共查询到19条相似文献，搜索用时 171 毫秒
1.
在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。 相似文献
2.
冯磊 《测绘与空间地理信息》2020,(2):208-212,215
在介绍国内外高铁沉降数据处理方面的研究现状的基础上,依次阐述了包括回归分析法、人工神经网络、灰色系统理论和时间序列分析法在内的经典沉降数据处理方法,着重讲解了标准卡尔曼滤波理论及其相关公式,介绍了两种自适应卡尔曼滤波理论:方差分量估计AKF、方差补偿AKF。本文针对某具体工程实例,分别基于MATLAB平台编写了一套标准卡尔曼滤波程序和一套自适应卡尔曼滤波程序,并运用程序对其作了相关分析。通过对比分析,证明了自适应KF的优越性,并得到一套在处理实际问题时具有一定可行性的模型。 相似文献
3.
多路径误差为一时空环境效应,难以构建准确数学模型消除其影响,且该误差在基线两端不具有空间相关性,运用现有差分技术也无法很好消除,是高精度短基线测量中主要误差之一.为进一步削弱多路径误差,本文以监测站坐标时间序列中多路径误差为研究对象,根据多路径误差在历元间的时变特性,建立多路径误差状态空间模型,采用标准卡尔曼滤波和顾及有色噪声的卡尔曼滤波从监测站第一天双差固定解坐标残差序列中估计多路径误差改正序列,并根据多路径误差的周日重复特性,利用第一天得到的多路径误差改正序列对之后各天坐标序列进行改正.最后通过实验分析,得出顾及有色噪声的卡尔曼滤波估计方法优于标准卡尔曼滤波的结论.研究方法对提高GNSS定位精度具有重要实用价值. 相似文献
4.
为了有效地消除重力异常畸变对海洋重力测量的影响,得到高精度的海洋重力测量值,本文在小波理论分析的基础上,将小波分析应用到消除海洋重力异常畸变中。基于信号的奇异性分析理论和小波软阈值处理方法,提出一种小波联合软阈值处理方法;根据重力异常状态方程,分别采用小波软阈值处理方法和小波联合软阈值处理方法对重力异常畸变数据进行了仿真对比实验,理论分析和仿真实验表明:采用小波软阈值处理方法和小波联合软阈值处理方法并选用通用阈值选择规则都能在一定程度上消除海洋重力异常畸变,但在相同背景条件下,小波联合软阈值处理方法的性能优于小波软阈值处理方法。 相似文献
5.
李炎寅 《测绘与空间地理信息》2020,(1):89-92
针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。 相似文献
6.
《武汉大学学报(信息科学版)》2016,(12)
扩展卡尔曼滤波技术可以利用序列观测重力异常数据以及航行区域重力异常基准图来校正惯性导航系统漂移误差。针对因重力测量环境的变化、测量仪器扰动等因素造成的重力异常观测噪声不确定问题,提出了基于量测残差自适应估计观测噪声协方差(residual-based adaptive estimation,RAE)的重力异常滤波匹配算法;设计了一组并行卡尔曼滤波器,并简化了最优滤波器的选择准则。不同重力特征区域的实验表明,该算法能够有效降低惯性导航系统经纬向漂移误差,提高系统的导航定位精度。 相似文献
7.
8.
GPS动态定位自适应卡尔曼滤波算法研究 总被引：1，自引：0，他引：1
Sage-Husa滤波和强跟踪滤波是2种常规的自适应卡尔曼滤波,有各自的优缺点。综合2种滤波的特点,给出一种抗粗差的修正算法,实验效果比较好,能有效抑制少部分粗差带来的影响,计算结果表明效果比较理想。 相似文献
9.
基于卫星测高数据的重力匹配导航仿真 总被引：1，自引：0，他引：1
介绍了重力匹配导航的研究背景和工作流程,设计了基于中国沿海实际重力异常数据的仿真试验模型.采用多模型自适应卡尔曼滤波与绝对平方差两种不同的算法,在两条具有不同重力异常变化的航行线路上进行了仿真试验,验证了重力异常匹配的技术可行性. 相似文献
10.
针对超宽带导航定位中量测信息异常误差和非线性滤波问题,该文提出了一种基于自适应抗差卡尔曼滤波-无迹卡尔曼滤波(KF-UKF)的超宽带导航定位算法。该算法首先利用卡尔曼滤波计算预测状态向量及其协方差矩阵,利用无迹卡尔曼滤波进行量测更新;然后利用先验阈值和预测残差构建量测噪声的抗差协方差矩阵,以减少量测信息异常误差的影响,同时利用自适应因子对算法进行调节和修正。结果表明,该算法能有效地抑制并消除超宽带测距中量测信息异常误差的影响,能有效地处理状态模型误差的影响,提高超宽带导航定位的精度和稳定性,同时拥有比无迹卡尔曼滤波算法更高的计算效率。 相似文献
11.
本文利用Kalman滤波方法对动态测量进行数据处理,由于高动态的GPS测量,不易确定系统动态噪声和观测噪声.同时标准的Kalman滤波在应用过程中由于状态模型确定的误差存在,滤波效果不佳.因此本文结合动态导航的实时性和高动态性,建立了动态导航系统中滤波状态方程和观测方程,采用改进的Sage-Husa自适应滤波对来进行实时定位数据处理,利用已有测量数据进行了实例分析.改进的Sage-Husa自适应滤波在计算过程中计算量小,结果稳定,有较强的自适应性. 相似文献
12.
13.
支持向量回归辅助的GPS/INS组合导航抗差自适应算法 总被引：1，自引：0，他引：1
卡尔曼滤波残差分量受到观测信息误差和动力学模型误差的双重影响,由于GPS/INS松耦合导航系统中观测值个数少于状态参数个数,导致异常检测时难以正确区分误差来源,提出一种支持向量回归辅助的组合导航抗差自适应算法。该算法克服了组合系统观测信息无冗余情况下异常检测的局限性,基于遗传算法参数寻优构建回归模型,预测次优观测值,结合整体异常检验法自主选择抗差或自适应滤波,进而调整观测值或动力学模型对导航解的贡献,进行导航预报。最后利用车载实测数据进行验证,结果表明：该算法能够对存在的异常故障智能判定,减弱观测值异常和动力学模型误差影响,保证组合导航精度,提高导航解可靠性。 相似文献
14.
针对虚拟应答器(VB)信息融合时使用Kalman滤波易出现滤波发散的问题,提出了基于改进Sage-Husa自适应滤波算法的信息融合方法. 首先采用自适应滤波动态调节噪声统计特性参数,抑制滤波发散,在预测误差方差矩阵中引入衰减因子,减小陈旧数据的影响进而提高滤波精度,最后进行仿真实验,将所提出的滤波算法与Kalman滤波和Sage-Husa自适应滤波在VB的位置误差和速度误差上进行对比. 仿真结果证明:在相同的时间内,本文所述算法在VB的定位误差上具有显著优势,具有较好地稳定性. 相似文献
15.
强跟踪抗差自适应滤波算法及其在无人机导航定位中的应用 总被引：1，自引：0，他引：1
针对Sage-Husa自适应滤波算法在无人机导航定位应用中存在滤波发散和定位精度低的问题,本文提出一种强跟踪抗差自适应滤波算法。该算法在Sage-Husa自适应滤波算法基础上,引入强跟踪技术,通过自适应渐消因子降低历史数据对当前滤波的影响,从而抑制滤波发散,增强算法的稳健性;结合量测噪声和系统噪声进行实时估计,并且在估计中加入抗差因子抑制粗差对滤波的干扰,提高定位精度。仿真结果表明,该算法在发生滤波发散和粗差干扰的情况下能够表现出良好的滤波性能,较Sage-Husa算法有更强的稳健性。 相似文献
16.
磁悬浮陀螺全站仪是一种测定指向力矩以计算定向成果的高精度测量仪器,其观测数据包括转子电流和定子电流数据,由于转子电流数据对外界干扰具有高度敏感性,因此需要在后期数据处理过程中重点对待。本文利用Sage-Husa自适应kalman滤波对受不同外界环境干扰的转子电流数据进行后期处理,以消除其高频噪声,得到了相对满意的滤波效果。 相似文献
17.
针对在星载GPS卫星定轨中由于卫星动力学模型误差和不可避免的观测异常严重影响定轨精度的问题,通过采用适当的自适应控制因子和应用抗差估计原理,构造自适应抗差扩展卡尔曼滤波(RAEKF)来实现星载GPS卫星定轨。实测计算表明,自适应抗差扩展卡尔曼滤波对观测误差和状态扰动有一定的抵制能力,与一般扩展卡尔曼滤波相比提高了精度,证明其理论的可行性。 相似文献
18.
ETWatch中不同尺度蒸散融合方法 总被引：3，自引：2，他引：1
高分辨率遥感蒸散数据集的构建受到数据源的限制和云的影响,单一传感器无法达到高时空分辨率覆盖。本文分
析了ETWatch不同尺度遥感蒸散结果的空间特征,通过几种融合方法的比较,分析数据融合前后的数据特征和信息量,将
时空适应性反射率融合模型（STARFM）集成到ETWatch,用于不同尺度遥感蒸散数据的融合,该方法可以很好的结合高
低分辨率数据的空间分布和时间分布信息,在时间上保留了高时间分辨率数据的时间变化趋势,空间上又反映了高空间分
辨率数据的空间细节差异,STARFM融合后的日ET数据与融合前1 km 日ET数据的平均相对误差为1.75%,融合后的月ET
数据与融合前1 km 月ET数据的平均相对误差为0.2%,STARFM适合于不同尺度下遥感ET数据的融合。 相似文献