变形监测数据处理6.ppt

第六章 变形分析与建模的 基本理论与方法 §6.1 回归分析法 §6.2 时间序列分析模型 §6.3 灰色系统分析模型 §6.4 Kalman滤波模型 §6.5 人工神经网络模型 §6.6 频谱分析及其应用 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 §6.4 Kalman滤波模型 第六章 变形分析与建模的 基本理论与方法 §6.1 回归分析法 §6.2 时间序列分析模型 §6.3 灰色系统分析模型 §6.4 Kalman滤波模型 §6.5 人工神经网络模型 §6.6 频谱分析及其应用 §6.5 人工神经网络模型 §6.5 人工神经网络模型 §6.5 人工神经网络模型 §6.5 人工神经网络模型 §6.5 人工神经网络模型 §6.5 人工神经网络模型 * * Kalman滤波技术是20世纪60年代初由卡尔曼（Kalman）等人提出的一种递推式滤波算法，是一种对动态系统进行实时数据处理的有效方法。测量界开展了多方面的Kalman应用研究工作，尤其是在变形监测中的应用较为广泛。例如，用于滑坡监测的数据处理；形变测量数据的动态处理；危岩体变形趋势预报；GPS变形监测网的动态数据处理等。 本节着重介绍Kalman滤波的基本原理及其在GPS变形监测自动化系统中的应用问题。 一、Kalman滤波的基本原理与公式 对于动态系统，Kalman滤波采用递推的方式，借助于系统本身的状态转移矩阵和观测资料，实时最优估计系统的状态，并且能对未来时刻系统的状态进行预报，因此，这种方法可用于动态系统的实时控制和快速预报。 一、Kalman滤波的基本原理与公式 Kalman滤波的数学模型包括状态方程（也称动态方程）和观测方程两部分，其离散化形式为 为 时刻的观测噪声，m维。 为 时刻系统的状态向量，n维； 为 时刻系统的观测向量，m维； 为时间 至 的系统状态转移矩阵，n×n； 为 时刻的动态噪声，r维； 为动态噪声矩阵，n×r； 为 时刻的观测矩阵，m×n； 一、Kalman滤波的基本原理与公式 如果 和 满足如下统计特性： 式中， 和 分别为动态噪声和观测噪声的方差阵， 是Kronecker函数，即 一、Kalman滤波的基本原理与公式 可推得Kalman滤波递推公式为： 状态预报 状态协方差阵预报 状态估计 状态协方差阵估计 一、Kalman滤波的基本原理与公式 可推得Kalman滤波递推公式为： 状态预报 状态协方差阵预报 状态估计 状态协方差阵估计 其中， 为滤波增益矩阵 二、变形监测自动化系统中Kalman滤波的应用 1.测点的状态方程和观测方程 三维变形监测自动化系统中的典型工具是GPS和自动跟踪全站仪（RTS）。GPS监测工程变形，其监测点的位置可以是GPS的空间三维坐标（X,Y,Z）或大地坐标（B,L,H）,也可以是工程本身独立坐标系中的坐标（x,y,h）。为说明问题方便起见，以工程独立坐标系中某一测点为例，来列出变形系统的状态方程和观测方程。 二、变形监测自动化系统中Kalman滤波的应用 1.测点的状态方程和观测方程(续) 考虑测点的位置 、变形速率 和加速率 为状态参数，其状态方程为 式中，0和 分别为三阶零矩阵和三阶单位阵； ,为相邻观测时刻之差。 二、变形监测自动化系统中Kalman滤波的应用 1.测点的状态方程和观测方程(续) 以测点的三维坐标结果作为观测量，观测方程为 二、变形监测自动化系统中Kalman滤波的应用 1.测点的状态方程和观测方程 变形系统的状态参数选择应与所监测的对象和观测频率有关。 如果被监测对象的动态性强，变化快