共查询到19条相似文献，搜索用时 375 毫秒
1.
提出一种用于整周模糊度OTF求解的整数白化滤波改进算法。该算法首先对整周模糊度的协方差矩阵进行整数白化滤波处理 ,以降低整周模糊度间的相关性 ,然后构造搜索空间来判定是否需要进行搜索。如果需要 ,则通过搜索来确定变换后的整周模糊度 ;如果不需要 ,则通过直接取整来确定整周模糊度 ,进而得到原始的整周模糊度和基线分量的固定解。初步试验结果显示 ,采用改进方法解算整周模糊度可以提高成功率和解算效率 相似文献
2.
整周模糊度的正确求解关系到GPS精密定位结果的正确性,搜索法解算整周模糊度的原则是获得目标函数的整数解作为模糊度参数的解,文中分析了各种不同搜索方法构造搜索空间的特性,比较了不同搜索方法对模糊度解算可靠性的影响,即通过搜索,不同的方法能否获得满足目标函数的一组整数解. 相似文献
3.
顾及基线先验信息的GPS模糊度快速解算 总被引：1，自引：0，他引：1
采用GPS相位观测值进行快速定位时,其解算模型严重病态,最小二乘解得的浮点模糊度精度差且相关性大,导致整周模糊度搜索空间过大,难以正确固定。本文提出一种顾及基线先验信息和模糊度线性约束的整数条件的GPS模糊度快速解算方法,先用顾及基线先验信息的正则化算法解得精度较高且相关性较小的浮点模糊度,以减小整周模糊度的搜索空间;再综合利用整周模糊度间的线性约束的整数条件和基线先验信息,进一步有效地减小模糊度搜索空间,提高搜索效率。算例表明:顾及基线先验信息的正则化算法有效地改善了模糊度浮点解,模糊度线性约束的整数条件有效地提高搜索效率和成功率。 相似文献
4.
基于搜索空间构造模糊度搜索方法的可靠性 总被引：2，自引：0，他引：2
整周模糊度的正确求解关系到GPS精密定位结果的正确性，搜索法解算整周模糊度的原则是获得目标函数的整数解作为模糊度参数的解，文中分析了各种不同搜索方法构造搜索空间的特性，比较了不同搜索方法对模糊度解算可靠性的影响，即通过搜索，不同的方法能否获得满足目标函数的一组整数解。 相似文献
5.
针对差分全球定位系统(DGPS)模糊度解算过程中效率低,搜索慢的问题,对鸡群优化算法(CSO)进行适应性改进,并将改进后的鸡群优化算法(ICSO)应用到整周模糊度的快速解算中,利用卡尔曼滤波求出双差模糊度的浮点解和协方差矩阵,采用Lenstra-Lenstra-Lovasz (LLL)降相关算法对模糊度的浮点解和方差协方差矩阵进行降相关处理,以降低模糊度各分量之间的相关性,在基线长度固定的情况下,利用ICSO搜索整周模糊度的最优解. 采用经典算例进行仿真,仿真结果表明,与已有文献相比在整周模糊度的解算过程中改进的鸡群优化算法能有效提高搜索速度和求解成功率. 相似文献
6.
7.
8.
提出了一种长距离网络RTK参考站间双差整周模糊度快速解算方法,该方法利用双频载波相位模糊度间的线性关系确定宽巷模糊度,然后选取双频载波相位的备选模糊度组合,通过计算参考站间对流层误差和轨道误差等非色散误差,对双频载波相位整周模糊度进行搜索。实验结果表明,此方法能够快速、可靠地解算长距离参考站间的双差整周模糊度。 相似文献
9.
针对单频GPS动态定位中常用模糊度求解方法存在的问题,提出一种整周模糊度快速解算方法。首先通过对双差观测方程中坐标参数的系数阵进行QR分解变换以消除坐标参数,从而仅对模糊度参数建立Kalman滤波方程进行估计,然后利用排序和双Cholesky分解对滤波得到的模糊度进行降相关处理,并结合收缩模糊度搜索空间的思想来搜索固定整周模糊度。以实测的动态数据为例对该方法进行测试。分析结果表明,该方法不但可以改善模糊度浮点解精度,而且具有良好的模糊度降相关效果,可正确有效地实现整周模糊度的快速解算。 相似文献
10.
针对单频GPS动态定位中常用模糊度求解方法存在的问题,提出一种整周模糊度快速解算方法.首先通过对双差观测方程中坐标参数的系数阵进行QR分解变换以消除坐标参数,从而仅对模糊度参数建立Kalman滤波方程进行估计,然后利用排序和双Cholesky分解对滤波得到的模糊度进行降相关处理,并结合收缩模糊度搜索空间的思想来搜索固定整周模糊度.以实测的动态数据为例对该方法进行测试.分析结果表明,该方法不但可以改善模糊度浮点解精度,而且具有良好的模糊度降相关效果,可正确有效地实现整周模糊度的快速解算. 相似文献
11.
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。 相似文献
12.
Boris Kargoll Mohammad Omidalizarandi Ina Loth Jens-André Paffenholz Hamza Alkhatib 《Journal of Geodesy》2018,92(3):271-297
In this paper, we investigate a linear regression time series model of possibly outlier-afflicted observations and autocorrelated random deviations. This colored noise is represented by a covariance-stationary autoregressive (AR) process, in which the independent error components follow a scaled (Student’s) t-distribution. This error model allows for the stochastic modeling of multiple outliers and for an adaptive robust maximum likelihood (ML) estimation of the unknown regression and AR coefficients, the scale parameter, and the degree of freedom of the t-distribution. This approach is meant to be an extension of known estimators, which tend to focus only on the regression model, or on the AR error model, or on normally distributed errors. For the purpose of ML estimation, we derive an expectation conditional maximization either algorithm, which leads to an easy-to-implement version of iteratively reweighted least squares. The estimation performance of the algorithm is evaluated via Monte Carlo simulations for a Fourier as well as a spline model in connection with AR colored noise models of different orders and with three different sampling distributions generating the white noise components. We apply the algorithm to a vibration dataset recorded by a high-accuracy, single-axis accelerometer, focusing on the evaluation of the estimated AR colored noise model. 相似文献
13.
14.
15.
Conventional Kalman filter (KF) relies heavily on a priori knowledge of the potentially unstable process and measurement noise statistics. Insufficiently known a priori filter statistics will reduce the precision of the estimated states or introduce biases to the estimates. We propose an adaptive KF based on the autoregressive (AR) predictive model for vehicle navigation. First, the AR model is incorporated into the KF for state estimation. The closed-form solution of the AR model coefficients is obtained by solving a convex quadratic programming problem, which is according to the criterion of minimizing the mean-square error, and subject to the polynomial constraint of vehicle motion. Then, an innovation-based adaptive approach is improved based on the KF with the AR predictive model. In the proposed adaptive algorithm, the process noise covariance is computed using the real-time information of the innovation sequence. Simulation results demonstrate that the KF with the AR model has a higher estimated precision than the KF with the traditional discrete-time differential model under the condition of the same parameter setting. Field tests show that the positioning accuracy of the proposed adaptive algorithm is superior to the conventional adaptive KF. 相似文献
16.
ABSTRACTThe recent fast development in computer vision and mobile sensor technology such as mobile LiDAR and RGB-D cameras is pushing the boundary of the technology to suit the need of real-life applications in the fields of Augmented Reality (AR), robotics, indoor GIS and self-driving. Camera localization is often a key and enabling technology among these applications. In this paper, we developed a novel camera localization workflow based on a highly accurate 3D prior map optimized by our RGB-D SLAM method in conjunction with a deep learning routine trained using consecutive video frames labeled with high precision camera pose. Furthermore, an AR registration method tightly coupled with a game engine is proposed, which incorporates the proposed localization algorithm and aligns the real Kinetic camera with a virtual camera of the game engine to facilitate AR application development in an integrated manner. The experimental results show that the localization accuracy can achieve an average error of 35?cm based on a fine-tuned prior 3D feature database at 3?cm accuracy compared against the ground-truth 3D LiDAR map. The influence of the localization accuracy on the visual effect of AR overlay is also demonstrated and the alignment of the real and virtual camera streamlines the implementation of AR fire emergency response demo in a Virtual Geographic Environment. 相似文献
17.
实时获取智能移动终端的地理位置信息是增强现实（AR）实景智能导航系统实现的关键,为了提高智能终端GPS定位的精度,提出了一种基于卡尔曼滤波与改进的具有噪声的基于密度的聚类方法（DBSCAN）结合的GPS组合定位优化方法. 通过对GPS系统采集到的位置坐标数据进行卡尔曼滤波,去除较大的数据波动,控制定位误差范围,采用DBSCAN聚类算法进行分类去噪和二次聚类,对类中数据求得算术均值和类间数据总数进行加权求重心,确定位置坐标. 实验结果表明,提出的算法能有效提高GPS单点定位精度,减少定位误差,同时很好地满足了AR实景智能导航系统实时性和鲁棒性的要求. 相似文献
18.
设计了一套基于集中式卡尔曼滤波的实时动态定位（real-time kinematic,RTK）/惯性导航系统（inertial navigation system,INS）紧组合算法,通过实测车载数据对比分析了3颗可用卫星时的固定解和浮点解在位置漂移误差水平和模糊度恢复时间上的差异,验证了该算法在卫星较少情况下的良好性能。该算法在即使观测卫星不足4颗时使用固定解或浮点解进行滤波更新,提高了组合导航在复杂环境下的位置精度,并加快了模糊度恢复过程。实验结果表明,使用中等精度的惯导,在可见卫星数为3颗时,失锁30 s时的水平位置漂移误差为0.3 m;失锁60 s内,平均1~2 s就能可靠地恢复整周模糊度。在位置漂移误差与模糊度恢复方面,固定解和浮点解在GNSS信号短期部分失锁时的差异并不显著,但同时都明显优于信号完全失锁情形。 相似文献
19.
针对传统的单一模型和非线性GM(1,1)-AR组合模型无法实现对非平稳、含噪时间序列信号进行优化处理的问题,该文提出了一种新的基于小波的GM(1,1)-AR模型预测算法。采用小波变换原理对监测数据进行消噪处理和不同频带的分离,有效地获取了实际变形量;利用GM(1,1)模型和AR时序分析模型对具有确定性的趋势项和不确定性的随机项进行建模组合,较好地综合了灰色模型拟合功能强大和时间序列善于处理细节信息两者优势。通过工程实例对比分析结果表明:基于小波的GM(1,1)-AR模型不仅有效剔除了多余噪声,还利用各种模型有机嵌套组合实现优势互补,新算法预测结果比各单一模型、非线性GM(1,1)-AR模型结果更为精确。 相似文献