强跟踪自适应卡尔曼滤波在高铁沉降监测中的应用

以高铁沉降监测为应用背景,研究了一种强跟踪自适应卡尔曼滤波算法,并将其与其他几种卡尔曼滤波算法进行仿真对比。结果表明,滤波算法具有较高的精度和较强的跟踪能力。     

基于自适应有限冲激响应-卡尔曼滤波算法的GPS/INS导航

导航定位系统一般采用卡尔曼滤波算法提高定位精度。传统卡尔曼滤波算法的性能很大程度上依赖观测噪声的先验统计信息,不精确的统计特性将会降低定位精度。针对此问题,该文提出一种基于FIR(finite impulse response)预测模型的卡尔曼滤波算法。将FIR预测模型与卡尔曼滤波结合,FIR预测模型的系数可以通过求解一个凸二次规划问题得到。该凸二次规划以目标的多项式运动规律为约束条件,以最小白噪声增益为目标函数,具有闭式解。仿真试验和实测结果均表明,在相同的参数设置条件下,基于FIR预测模型的卡尔曼滤波算法比传统的卡尔曼滤波算法具有更高的估计精度,仿真结果表明定位精度提高29.54%,实测结果表明X方向定位精度提高21.71%,Y方向定位精度提高22.62%。该算法可应用于GPS接收信号的降噪处理,提高目标状态的定位精度。     

神经网络在滑坡预报中的应用

该文讨论了滑坡预报技术的现状?存在的问题以及应用神经网络解决滑坡预报问题的新途径;提出了一种基于神经网络的滑坡预报系统(HPNN)模型及基本结构,并通过实例介绍了其工作原理?     

基于自适应无迹卡尔曼滤波的采摘机械手视觉伺服控制方法

为解决未知统计特性下的系统噪声对图像雅克比矩阵估计精度的影响问题,提高视觉伺服定位精度,在卡尔曼滤波(lalman filter, KF)法以及无迹卡尔曼滤波(unscented kalman filter, UKF)法的基础上,引入自适应噪声统计估计器,提出自适应无迹卡尔曼滤波(adaptive unscented kalman Filter, AUKF)法估计图像雅克比矩阵,并构造了视觉伺服控制系统。仿真试验结果表明,基于自适应无迹卡尔曼滤波法估计图像雅克比矩阵的视觉伺服控制系统的图像特征最大误差值为10.2像素,机械手末端与目标点三维坐标最大误差值为4.19 mm,响应时间为1.2 s。搭建了七自由度采摘机械手视觉伺服试验平台进行采摘试验,试验结果表明,基于AUKF法估计图像雅克比矩阵的视觉伺服系统对静态目标的采摘成功率为90%,对动态目标的采摘成功率为83%,相比于KF法与UKF法,采摘静态目标试验成功率分别提高了17与10个百分点,动态采摘试验成功率分别提高了16%与10%。基于AUKF法估计图像雅克比矩阵的视觉伺服系统对静态与动态目标的采摘平均时间分别为18和22 s,相比于KF法与UKF法,静态采摘用时分别减少了10和6 s,动态采摘用时分别减少了12和8 s。AUKF法与KF法以及UKF法估计的图像雅克比矩阵相比,AUKF法估计的图像雅克比矩阵减小了采摘机械手视觉伺服控制系统过程噪声的干扰,使采摘机械手视觉伺服控制系统过程噪声适应视觉伺服系统的变化,采摘机械手视觉伺服控制系统定位精度更高。     

模糊信息检索法在滑坡预报中的应用

根据模糊信息检索法的基本原理和滑坡预测预报的基本要求,将模糊信息检索法应用于滑坡预报。以甘肃省武都县1980—1994年的滑坡资料为基础,选取某一时间段内发生滑坡次数、平均滑坡规模、最大滑坡规模、大小规模滑坡数目分布特征作为描述项,将每年发生的滑坡按最大滑坡规模划分为4类,用模糊信息检索法进行滑坡类别预报,并根据各年份实际发生的滑坡规模核定其报准率,结果平均报准率达到81.7%,取得了较好的应用效果。     

GPS在水土保持监测中的应用

介绍了利用不同品牌ＧＰＳ野外实测不同地貌部位地块面积、周长，与人工测量比较，其测试精度都在９０％以上，随着３Ｓ技术的发展，水土保持动态监测工作也逐步由利用３Ｓ技术代替传统的工作方法。     

ANSYS在水土保持滑坡监测中的应用

根据新建铁路精伊霍线博尔博松河处土质边坡的实际情况,运用ANSYS软件[1]对该处滑坡体的变形及内部应力进行分析,根据该软件的计算,通过常规监测,发现该滑坡体的水平位移和竖向位移随着时间的推移在不断扩大,同时下滑体下部15~20 m的区域更加明显。由于该处滑坡体结构比较松散,同时考虑工程的重要性,采用阻滑和加固方式可能还是存在潜在的危险,因而建议清除滑坡体。     

生态补偿机制在农村水污染控制中的应用研究

为改善日益恶化的农村水环境,本文从生态补偿机制的基础理论出发,结合当前农村水环境现状和生态补偿机制在农村水环境中的应用情况,有针对性地提出了健全法制、资金多元化、协调补偿者与受益者利益、建立补偿标准等建议。     

土壤空间变异研究中的半方差问题

简要回顾了土壤空间变异的研究。根据地质统计学理论和多年从事土壤空间变异研究的经验,对土壤空间变异研究的关键问题——半方差函数的基本假设、取样、模型选取及模型的检验进行了讨论,并对确定半方差函数模型应注意的问题提出建议。在保证取样样本容量的前提下,检查测定数据是否服从内蕴假设;注意提高每一个估算值的置信水平;尽量选择安全型模型作为半方差函数模型;对确定的半方差模型进行统计检验。由此可以求得较为客观合理的半方差模型。     

单元聚类分析法在滑坡分析中的应用

在滑坡灾害分析时应用单元聚类分析法,从单因素相关分析过渡到多因素相关分析,从而找出规律,建立滑坡灾害预测预报模型。运用该方法对承德市滑坡进行分析得出预报模型,经调查资料反算,误差在10％～30％范围之内。介绍了单元聚类分析步骤。     

全球定位系统在峡口滑坡研究中的应用

全球定位系统用于滑坡变形监测目前在国内外逐渐展开。针对GPS用于四川省雅安峡口滑坡监测网的灵敏度进行了分析,并利用观测结果数据分析了滑坡的状态和滑动趋势。认为,GPS用于滑坡监测有其特殊性,能够满足其高精度要求;在网形设计时,应考虑灵敏度标准,有必要将变形分析和优化设计一体化;但要全面监测滑坡,最好能将地面监测和地下地质观测结合起来。     

黄土滑坡稳定性评价的集合卡尔曼滤波同化方法

[目的] 为提升区域滑坡稳定性评价模型的预测精度,解决传统滑坡稳定性分析基于静态的物理模型过度简化滑坡发生机理与力学机制,导致过度预测的缺点,以及模型参数通常具有的时空变异性、不确定性的问题。[方法] 基于集合卡尔曼滤波的数据同化方法,以甘肃省兰州市北环路周边区域为例,构建了基于TRIGRS模型和SBAS-InSAR观测数据的区域滑坡数据同化方案,对模型中的安全系数(F_s)进行同化,更新模型参数内摩擦角,进而修正滑坡稳定性,并利用均方根偏差(RMSD)检验同化值的精度。[结果] 同化后研究区域滑坡安全系数明显高于模型预测的结果,不稳定区域的面积比例由12 %降低至7 %,与实际观测更为接近;试验使内摩擦角参数逐渐向观测值方向改正,实现了模型参数的动态更新;均方根偏差从0.33减小到0.04左右。[结论] 基于集合卡尔曼滤波的数据同化方法有效修正了模型稳定性预测结果,可以更准确体现当前区域滑坡实际情况,具有更高的预测精度。     

基于时间序列分析的卡尔曼滤波组合导航算法

GPS广泛用于农业机械导航研究中,其定位误差信号一般存在明显的自相关性,不能满足组合导航中常用的卡尔曼滤波算法观测噪声为高斯白噪声的要求。为此,建立了GPS定位误差AR模型,结合卡尔曼估计结果来预测和修正GPS定位误差,再将修正后的GPS定位信息应用于组合导航中的卡尔曼滤波过程。试验结果表明,无论GPS接收机是在静止还是在运动条件下,处理后的定位误差信号自相关性都明显降低,近似为白噪声;目标路径直线时的最大跟踪误差约为0.15 m,为曲线时,最大跟踪误差约为0.3 m。该方法为低精度GPS应用于农业机械导航提供了可行途径。     

基于集合卡尔曼滤波的PyWOFOST模型在东北玉米估产中的适用性验证

以叶面积指数(LAI)为结合点,引入基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的作物模型-遥感信息耦合模型PyWOFOST,利用气象数据、农业气象记录观测表数据及MODIS LAI数据检验PyWOFOST模型在东北玉米种植区的适用性,并选取在研究区内均匀分布、覆盖所有玉米品种且具有有效MODIS LAI数据的16个玉米农气站点,模拟该模型在不同的TSUM1(出苗-开花期积温)不确定性水平下各站点的玉米产量及LAI。结果表明,与WOFOST模型相比,PyWOFOST模型对LAI和产量的模拟能力都有极大提高。当TSUM1的不确定性为0、10、20、30℃时,PyWOFOST模拟的产量平均误差分别为10.32%、9.25%、7.31%和8.49%,均较未同化LAI观测数据的WOFOST模拟的产量平均误差(10.55%)低;同化后模拟LAI与同化前模拟LAI相比,其轨迹更接近实测值,更符合玉米的生长发育趋势,表明基于EnKF的PyWOFOST模型在东北玉米种植区有较好的适用性。     

基于改进卡尔曼滤波算法的雷达定量降雨估算

针对雷达定量降雨估算误差较大的问题,本文提出一种使用改进卡尔曼滤波对雷达估算值进行校准的方法。先确立G/R(自动气象站测量值/天气雷达估算值)校准因子模型,并应用普通卡尔曼滤波方法对G/R校准因子建立预测系统和测量系统,同时引入系统参数的校准过程和系统误差的自适应估计过程,动态调整卡尔曼滤波中各项参数值;最后将滤波后的G/R因子用于校正雷达定量降雨估算,得到较准确的降雨估算值。利用长春市天气雷达2015年8月19-20日和2016年月8月6-7日两次降雨过程的雷达产品和加密自动站逐小时的降雨资料,对卡尔曼滤波方法进行检验分析。结果表明:改进卡尔曼滤波和普通卡尔曼滤波校准后雷达降雨估算结果优于未校准的降雨估算结果,普通卡尔曼滤波方法和改进卡尔曼滤波方法的平均相对误差分别从0.6047减至0.3557和0.2645,从0.8052减至0.3096和0.1715,且改进算法效果优于普通卡尔曼滤波算法,校准后雷达降雨估算准确度明显提高。     

基于卡尔曼滤波算法的稻纵卷叶螟短期预测模型

利用1994-2014年中国南方四大稻区（华南、西南、江岭和江淮稻区）代表性病虫测报站的稻纵卷叶螟逐候田间赶蛾量资料,筛选出影响各站稻纵卷叶螟发生量的关键气象因子,应用卡尔曼滤波方法分别对各站建立稻纵卷叶螟迁入期候发生量的卡尔曼短期预测模型,并计算模型的准确率、误差大小和稳定性。结果表明：（1）稻纵卷叶螟发生量与前一候和前两候的田间蛾量呈极显著正相关（P<0.01）,与前一候的近地面最低气温、平均气温和最高气温呈极显著正相关（P<0.01）,与前一候的地面气压呈极显著负相关（P<0.01）。（2）经1994-2011年的回检拟合和2012-2014年试报检验,卡尔曼模型的发生量预测综合平均误差为-88.63,平均绝对误差为217.72,均方根误差为605.04。发生量预测综合准确率为84.33%,平均历史拟合率为83.33%,各站卡尔曼模型的预报结果与实测值基本吻合,表明模型可以应用于稻纵卷叶螟候发生量的预测。     

基于多项式卡尔曼滤波器的车辆定位试验

为了研究多项式卡尔曼滤波器在车辆定位中的应用特性,分析阶数对多项式卡尔曼滤波器估算精度的影响以及评估多项式卡尔曼滤波器的工作性能,该文通过多项式拟合对非线性系统建模,构建多项式卡尔曼滤波器并进行车辆多传感器融合定位试验验证。首先分析了多项式的阶数对多项式卡尔曼滤波器的影响和多项式卡尔曼滤波器的工作性能评价方法;其次,在车辆定位常用的里程计航位推算公式的基础上分别使用0阶、1阶和2阶多项式对车辆纵向速度和航向角进行拟合,建立0阶、1阶和2阶多项式卡尔曼滤波器。在Pioneer 3-AT移动机器人平台上进行试验,多项式卡尔曼滤波器融合信息来源于里程计和AHRS传感器,RTK-GPS测量轨迹作为参考轨迹;同时将卡尔曼滤波理论误差和实际误差进行对比分析,验证了多项式卡尔曼滤波器的工作性能。试验结果显示,所建立的多项式卡尔曼滤波器的实际误差均在超过68%的滤波时间里处于理论误差范围内,验证了滤波器的工作性能正常。0阶多项式卡尔曼滤波器定位精度在X、Y轴方向上分别比里程计航位推算法提高63%和77%;1阶的定位精度优于0阶,2阶的定位精度优于0阶但劣于1阶,说明更高阶的多项式对里程计航位推算公式的车辆纵向速度和航向角拟合,对提高定位精度并无重要作用。该文研究对构建多项式卡尔曼滤波器,评估多项式卡尔曼滤波器的工作性能,以及多项式卡尔曼滤波器在车辆定位的实践应用提供参考。