63 卡尔曼滤波在测量和变形分析中的应用.ppt

63 卡尔曼滤波在测量和变形分析中的应用.ppt

  1. 1、本文档共10页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
卡尔曼滤波在测量和变形分析中的应用在测量中的应用由于卡尔曼滤波是一种较好的动态数据处理方法它具有以下特点对状态向量的估计是准则下的最优估计算法是递推的便于计算与编程实现也可以用硬件设计卡尔曼滤波器对动态过程是平稳随机过程的要求不严可以进行实时地预测系统的状态预测时不要求使用全部观测数据只需要利用部分数据就可以较好地进行预测因此卡尔曼滤波在信号处理组合导航动态定位变性分析与预报等领域得到广泛应用并在应用中不断进行了改进卡尔曼滤波在测量上的应用也得到测量学者的广泛研究比如研究发现测量上各种平差模型都

§6.3 卡尔曼滤波在测量和变形分析中的应用 6.3.1 在测量中的应用 由于卡尔曼滤波是一种较好的动态数据处理方法,它具有以下特点: 对状态向量的估计是LS准则下的最优估计; 算法是递推的,便于计算与编程实现,也可以用硬件设计卡尔曼滤波器; 对动态过程是平稳随机过程的要求不严; 可以进行实时地预测系统的状态,预测时不要求使用全部观测数据,只需要利用部分数据就可以较好地进行预测。 因此卡尔曼滤波在信号处理、组合导航、GPS动态定位、变性分析与预报等领域得到广泛应用,并在应用中不断进行了改进。 卡尔曼滤波在测量上的应用也得到测量学者的广泛研究。比如研究发现测量上各种平差模型都是卡尔曼滤波模型的特例,都可以通过卡尔曼滤波模型推导出来卡尔曼滤波模型可以说是现代测量平差理论的基础。 左图描述了各种平差模型间的相互关系。 卡尔曼滤波在测量上的另一个重要应用是在组合导航问题上的应用。下图描述了组合导航与定位的基本原理。 图中设船在 时刻的状态可以从岸上测定,其状态向量为 ,协方差矩阵为 ,同时还观测了卫星, 观测向量为 ,协方差矩阵为 , 时刻的状态向量由下列数据模型确定 (6-19) 船的运动模型由下式确定 (6-20) 其中, 表示在 时刻的状态向量。同时在 时刻有如下观测方程 (6-21) 综合以上信息,最优地估计的船的位置就是滤波器要解决的问题。它可以描述为:如何根据历史观测数据和船的运动模型实时估计和预测船在下一时刻的状态。 6.3.2 运动点场的分析与预报 点场是一系列具有共性点的集合。变形监测时,可以认为目标点构成了一组具有运动变化性质的运动点场。运动点场的坐标向量是时间t的函数,它的变化是一个随机过程。点场的运动用下述方程描述 (6-22) 其中, 、 、 为分别描述运动点场在 时刻的位置、速率和加速率的向量。我们用状态向量 或 来表示 (6-23) 速度和加速度向量与位置、时间有如下关系 (6-24) 由式(6-20)至(6-22),可以得到运动点场的状态推估方程如下 (6-25) 其中,I表示单位矩阵,0表示零矩阵。 下面我们考虑运动方程中的噪声模型。状态向量、噪声的选择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,就需要将位置、速率、加速率作为状态向量考虑,这时可考虑如下的噪声模型 由此,式(6-24)就变为 (6-27) 以上各式构成了运动点场的卡尔曼滤波模型。 6.3.3 应用实例 应用卡尔曼滤波的具体步骤如下: (1)根据动态系统的物理特性确定系统的数学模型,包括状态方程,确定状态转换矩阵 、动态噪声矩阵 和观测矩阵 ; (2)利用前三期的观测数据确定滤波的初始值,包括初始状态向量 及其协方差矩阵 ;动态噪声的协方差矩阵 和观测噪声的协方差矩阵 ; (3)卡尔曼滤波递推公式实时估计状态向量及其协方差,单位权方差等信

文档评论(0)

wangsux + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档