经网络辅助的GPS/MEMS-INS组合导航系统。通过模拟实验,与标准卡尔曼滤波(KF)和无迹卡尔曼滤波(UKF)框架下组合导航相比,所提出的结构简单容易实现的神经网络辅助的组合导航系统具有较高的稳定性,并且组合导航整体过程中经纬度与速度精度均提高了65%左右。     

基于深度学习与随机森林的PM2.5浓度预测模型

针对PM_2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_2.5地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM_2.5浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM_2.5浓度估算为例,将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%...