单点定位中一种载波相位平滑伪距方法

针对伪距单点定位精度低,定位结果发散等问题,该文提出一种基于卫星高度角的卡尔曼滤波相位平滑伪距方法。基于该方法利用载波相位信息对C/A码伪距进行平滑,并用最小二乘法求解用户位置。通过实测的静态和动态数据验证了该方法的可行性。结果表明:和最小二乘法比,该方法定位结果更加平滑,一定程度上提高了伪距单点定位精度。其中,静态定位水平精度提升了20.7%,垂直精度提升了15.7%,三维精度提升了16.8%;动态定位水平精度提升了27.8%,垂直精度提升了20.8%,三维精度提升了21.2%。     

三频BDS/INS紧组合的抗差自适应Kalman滤波

构建了适合北斗三频信号的北斗/惯性紧组合模型。针对三频模糊度解算算法的错误整数解可能对滤波结果造成"污染"这一问题,应用了抗差自适应Kalman滤波算法,优化了所建的模型。车载组合导航实验结果表明:三频模糊度解算算法得到的模糊度正确率平均值为99.84%,直接用于紧组合模型将造成最高达0.7 m的天向位置误差;抗差自适应Kalman滤波算法能消除错误模糊度整数解的影响,东、北、天三个方向的位置最大偏差值在厘米级。此外,载体姿态和速度频繁变化造成的状态预测误差也被自适应处理校正,组合导航的位置均方根误差为东向0.007 m,北向0.014 m,天向0.023 m。研究表明,在三频信号条件下,所采用的抗差自适应Kalman滤波能够增强所构建的紧组合模型的可靠性。     

GNSS/INS紧组合中的周跳探测方法

讨论了GNSS/INS紧组合算法;依据卡尔曼滤波新息检验理论研究了GNSS/INS紧组合中的周跳探测方法。通过实验论证,对比分析了GNSS/INS紧组合模式和纯GNSS模式下,动态周跳探测与处理的效果。实验结果表明:紧组合模式对周跳的发生更为敏感,可以有效地提升周跳探测的效果。     

卡尔曼滤波在GPS潮位数据处理中的应用

利用RTK GPS技术测量潮位数据时,在把具体的潮位数据提取出来以后还会存在很多的异常点或不确定点,因此我们要在提取出具体波动的过程中实时的修正,才能得到有效的资料。文中简要介绍了卡尔曼滤波的基本原理,以及如何应用于GPS潮位数据的处理,并通过试验讨论卡尔曼滤波在数据处理中的效果。     

抗差卡尔曼滤波在聊城古建筑动态数据处理中的应用

古建筑在日照、风压等因素的影响下,易产生老化变形,一般会采用及时补救的方法,有时并没有分析其根本原因,本文在布设动态监控网,获得监控数据后,用抗差卡尔曼滤波对监控数据进行分析的方法,对变形方向进行预测,预测值与平差值的误差均在限差范围内,且变化方向大致相同,可以将它作为古建筑变形方向的预报,做到防患于未然。     

基于AR（p）的卡尔曼滤波在GPS变形监测中的应用

由于AR（p）模型结构比较简单且计算比较方便,在变形分析中,目前常采用此模型建立变形模型。然而单纯的AR模型把模型参数作为定值,变形数据拟合误差及变形预测误差可能会比较大。介绍了将卡尔曼滤波引入AR模型,利用观测数据建立AR模型,即建立观测方程;以AR模型的参数为状态向量建立状态方程。从而形成动态系统的卡尔曼滤波函数模型,动态计算出AR模型的参数以便预测。此方法快速、实时,且占有较少内存,充分利用了AR模型和卡尔曼滤波二者的优点。     

基于惯导/天文高精度定姿方法

研究了利用惯性导航系统与天文导航系统进行组合定姿的方法;构造了惯导/天文组合导航系统的状态方程和量测方程;采用卡尔曼滤波技术设计了惯导/天文组合定姿算法。设计飞行器的典型飞行轨迹,通过数学仿真对该算法的有效性进行了验证。结果表明,天文导航能够有效地补偿惯性导航因陀螺漂移带来的误差,非常适用于飞行器的高精度定姿。     

GPS车载导航的交互式多模型算法

GPS动态定位数据的处理广泛采用卡尔曼滤波技术,而应用卡尔曼滤波要求运动模型准确可靠,但由于载体真实运动的复杂多变,任何单一模型都难以全面描述,致使单一模型的滤波都容易出现模型误差。针对这一问题,将机动目标跟踪领域广泛应用的交互式多模型算法引入到车载导航中。通过分析车辆的运动特点,选取匀速直线模型和当前统计模型进行交互;同时考虑到车载终端计算能力有限,将状态变量在各方向解耦。仿真显示,在机动时改进的算法和单一模型的自适应算法基本相当,但在非机动时改进的算法明显占优。     

集合卡尔曼滤波在流域水文模型流量预报中的应用

针对流域降雨入渗过程,引入集合卡尔曼滤波(EnKF)理论,视整个边坡流域为一个随机动态系统,将边坡流域流量观测值作为系统的输出,用集合卡尔曼滤波模型来描述系统的状态;结合流域流量计算方法,实现水文模型参数的随机动态估计,在有效获得待估参数的同时还给出估计值的不确定性.通过数值算例表明,集合卡尔曼滤波可以有效地对含噪声的量测数据进行处理,能够跟踪水文模型的动态变化.相对于常用最优化算法,集合卡尔曼滤波同时给出反演结果和先验知识的后验分布,显示出更好的实时性和可靠性.