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。     

Consideration of time-correlated errors in a Kalman filter applicable to GNSS

An algorithm for considering time-correlated errors in a Kalman filter is presented. The algorithm differs from previous implementations in that it does not suffer from numerical problems; does not contain inherent time latency or require reinterpretation of Kalman filter parameters, and gives full consideration to additive white noise that is often still present but ignored in previous implementations. Simulation results indicate that the application of the new algorithm yields more realistic and therefore useful state and covariance information than the standard implementation. Results from a field test of the algorithm applied to the problem of kinematic differential GPS demonstrate that the algorithm provides slightly pessimistic covariance estimates whereas the standard Kalman filter provides optimistic covariance estimates.     

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。     

PVDF管式超滤膜在低渗油田水处理中的研究及应用——以江苏台兴油田为例

根据低渗油田和特低渗油田的特点,研制出PVDF管式超滤膜,开展室内基础研究,并在江苏台兴油田进行中试和大规模的现场试验。经过处理后,水质标准达到油田回注水A1标准（SY／T5329-1994）,满足了低渗油田和特低渗油田的注水要求。     

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.     

����Kalman�˲���GEO�����˶�ѧ����

?????GEO????????????????????????????????????Kalman???????GEO?????????????????????????????????????η????????????????????????????????????????????????????????????????????????????????????з?????????????????????????????????????????Kalman???????????н????????????????к???????????????????????,????????????????Kalman????????????????????????????,???????Kalman???????????????????????????????????????????Kalman?????????????????????GEO?????????????     

GPS�����Ӳ�Ĺ�����Ԥ���о�

???GPS???????????????????ù??????????????????????????GPS?????????????????????????????????????????????????????????????????????????????????ó?Block IIR??M Rb???????????????Block IIR Rb?????Block IIR Rb???????????????Block IIA Rb???Cs?????????????????????Rb???2~3????????????????????????????????????????????????Rb?????1????????????1.9ns????????????С???????????     

多尺度带乘性噪声系统的最优状态平滑算法

针对多尺度带乘性噪声系统,在多尺度最优滤波融合的基础上,进行状态最优固定域平滑算法的研究.通过推广得到的平滑算法需要大量的局部传感器参数,而分布式多尺度滤波融合后不能保留这些信息.针对这一弊端对算法进行改进,推导出仅使用融合后的一步预测及滤波值的平滑算法.该算法在线性最小方差意义下是最优的.计算机仿真验证了算法的可行性.     

�������˲�ģ������Ӱ�����

???????????????????????????????????Kalman????????????????????????????????????????????????????????????в?????