串行选择式自适应卡尔曼算法及其在变形监测中的应用.pdfVIP

2015年4 月 城 市 勘 测 Apr.2015 第2期 Urban Geotechnical Investigation Surveying No.2 - - - 文章编号：1672 8262（2015）02 129 05 中图分类号：P207 文献标识码：A 串行选择式自适应卡尔曼算法及其在变形监测中的应用 * 陶学林 ，宇伟，高飞 （合肥工业大学测绘工程系，安徽合肥 230009） 摘 要：传统的sage 自适应法在稳态条件下能够实现系统状态统计信息的良好自适应估计，却不能有效抵御系统的 扰动。抗差自适应法能有效抵御系统的扰动，但在稳态条件自适应估计效果不佳，所以本文根据二者的特点设计一种 串行选择自适应滤波器。在数据模拟计算中，本文所提出的方法能够有效地抑制观测噪声，抵抗系统状态模型误差和 扰动，并起到很好的预测效果。 关键词：变形监测；变形模型；自适应滤波；抗差滤波 1 引 言 合抗差自适应法对扰动的探测功能设计出一种适合处理 在实际的变形监测中，许多变形体的变形都有一 规律变形体监测的串行选择自适应滤波器。 定的规律可循，文献［1］中提到房屋的沉降量和时间 有类似于指数的关系，大坝的变形一般是以一年为周 2 规律变形体 期的周期性变化类似于正余弦……。诸如此类的变形 2.1 变形函数模型 规律都是可利用的信息，如果将含有噪声观测值一起 如果已知变形估计量X 随时间变化的函数为： ［2，3］ 处理，能起到很好的滤波和预测效果 = 。文献［4 ］比 X（t）f（a，b，c，…，t） （1） 较了各种滤波算法的优缺点，相对于其他滤波算法而 其中，a，b，c，…为模型的参数，要建立线性系统首 言，Kalman滤波可以结合额外的信息即对象的变化规 先要确立这些参数。求解这些参数一般利用线性或非 律。但是在变形监测活动中，观测统计信息容易获得， 线性的最小二乘估计，采用常规的批处理就和递推的 而获取变形状态的统计信息较难，所以本文固定观测 卡尔曼算法相冲突，为了解决这一问题，本文采用递推 值的统计信息而自适应估计系统状态的统计信息［7］。 ［12］ 最小二乘与卡尔曼算法同步解算 。如果参数间不 传统的sage 自适应法在系统稳态条件下能够很好地 是线性关系，首先对函数进行线性化： 估计出未知的统计信息，但其不能有效抵御系统模型 f （0） （0） （0） ə * （0） = + -