一、最小二乘估计与KALMAN滤波的比较（论文文献综述）
杨旭[1]（2019）在《多卫星导航系统实时精密单点定位数据处理模型与方法》文中研究表明实时精密单点定位技术（Real Time Precise Point Positioning,RT-PPP）是当前全球导航卫星系统（Global Navigation Satellite System,GNSS）领域的研究热点,也是GNSS技术的重要发展方向。本文围绕RT-PPP数据处理模型精化与方法优化问题,重点开展了RT-PPP周跳探测与修复方法、实时卫星钟差估计与预报模型、区域对流层与电离层误差实时估计与建模方法研究,并研制了一套以RT-PPP为核心的实时精密定位服务原型系统。主要研究内容和成果如下:1)分析了RT-PPP中周跳探测与修复的主要难点,即电离层延迟具有时变特性,导致电离层延迟活跃条件下,窄巷观测值的周跳较难修复。对此提出了基于方差分量估计的自适应Kalman滤波历元间电离层延迟（DID）在线建模与预测方法,通过DID预测值辅助进行周跳探测与修复。利用该方法对双/三频的实际观测数据进行实时周跳探测,结果表明:相对于传统GF与MW周跳探测方法,利用预测的DID值可有效辅助小周跳、大周跳、连续周跳和不敏感周跳的探测与修复,尤其是对窄巷观测值的周跳修复效果更加显着。2)考虑地面监测站（分布与数量）对GNSS卫星超快速轨道确定和实时钟差估计精度和计算效率的影响,论文基于选站构型优劣评价指标,利用格网控制理论与蒙特卡洛随机抽样方法,提出了一种基于监测站空间构型的随机优化选站算法,该算法可实现几何分布和测站质量均占优的测站列表快速自动选取。利用201个IGS站进行实验,结果表明:本文提出的方法较传统格网法可平均提高GPS超快速观测、预报轨道以及实时钟差精度17.15%、19.30%与31.55%;同时,在随机抽样实验次数设置为100000的条件下,当测站数分别为10、50、90个时,相应的选站耗时低于2.22、6.65、14.15min。3)针对RT-PPP中实时数据流存在中断、延迟等问题,提出基于方差分量估计的自适应kalman滤波钟差预报超短期/短期模型;同时,顾及卫星钟差存在的空间和时间相关性,发展了一种利用星间相关性的Kalman钟差预报策略。为验证所提方法的有效性,利用连续27天GBM事后和CLK93实时钟差产品进行预报实验,结果表明:顾及卫星钟差间相关性,在事后钟差预报中可获得较优的结果,如:预报6小时北斗卫星钟差,较传统方法（顾及周期项与趋势项）精度可提高约50.00%。由于实时钟差中卫星间相关性较弱,基于方差分量估计的自适应kalman滤波钟差预报模型在实时钟差预报中性能更优,实时预报1分钟的北斗卫星钟差,较传统Kalman滤波预报精度可提升11.19%。4)针对RT-PPP中天顶对流层延迟（ZTD）参数估计易受水汽变化影响问题,提出了基于方差分量估计的自适应Kalman滤波方法来提高实时ZTD估计精度。基于中国矿业大学北斗分析中心（CUM）平台,利用实时估计的北斗/GPS钟差产品进行了ZTD解算实验,结果表明:（1）方差分量估计方法可动态调整ZTD参数估计中的随机模型,实现待估参数误差的自适应修正;（2）针对对流层延迟变化较快的情况,可抑制异常值的硬性,改善了ZTD估计精度,在实时ZTD解算中更加显着;（3）较传统ZTD估计方法,论文所提方法可提升实时ZTD精度20.7%（GC）、20.2%（G）,事后ZTD精度22.1%（GRCE）、21.9%（GRC）,18.4%（GR）,15.9%（GC）,15.2%（GE）,12.1%（G）。5)为实现ZTD实时建模,基于上述方法实时估计的ZTD产品,论文利用机器学习方法（神经网络和支持向量机）,进行区域实时ZTD建模。利用香港CORS网连续5天北斗/GPS观测数据,构建了该区域实时ZTD模型。以四参数模型为参考对构建的ZTD模型进行了精度评价,结果表明:支持向量机可实现与四参数模型相当的ZTD建模效果（mm级）;神经网络、支持向量机、四参数模型建模的平均偏差与均方根误差分别为-2.25mm与9.17mm;对于处于测区平均高程面站点的建模,支持向量机法较四参数模型具有更高的精度和稳定性。6)针对RT-PPP的电离层延迟误差建模问题,本文基于球谐函数模型构建了全球实时电离层延迟误差模型,分析了时间分辨率为5min、15min、30min、1h、2h的小区域（经度差5°、纬度差2.5°）实时电离层变化特征。实验结果显示:电离层在纬度方向上的变化大于经度上的变化;时间分辨率成增倍数增大时,电离层变化量呈相同趋势。同时,为了提高实时电离层延迟误差提取精度,本文对比分析了传统的载波平滑技术与RT-PPP技术,并利用神经网络,支持向量机模型进行了区域电离层延迟误差实时建模。利用香港CORS网连续5天GPS观测数据进行实时电离层建模实验,结果表明:RT-PPP技术较载波平滑技术在提取实时电离层延迟误差方面具有显着优势,且人工智能技术在实时电离层建模方面具有较高的精度。7)为了验证本文提出的RT-PPP数据处理模型和方法,基于CUM平台,设计研制了一套以RT-PPP为核心的实时精密定位服务原型系统。利用i GMAS、MGEX/IGS观测数据实时流,CUM、CNES实时精密产品数据流,对系统的实时位置、大气误差增强服务能力进行了检验,结果表明:系统实现了本文研究的主要模型与算法,运行稳定、可靠。该论文有图114幅图,表37个,参考文献224篇。
林旭[2]（2014）在《自适应Kalman滤波方法及其在航空矢量重力测量中的应用》文中认为本文主要研究了基于自协方差最小二乘噪声协方差估计的自适应Kalman滤波算法及其在航空矢量重力测量数据处理中的应用,论文的主要工作和成果概括如下：1.系统介绍了Kalman滤波算法的基本概念,包括Kalman滤波系统的可观性、可控性和稳定性；并从参数估计的角度出发,给出了线性最小方差意义下的Kalman滤波公式；考虑到实际数据处理中的大部分物理模型都是连续模型,给出了连续Kalman滤波公式及其离散方法。2.详细介绍了白噪声条件下线性定常Kalman滤波系统和线性时变Kalman滤波系统的噪声协方差估计方法以及第一类相关噪声条件下线性定常Kalman滤波系统的噪声协方差估计方法。3.将传统的白噪声协方差估计拓展到两类相关噪声协方差估计,提出了第二类相关噪声条件下线性定常Kalman滤波系统的噪声协方差估计方法以及第一类和第二类相关噪声条件下线性时变Kalman滤波系统的噪声协方差估计方法；将白噪声协方差估计方法拓展到有色噪声协方差估计,把有色噪声分为有色状态噪声、有色观测噪声以及状态噪声和观测噪声均为有色噪声三种情况,分别建立了有色噪声条件下线性定常和线性时变Kalman系统的噪声协方差估计方法。数值仿真结果表明：以上所提算法均能有效的估计出未知的噪声协方差矩阵,且具有较高的估计精度。4.多速率Kalman滤波方法是进行低采样率的位移数据和高采样率的加速度数据融合的有效方法,但其易受先验噪声协方差参数影响,因此本文提出了多速率Kalman滤波噪声协方差估计方法,将多速率Kalman滤波的噪声协方差估计问题转换为传统的单速率Kalman滤波的噪声协方差估计问题,建立Kalman滤波增益的自协方差矢量与未知的加速度谱密度和观测噪声参数间的线性函数模型,并采用最小二乘估计方法对未知的噪声协方差参数进行估计。并通过数值仿真和震动台实验对多速率Kalman滤波噪声协方差估计方法的正确性和有效性进行了验证。5.采用自协方差最小二乘噪声估计方法进行噪声协方差估计时,需保证噪声协方差估计结果的正定性和稳定性。研究了附加约束条件的自协方差最小二乘噪声协方差估计方法用于保证噪声协方差估计结果的稳定性。通过附加约束条件,并结合迭代的计算策略,以达到提高最小二乘解的稳定性,从而保证噪声协方差估计结果正定性的目的。计算结果表明：该算法能在一定程度上提高最小二乘解的稳定性,保证噪声协方差估计结果的正定性。6.针对噪声协方差估计中,噪声协方差矩阵为对角矩阵,即非主对角线元素均为零的情况,提出了非线性自协方差最小二乘噪声估计方法用于保证噪声协方差估计结果的正定性。采用同伦算法计算噪声协方差矩阵主对角线元素的平方根,保证噪声协方差矩阵主对角线元素为正值,从而达到保证噪声协方差矩阵的正定性。数值仿真结果表明：针对噪声协方差矩阵为对角矩阵的情况,该算法能有效地保证噪声协方差估计结果的正定性。7.半正定自协方差最小二乘法虽能保证噪声协方差估计结果的正定性,但其估计结果受门限参数影响明显,因此本文研究了正则的半正定自协方差最小二乘噪声估计方法,并采用方差分量估计方法对正则化参数进行估计,采用似牛顿迭代法进行门限参数估计,相关参数的选取更加合理。数值方法结果表明：该算法在保证噪声协方差估计结果正定性的同时,提高了半正定最小二乘的解算精度。8.介绍了航空矢量重力测量数据处理中载体加速度的确定方法,提出了基于常加速度模型的自适应Kalman滤波方法用于载体加速度的确定。该算法有效克服了先验噪声协方差对Kalman滤波结果的影响,且回避了采用FIR低通滤波器时需对滤波参数进行先验设定的问题,并通过数值方法对所提算法的正确性和有效性进行了验证。9.针对未知的观测噪声协方差对SINS初始对准所带来的误差影响,研究了基于导航坐标系的自适应初始对准方法,采用迭代计算的策略,在进行噪声协方差估计的同时,对失准角进行反馈修正,消除先验噪声协方差和初始姿态角对初始对准过程的误差影响。数值仿真结果表明：该算法能有效的克服未知观测噪声协方差信息和初始姿态角对初始对准过程的影响,提高初始对准精度。10.详细介绍了基于惯性坐标系的航空矢量重力测量数据处理流程,推导了基于惯性坐标系的自适应GNSS/SINS数据融合方法。该方法采用迭代计算的策略,在进行噪声协方差估计的同时,对姿态角进行反馈修正。数值仿真结果表明：该算法不仅具有较好的收敛性,且能有效克服先验信息对GNSS/SINS数据融合的影响,提高数据融合精度。
丁锋,马兴云[3]（2014）在《规范状态空间系统辨识方法》文中研究说明因为状态空间模型既包含了未知状态,又包含了未知参数,且二者是非线性乘积关系,使得辨识问题变得复杂.针对这一问题,详细研究了规范状态空间系统的状态与参数联合估计方法.采用交互估计理论,即采用递推方法或迭代方法实现系统状态与参数的交互估计.基本思路是在计算参数估计时,辨识算法信息向量中的未知状态用其估计值代替,然后利用获得的参数估计,设计基于参数估计的状态观测器或基于参数估计的Kalman滤波算法估计系统的状态,二者形成一个交互计算过程（递阶计算过程）.沿着这条思路,分别从递推方案和迭代方案,研究和提出了基于状态观测器和基于Kalman滤波状态估计的随机梯度辨识算法、递推最小二乘辨识算法、多新息随机梯度辨识算法、多新息最小二乘辨识算法,以及模型分解的辨识算法,并给出了几个典型算法的计算步骤、流程图和计算量.
田先才[4]（2019）在《自适应Kalman滤波算法研究及其在精密单点定位中的应用》文中认为精密单点定位技术（precisepointpositioning,PPP）指的是通过单台接收机采集以相位为主的观测值,使用卫星精密星历和精密钟差产品,并对相关的误差进行模型或参数改正,使其能够达到动态分米级与静态厘米级的定位水平。精密单点定位的应用不局限于常规定位中,还可以用于精密定轨、地震监测以及对流层、电离层的反演,应用前景十分广阔,在国内外导航定位领域已成为研究的热点。但通过研究发现,在Kalman滤波进行精密单点定位参数估计时,常常会受到观测异常与动力学模型异常的影响。当PPP某个历元观测值存在异常（粗差）时,PPP参数估计的精度会大大降低,甚至很长时间都无法收敛。动力学模型异常主要体现在系统的动态噪声不准确而引起的收敛速度慢的问题,其原因为,理论上状态参数协方差随着递推的进行,它的值会达到趋近于零的某个稳定值,如果状态协方差不准确,就需要很长一段时间才能稳定,这便增加了 PPP的收敛时间。鉴于此,本文在对PPP及Kalman滤波理论研究的基础上,提出了解决以上问题的新的方法,主要包括以下两个部分:（1）针对PPP观测值出现异常导致的参数估计值偏差较大以及滤波器发散等问题,笔者对观测残差和新息残差进行了深入的研究,发现两种残差都能很好的检测并诊断出PPP观测值异常出现的时刻。因此,本文采用以上两种残差来建立抗差因子,通过抗差因子替换掉原来的观测噪声协方差矩阵来达到抗差目的。（2）在采用Kalman滤波进行PPP参数估计时,Kalman滤波的动力学模型异常主要体现在动态噪声的不准确上,如果动态噪声不准确,根据Kalman滤波地推公式,这样计算出的状态协方差预测值也就不准确,进而导致滤波增益矩阵与实际值存在微小偏差。由于增益矩阵参与状态及其协方差的估计中,所以增益矩阵的不可靠不仅会增加PPP的收敛时间,还会对参数估计值的精度造成影响。考虑到新息残差中包含着状态信息,所以新息残差也能体现出状态的异常,本文的方法是根据新息残差来构造自适应Kalman滤波的自适应因子,然后通过分类因子矩阵对状态协方差预测值进行修正,使其相对更加可靠,因此,滤波增益矩阵的可靠性也会得到相应的提高,进而达到对参数及其协方差改善的目的。最后,通过对IGS多个跟踪站与多组观测数据进行实验,采用自编软件验证静/动态下两种抗差Kalman滤波的性能以及静态下自适应Kalman滤波的可靠性。实验结果表明,两种抗差Kalman滤波都能达到抑制粗差的目的,对参数估计的精度都有不同程度的改善。对于静态PPP下的自适应Kalman滤波,状态协方差的预测值以及估计值较标准Kalman滤波趋于稳定的时间有所降低,最终能够很好的降低PPP的收敛时间,对于参数估计的精度也有着一定的提高。图[33]表[3]参[81]
邹海军[5]（2015）在《光纤陀螺捷联惯导系统初始对准技术研究》文中研究指明捷联惯导系统初始对准技术是捷联惯性导航的关键技术之一,一直是国内外惯性导航领域的研究重点。本文以船载光纤捷联惯导系统为研究对象,以提高捷联惯导系统初始对准精度为目的,将初始对准划分为粗对准和精对准两个阶段进行分析研究。依据初始失准角的大小,从捷联惯导系统线性模型和非线性模型两个方面对精对准技术展开对比研究。第一,研究了捷联惯导系统粗对准技术。首先介绍了解析粗对准、惯性系粗对准、凝固法粗对准和四元数法粗对准姿态确定算法的原理。然后分别推导了各粗对准方法的误差以及分析了各方法的使用环境。最后通过仿真实验验证各粗对准方法在对应环境下的有效性。第二,研究了小失准角捷联惯导系统精对准技术。首先介绍了基于小失准角的捷联惯导系统线性误差模型。然后分别阐述了基于今年经典反馈控制理论的罗经法对准、基于最小二乘估计的参数辨识对准和Kalman滤波对准的原理。之后从提高对准速度和精度的角度,分别推导阐述了姿态误差的快速最小二乘辨识、最优双位置对准及测漂和两位置Kalman滤波对准。最后仿真实验验证了各精对准方法的正确性以及各改进方法对提高对准精度的有益性。第三,研究了大失准角捷联惯导系统精对准技术。首先介绍了基于欧拉平台误差角的捷联惯导系统非线性误差模型。然后在误差状态量满足高斯分布的假设下,推导了贝叶斯滤波理论框架下的扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和容积卡尔曼滤波算法。最后通过仿真实验验证了非线性误差模型的正确性,大失准角下各滤波算法的性能及小失准角下与Kalman滤波的等效性。第四,基于Windows操作系统的光纤捷联惯导系统的对准实验。首先介绍了Windows环境下多任务程序设计的理论及导航实验平台。然后介绍了三轴转台实验和车载实验的环境及内容。最后进行光纤捷联惯导系统的实时对准实验,通过对实验结果的分析验证所设计的对准方法的正确性和有效性。
何海波[6]（2002）在《高精度GPS动态测量及质量控制》文中研究表明精密GPS动态测量能实时或事后地给用户提供高精度的位置、速度、加速度、姿态和时间信息，它在陆地、海面或航空中的导航和测量应用越来越广泛。本论文针对单基线动态测量模型，就短基线模糊度快速解算、中长距离模糊度解算、GPS动态测量（包括定位、测速和姿态测量）以及周跳检测与修复等质量控制问题展开研究。论文主要贡献有以下几点： 1．针对短基线模糊度的快速解算，提出了一种实时估计观测值方差-协方差矩阵的方法，改进了观测值的统计模型。算例显示这种方法能提高模糊度瞬时解算的成功率。 2．针对中长基线中电离层延迟的影响，将电离层加权模型引入了动态测量。在顾及电离层加权模型的情况下，利用参数消去法，推导了加权最小二乘法估计模糊度实数解的公式。 3．针对中长基线中的模糊度在线解算（OTF），研究了电离层延迟、对流层延迟的影响及其相应的处理方法。研究结果表明，对流层模型改正可以大大提高模糊度解算的成功率和可靠性。将电离层延迟作为零均值的随机游走过程（电离层加权模型），将对流层延迟作为静态参数，采用非递推形式的加权最小二乘法来估计，可以提高模糊度解算的成功率和可靠性。但是，如果将电离层延迟或对流层延迟作为随机过程，用递推形式的加权最小二乘法或Kalman滤波来处理，则会影响模糊度的解算。 4．针对模糊度在线解算问题，对加权最小二乘法和经典Kalman滤波这两种算法进行了综合分析和比较。结果显示，不论在模糊度解算的成功率和可靠性上，还是在计算速度上，加权最小二乘法都优于Kalman滤波。 5．提出了一种周跳检测与修复的新方法，即最小二乘搜索法。综合应用电离层残差法、伪距载波组合观测值法、最小二乘搜索法等方法，可修复失锁时间长达数分钟的周跳。 6．针对中长基线的动态定位，研究了电离层延迟、对流层延迟和多路径效应等误差对位置结果的影响以及相应的误差处理措施。结果表明，对流层模型改正可以大大改善定位结果的精度，不过仍存在未模型化的对流层延迟误差。将电离层延迟作为随机过程来处理，可以提高定位精度；而将对流层延迟作为随机过程来处理，则会影响定位精度。 7．针对高精度动态定位结果的精度，对最小二乘法和经典Kalman滤波这两种算法进行了综合分析和比较。算例显示，在高精度GPS动态测量中，最小二乘法可以提供厘米级精度的位置结果，而Kalman滤波算法不但不能提高定位结果的精度，反而会给定位结果引入米级的偏差。 8．针对观测值粗差和载体机动误差，提出了抗差自适应Kalman滤波的新算法，并对该算法作了进一步的改进。 9．详细分析了GPS测速中各种误差的影响，并对位置差分法、原始多普勒频移观测值法、载波相位中心差分法等三种测速方法进行了综合分析及比较。 10．讨论了GPS姿态测量中模糊度解算、姿态角解算等问题，并基于非专业姿态测量接收机，给出了GPS姿态测量的初步结果。
张欣[7]（2015）在《多旋翼无人机的姿态与导航信息融合算法研究》文中进行了进一步梳理多旋翼无人机已被广泛应用于军事与民用领域。导航系统是多旋翼无人机的重要组成部分,是其实现安全与稳定飞行的基础。采用INS/GPS组合导航系统可实现高精度导航,该组合导航系统具有优势互补、导航机构冗余的特点,其实质是一个多传感器导航信息优化处理系统。无人机的主要导航参数就是依靠多传感器信息融合获得的,因此信息融合技术是组合导航系统的关键技术,目前已成为国内外学者研究的热点问题。本文以课题组自行研制的全新结构多旋翼小型无人机为研究平台,展开对机载多传感器组合导航系统信息融合这一关键技术的研究。论文包括以下几个方面:（1）研究了多旋翼无人机各机载传感器的测量应用特性,重点研究了陀螺仪的噪声源种类及误差消除方法。在此基础之上,确定了基于姿态、位置、速度的多级式信息融合结构,它是基于信息融合的层次化结构设计,可明显减少导航系统的计算量,提高系统的机动性能。多级式融合结构的每一级可采用不同的融合算法,本文着重介绍了在多传感器组合导航系统中应用最成功、最广泛的Kalman滤波算法。（2）根据各传感器的测量特性分析,展开基于各传感器的导航信息解算算法研究。采用当地地理导航坐标系进行机械编排,并根据无人机实际飞行特点做出相应简化。在此基础上,研究了陀螺仪的姿态解算、加速度计与磁力计的姿态解算、加速度计的位置与速度解算、GPS的位置与速度解算。为信息融合的模型建立和算法研究奠定基础。（3）采用陀螺仪与加速度计、磁力计进行第一级姿态信息融合,该级融合算法采用Kalman滤波算法。建立姿态融合系统的非线性离散时间状态空间模型,采用扩展Kalman滤波解决了模型线性化问题。提出了一种改进的Sage-Husa自适应扩展Kalman滤波算法,该算法采用陀螺仪动态解算的姿态角方差来估计系统噪声方差,使用自适应滤波算法在线实时估计量测噪声方差,这样可以保证滤波的精度与稳定性,该算法同时引入了滤波器收敛性判据,并结合强跟踪Kalman滤波算法有效的抑制了滤波发散问题。（4）采用加速度计与GPS进行第二级水平方向位置、速度信息融合,采用改进的Kalman滤波算法,建立了线性离散时间状态空间模型,在模型中将加速度信息作为状态方程的输入控制量,从而间接预测位置与速度信息,这有利于提高信息融合的精度。引入气压高度计与加速度计、GPS组合实现第三级垂直方向高度、速度信息融合,根据联邦滤波器设计思路确定了二次融合结构,分别采用了改进的Kalman滤波算法和加权最小二乘估计算法,在第二次融合之前,还增加了GPS故障诊断环节,增强了信息融合系统的容错能力。在论文的最后,总结了全文的工作情况,并对今后的工作进行了展望。
吴富梅[8]（2010）在《GNSS/INS组合导航误差补偿与自适应滤波理论的拓展》文中指出本文对GNSS/INS组合导航误差补偿与自适应滤波理论进行了系统而深入的研究。内容涵盖GNSS/INS组合导航基本原理、INS惯性元件随机误差分析和建模、GNSS/INS组合导航姿态角对准、GNSS/INS组合导航函数模型和随机模型误差补偿、GNSS/INS组合导航自适应滤波算法以及GNSS失锁时INS导航算法研究等。主要工作和创新点概括如下：1.总结了GNSS/INS组合导航数据处理的基本原理,介绍了INS导航、GNSS导航的基本原理以及GNSS/INS组合导航的滤波模型,分析了INS误差闭环校正和开环校正的优缺点。2.对INS随机误差进行了系统的分析和处理；分析和比较了陀螺信号中几种性质不同的随机误差在功率谱密度和Allan方差上不同的特性和表现形式；对三种陀螺实测信号中的随机误差进行了分析,给出这些陀螺信号中存在的主要噪声类型及其相应的系数；通过对分解后高频系数进行检验,给出了一种自动判别小波多分辨分析尺度的方法；建立了三种陀螺随机误差的ARMA模型,确定了相应的ARMA模型阶数和模型参数。3.在INS力学编排基础上从误差分析角度提出一种基于累积误差极小值的精对准方法,有效缩短了初始对准时间；实测算例表明这种方法不受初始对准时间的约束,在较短时间内可以获得较高的对准精度。4.针对车载系统,提出一种顾及姿态角更新的低成本车载GNSS/INS组合导航算法,推导了利用GNSS测速确定航向角的原理,并且对低成本车载INS系统的俯仰角和翻滚角进行了分析；利用实测算例确定了不同速度下的航向角精度,并且验证了新算法的有效性。5.给出了三种确定INS白噪声谱密度的方法：直接估计法、基于小波变换的谱密度估计法和Allan方差法。利用实测数据对这三种方法进行了比较和分析,结果表明直接估计法和基于小波变换的谱密度估计所估计的噪声谱密度不仅仅是白噪声,还包含其它各种噪声在内的高频噪声,而Allan方差能够很好地分辨出信号中主要干扰噪声,但是一旦白噪声不占主导,就很容易淹没在别的高频噪声中；GNSS/INS组合导航结果也表明基于Allan方差所确定的白噪声谱密度能够更好地反映惯性元件中的白噪声统计特性。6.INS信号自相关和偏相关系数表明AR模型尤其是ARMA模型能够更好地反映信号的低频噪声；分别基于AR模型和基于ARMA模型,推导了GNSS/INS组合导航动力学模型方程和随机误差模型。实测算例表明,基于AR模型和ARMA模型的Kalman滤波精度都要高于根据经验设定参数的标准Kalman滤波,其中ARMA模型能够更好地反映低频信号的特性。7.推导了基于载波相位平滑伪距的实时GNSS/INS组合导航的公式,并且进行了误差分析。利用实测算例对算法进行验证,结果表明如果GPS周跳较少或者不发生周跳,基于载波相位平滑伪距技术的GPS/INS组合导航的精度较伪距紧组合导航有较大的提高,但是当GPS周跳较多时,精度提高不显着。8.提出伪距差分求解速度的方法,给出了相邻历元和历元间伪距差分测速的公式,并且对其精度进行了分析。利用实测算例对伪距差分测速的精度进行了比较和分析,指出在外界环境恶劣的情况下伪距差分可以保证较高的可靠性。9.在GNSS/INS松组合和紧组合导航中,为避免单一自适应因子对可靠参数的作用,基于预测残差和选权滤波构造出分类自适应因子,该自适应滤波能够将位置、速度、姿态角误差、陀螺仪和加速度计误差分别赋予不同的自适应因子,避免精度损耗。实测算例表明相比于标准Kalman滤波和单因子自适应滤波,分类因子自适应滤波精度有所提高。10.针对紧组合导航中观测值存在粗差的问题,提出通过部分状态不符值来构造自适应因子的方法,给出部分状态不符值构造自适应因子的过程,并与单因子自适应滤波和分类因子自适应滤波进行了分析和比较。实测算例结果表明,当观测无异常时,三种自适应因子都能够较好地抑制动态模型误差的影响；但是当观测存在异常时,由预测残差构造的自适应因子不能分辨模型误差和观测误差,而由部分状态不符值构造的自适应因子能够抵制观测异常的影响,滤波结果优于由预测残差构造的自适应因子滤波结果。11.从参数可观测性角度提出一种两步自适应Kalman滤波算法,推导了两步自适应抗差滤波的公式和具体步骤,并且进行了分析和比较；实测算例结果表明,相比于标准Kalman滤波,两步自适应抗差滤波的导航精度受组合周期的长短、INS惯性元件误差的大小影响较小,并且能够控制动态扰动异常和观测异常的影响。12.针对由GNSS观测条件不佳或观测不足引起的误差,在一般自适应滤波的基础之上,对其进行扩展,自适应地调节状态预测向量的协方差阵,使其既能控制动态模型误差又能抑制由GNSS观测条件不佳引起的误差的影响。实际计算结果表明,相比于一般自适应滤波,扩展自适应滤波能够很好地控制这两种误差的影响。13.在GNSS信号失锁时,提出一种速度先验信息和Odometer观测信息辅助车载INS导航的方法,并且对位置修正法进行了改进。实测计算结果表明,与INS单独导航相比较,新算法可以大幅度提高载体位置和速度精度。14.给出了一种对INS单独导航累积误差建立模型的方法,并且用实测算例对所建立的模型进行验证,结果表明通过所建立的模型对INS累积误差进行修正,可以大幅度地削弱INS误差。
朱锋[9]（2019）在《GNSS/SINS/视觉多传感器融合的精密定位定姿方法与关键技术》文中认为全球卫星导航系统作为国家重要的空间信息基础设施,具备全球、全天候、高精度连续定位、导航和授时的功能,然而,到达地面的GNSS卫星信号非常微弱,存在遮挡、干扰和欺骗三大脆弱性问题,无法在电磁干扰、物理遮蔽等复杂环境下使用,为了保障国家PNT系统的坚韧性,提升导航与位置服务的能力,美国提出了全源定位与导航（ASPN,All Source Positioning and Navigation）计划,同时,我国开展了“羲和系统”的研制并提出协同精密定位技术,随后开始推进以北斗为核心的国家综合PNT体系的建设。这些计划都将多传感器集成、多源异质信息融合确定为未来PNT技术的重要发展方向,也是从根本上解决单一导航系统局限性和脆弱性的有效途径。随着智能化时代的到来,以移动测量为代表的行业应用和以位置服务为代表的大众应用对精密定位定姿技术存在着巨大需求,星载、机载、车载、船载平台的移动测量和自动驾驶汽车、无人机、移动机器人等智能载体的自主导航都高度依赖精密的位置基准信息。因此,多传感器融合的精密定位定姿技术具有十分重要的研究意义与价值。本文旨在对GNSS/SINS/视觉多传感器融合的理论模型与技术方法开展系统深入的研究,提升复杂环境下精密定位定姿的能力,论文的主要工作和贡献如下:1)从模型简化与统一的角度,总结了精密单点定位和差分定位方式下的松/紧组合模型,并讨论了地面车辆可挖掘的多源约束信息及融合策略;面向车载场景,提出了一种以速度为主线的级联对准方案;为了实现双向滤波与双向平滑,给出了前向/后向的机械编排算法;在双天线GNSS/SINS组合测姿中,采用失准角模型代替欧拉角模型,达到与松组合兼容的目的。2)设计了一种称为“半紧组合”的新结构,既兼容了松组合与紧组合的优势,又克服了各自的主要缺陷,能够在卫星数不足的情况下,保持与紧组合一样的定位定姿精度,又解决了紧组合利用“传递”模式进行模糊度固定的风险问题,还能实现固定解的RTS平滑,是一种适用于多传感器分布式滤波的有效方法。3)为了增强复杂环境下的模糊度固定性能,分别从位置域、大气域、模糊度域的角度提出了三种新方法,即惯性辅助PPP模糊度固定、电离层建模约束的S2L-RTK、模糊度整合的后处理算法。理论分析与数据处理表明:当惯性递推的位置精度优于半个波长时,能够辅助模糊度实现瞬时固定;相比于加权电离层RTK模型,S2L-RTK通过电离层建模预报约束,在复杂环境下的模糊度固定率提高了近50%;模糊度整合的后处理算法可以将正确固定的模糊度赋予整个弧段,实现全弧段固定。4)提出了一种新的GNSS/SINS后处理策略,该策略先使用两个独立线程进行前向/后向Kalman滤波,滤波完成后各自进行RTS平滑,最后采用FBC组合技术对前向/后向平滑结果进行融合得到高精度结果。进一步的,通过状态降维和更新率调低,在不损失精度的情况下,大幅度提高了后处理效率,2.65小时的数据仅耗时4.5s,经过后处理平滑后,60s的累积误差从最大的20m减小到0.5m。5)根据移动测量的原理,研究了视觉点云地图与车道线地图生成技术,通过多帧影像前方交会得到路标点局部坐标以及单应性变换得到车道线局部坐标,然后由GNSS/SINS解算得到的相机位姿进行坐标转换,获得ECEF系下视觉点云与车道线坐标。提出了评价视觉点云的质量指标,并通过数据清洗提升了点云质量,由多方面的误差分析表明,车道线的绝对位置精度约为1020cm。6)在视觉点云和车道线两个图层的高精度地图支持下,深入开展了视觉定位以及GNSS/SINS/视觉/车道线约束/里程计多源信息融合的方法,构建了不同信息组合下的数学模型,提出了空间八叉树和特征十叉树加速的视觉定位框架,由KITTI数据集测试表明,视觉定位定姿的精度约为1.5cm和0.06deg,定位成功率接近100%,定位平均耗时为0.316秒,能够满足实时性要求,当与惯性融合时,仅需成功匹配到1个路标点,就能在GNSS长时间失锁（20min）的情况下保持10cm的位置精度。最后测试了2颗卫星情况下的GNSS/SINS/车道线约束/里程融合的实时定位,对于时长为300s的部分遮挡,其三个分量上的位置精度均优于10cm。7)自主研发了一套高精度GNSS/SINS数据融合的处理软件POSMind。该软件具有丰富的可视化界面,既可以单独处理GNSS多系统数据、也可以联合惯性数据进行融合处理,支持精密单点定位（PPP）、差分定位（DGNSS）、松组合（LCI）、紧组合（TCI）、半紧组合（STC）多种混合模式,并提供前向/后向滤波器、前向/后向RTS平滑器以及组合器,实现多种信息的最优融合,是目前唯一提供IAR-PPP/SINS组合功能的软件。在此基础上,实现了视觉地图支持下的GNSS/SINS/视觉/里程计多传感器融合的实时定位定姿算法。
张静[10]（2014）在《InSAR时序监测及应用中的质量控制研究》文中进行了进一步梳理近年来，随着新型高分辨率SAR卫星的相继发射以及时序InSAR技术的不断进步和发展，InSAR技术以其难以抵挡的迅猛优势被广泛的应用在地震、地面沉降、滑坡、泥石流等地质灾害的调查监测研究中，从而为地球物理以及大地测量学等研究领域提供了一种全新的动态研究途径，是一种极具潜力和优势的空间对地观测新技术。然而，由于InSAR数据常会受到大气、DEM、轨道以及失相干噪声等多项误差的影响，且这些误差往往具有多源性、复杂性、交叉性以及各种的不确定性等，使得InSAR监测数据中的部分误差难以消除，严重的影响了InSAR形变监测结果的精度和可靠性，从而使其无法达到地表分辨单元毫米级微小形变的理论监测精度，严重的制约了InSAR技术的进一步推广和应用。因此如何对InSAR数据处理中的多种误差进行质量控制，即对InSAR数据中的异常数据、粗差、缺失或过多的冗余信息进行分析，是获取高精度和高可靠性的最优InSAR监测结果的一个迫切需求，是进行InSAR监测结果后处理和形变机理反演和预警的重要前提。基于此，本文在对InSAR数据处理中的各种误差特性进行统计分析的基础上，重点针对InSAR监测数据中存在的各种误差问题，研究了其相应的误差消除方法；并从大地测量学理论出发，通过建立数学模型，运用合理的算法来消除InSAR数据中的误差项，从而保证了高精度高可靠性的InSAR监测数据获取。通过研究，本文取得了以下主要创新性成果：1)在研究InSAR相位解缠方法的基础上，针对InSAR数据中存在的解缠误差，提出了一种基于移动开窗多面函数法的InSAR解缠相位重构模型：多面函数法保证了解缠相位的连续性，移动开窗法则保持了相位的局部细节信息。并在构建模型时给出了顾及相干性约束和特征相位的InSAR解缠相位拟合节点确定方法；最后利用F统计对重构模型进行了显着性检验。2)针对InSAR数据中存在的轨道误差，在线性拟合估计方法的基础上，提出了一种基于小波分解的抗差最小二乘方法对轨道残余干涉条纹进行拟合剔除。小波分解可在频率域内将轨道误差与形变、大气等其它误差项分离，而具有抗差性的迭代加权最小二乘则使得多项式拟合模型的结果更可靠。分别采用模拟数据和西安地区的EnvisatASAR实际数据分析验证了算法的精度和可靠性。3)在研究短基线集（Small BAseline Subset，SBAS）时间序列算法和小波多尺度分解（Multiscale InSAR Time Series，MInTS）算法的基础上，针对InSAR时间序列处理技术中存在的相关问题即协方差计算问题，给出了一种融合MInTS和SBAS的综合InSAR时间序列处理算法—MInTS-SBAS算法，该算法既可有效的解决InSAR干涉数据量，以及顾及InSAR数据的相关性的协方差问题，还可对InSAR时间序列处理中的地形、大气等各种误差进行分离。通过西安地区的实际数据，研究表明，本文给出的MInTS-SBAS算法能有效的提高InSAR时序监测结果的精度，与GPS、水准等比较具有更好的一致性和可靠性。4)针对InSAR时间序列处理中存在的大量时域失相干噪声，给出了一种基于Kalman滤波的InSAR时间序列误差分析方法。研究表明，Kalman滤波算法不仅能对InSAR时序形变中的时域噪声进行有效消除，还可获取优化的线性形变速率值。5)针对InSAR数据中存在的大量冗余数据，以及强噪声和伪信号等，提出了一种顾及InSAR数据物理空间相关特性设立协方差函数的自适应四叉树分解InSAR数据压缩算法。该算法能够在形变变化明显处进行密集采样，在形变变化缓慢处进行稀疏采样，从而能够在较好的保留InSAR数据的形变细节信息的条件下，达到有效压缩InSAR数据量和消除噪声的目的。6)以地理信息系统GIS为工具，在对运城市地裂缝灾害形成机理分析的基础上，分别研究了基于层次决策分析法的地裂缝敏感性分析方法和基于BP神经网络模型的地裂缝活动强度预测方法，为运城区域的城市建设和发展提供了必要的地裂缝灾害预警。
二、最小二乘估计与KALMAN滤波的比较（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、最小二乘估计与KALMAN滤波的比较（论文提纲范文）
（1）多卫星导航系统实时精密单点定位数据处理模型与方法（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.4 研究内容 |
| 1.5 论文组织结构 |
| 2 实时非差周跳探测与修复模型 |
| 2.1 引言 |
| 2.2 基于Kalman滤波的预测电离层辅助双/三频周跳修复模型 |
| 2.3 Kalman滤波法相同采样间隔下双/三频周跳探测与修复 |
| 2.4 Kalman滤波法不同采样间隔下双频周跳探测与修复 |
| 2.5 小结和讨论 |
| 3 基于全球地面监测站网随机优化方法的GNSS卫星超快速轨道确定与实时钟差估计 |
| 3.1 引言 |
| 3.2 基于概率方法的最小GDOP求解 |
| 3.3 基于SDOP的离散/连续随机优化构型 |
| 3.4 基于SDOP的随机优化选站算法设计 |
| 3.5 基于随机优化算法的超快速轨道确定与实时钟差估计 |
| 3.6 小结和讨论 |
| 4 顾及相关性的卡尔曼滤波实时钟差短期预报 |
| 4.1 引言 |
| 4.2 卫星钟差预报的Kalman算法模型 |
| 4.3 顾及卫星间相关性的Kalman滤波实时钟差短期预报模型 |
| 4.4 基于方差分量估计的自适应卡尔曼滤波实时钟差短期预报模型 |
| 4.5 CNES多系统实时完整率与精度分析 |
| 4.6 CNES多系统实时钟差频率稳定性与周期特性分析 |
| 4.7 多系统实时/事后钟差短期预报分析 |
| 4.8 小结和讨论 |
| 5 基于方差分量估计的自适应卡尔曼滤波实时对流层延迟解算 |
| 5.1 引言 |
| 5.2 多系统实时PPP解算模型 |
| 5.3 基于最小二乘方差分量估计的自适应卡尔曼滤波ZTD解算模型 |
| 5.4 CUM多系统实时钟差解算分析 |
| 5.5 多系统实时ZTD解算与PPP定位精度整体分析 |
| 5.6 ZTD噪声水平分析 |
| 5.7 多系统实时ZTD解算与PPP定位精度部分测站分析 |
| 5.8 小结和讨论 |
| 6 区域大气误差实时建模 |
| 6.1 引言 |
| 6.2 区域实时对流层延迟建模原理 |
| 6.3 区域实时/事后对流层延迟FP/BP/SVM建模对比分析 |
| 6.4 全球/区域实时电离层延迟建模原理 |
| 6.5 全球实时电离层延迟建模时空分析 |
| 6.6 区域实时/事后电离层延迟TP/BP/SVM对比建模分析 |
| 6.7 小结和讨论 |
| 7 实时精密定位服务系统 |
| 7.1 实时精密定位服务系统结构 |
| 7.2 系统数据传输 |
| 7.3 实时服务系统服务实现 |
| 7.4 小结和讨论 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）自适应Kalman滤波方法及其在航空矢量重力测量中的应用（论文提纲范文）
| 论文创新点 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 自适应Kalman滤波方法研究现状 |
| 1.3 航空重力测量技术发展现状 |
| 1.4 本文的主要研究内容 |
| 2 Kalman滤波理论 |
| 2.1 滤波的基本概念 |
| 2.1.1 可观性和可控性 |
| 2.1.2 稳定性 |
| 2.2 离散Kalman滤波的基本原理 |
| 2.3 连续Kalman滤波的离散化 |
| 2.4 Kalman平滑 |
| 2.5 本章小结 |
| 3 Kalman滤波噪声协方差估计方法 |
| 3.1 白噪声估计方法 |
| 3.1.1 稳态Kalman滤波 |
| 3.1.2 线性定常Kalman系统 |
| 3.1.3 线性时变Kalman系统 |
| 3.2 相关噪声估计方法 |
| 3.2.1 线性定常Kalman系统 |
| 3.2.2 线性时变Kalman系统 |
| 3.2.3 数值仿真 |
| 3.3 有色噪声估计方法 |
| 3.3.1 线性定常Kalman系统 |
| 3.3.2 线性时变Kalman系统 |
| 3.3.3 数值仿真 |
| 3.4 多速率Kalman滤波噪声估计方法 |
| 3.4.1 多速率Kalman滤波 |
| 3.4.2 噪声协方差估计 |
| 3.4.3 仿真与实验 |
| 3.5 本章小结 |
| 4 噪声协方差估计数值解法 |
| 4.1 改进的自协方差最小二乘噪声协方差估计方法 |
| 4.2 非线性最小二乘噪声协方差估计方法 |
| 4.2.1 同伦算法 |
| 4.2.2 数值仿真 |
| 4.3 半正定自协方差最小二乘噪声协方差估计算法 |
| 4.4 正则的半正定自协方差最小二乘噪声协方差估计方法 |
| 4.4.1 方差分量估计方法 |
| 4.4.2 数值仿真 |
| 4.5 本章小结 |
| 5 自适应Kaiman滤波在航空矢量重力测量中的应用 |
| 5.1 航空矢量重力测量基本原理 |
| 5.1.1 坐标系统及其转换 |
| 5.1.2 数学模型 |
| 5.2 载体加速度的确定 |
| 5.2.1 动载体建模 |
| 5.2.2 自适应载体加速度估计方法 |
| 5.2.3 数值仿真 |
| 5.3 初始对准 |
| 5.3.1 SINS初始对准模型 |
| 5.3.2 自适应初始对准 |
| 5.3.3 数值仿真 |
| 5.4 航空矢量重力测量数据融合 |
| 5.4.1 基于惯性坐标系的初始粗对准 |
| 5.4.2 基于惯性坐标系的初始精对准 |
| 5.4.3 自适应GNSS/SINS数据融合 |
| 5.4.4 数值仿真 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文的主要工作 |
| 6.2 研究展望 |
| 附录 |
| 参考文献 |
| 作者简历 攻读博士学位期间的主要工作与成果 |
| 致谢 |
（3）规范状态空间系统辨识方法（论文提纲范文）
| 0 引言 |
| 1 基于状态估计的递推参数辨识算法 |
| 1.1 随机梯度辨识算法 |
| 1.2 多新息随机梯度辨识算法 |
| 1.3 递推最小二乘辨识算法 |
| 1.4 多新息最小二乘辨识算法 |
| 2 基于递推参数估计的状态估计算法 |
| 2.1 基于递推参数估计的状态观测器 |
| 2.2 基于状态观测器的递推最小二乘辨识算法 |
| 2.3 基于递推参数估计的Kalman滤波状态估计算法 |
| 2.4 基于Kalman滤波状态估计的MILS辨识算法 |
| 3 基于模型分解和状态估计的递推辨识算法 |
| 3.1 基于模型分解的随机梯度辨识算法 |
| 3.2 基于模型分解的多新息随机梯度辨识算法 |
| 3.3 基于模型分解的递推最小二乘辨识算法 |
| 3.4 基于模型分解的多新息最小二乘辨识算法 |
| 4 状态空间系统的迭代辨识算法 |
| 4.1 梯度迭代辨识算法 |
| 4.2 基于模型分解的梯度迭代辨识算法 |
| 4.3 最小二乘迭代辨识算法 |
| 4.4 基于模型分解的最小二乘迭代辨识算法 |
| 5 基于迭代参数估计的状态估计算法 |
| 5.1 基于迭代参数估计的状态观测器 |
| 5.2 基于状态观测器的最小二乘迭代辨识算法 |
| 5.3 基于迭代参数估计的Kalman滤波状态估计算法 |
| 5.4 基于Kalman滤波状态估计的D-LSI辨识算法 |
| 6 结语 |
（4）自适应Kalman滤波算法研究及其在精密单点定位中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 Kalman滤波研究现状 |
| 1.2.2 精密单点定位模型 |
| 1.2.3 精密单点定位参数估计方法 |
| 1.3 本文主要研究内容和结构安排 |
| 2 精密单点定位理论基础 |
| 2.1 基本观测方程 |
| 2.1.1 伪距观测值 |
| 2.1.2 载波相位观测值 |
| 2.1.3 观测方程及其线性化 |
| 2.2 PPP常见数学模型 |
| 2.2.1 无电离层组合(UD)模型 |
| 2.2.2 UofC模型 |
| 2.2.3 非差非组合(UC)模型 |
| 2.3 随机模型 |
| 2.3.1 高度角随机模型 |
| 2.3.2 信噪比随机模型 |
| 2.4 PPP误差分析及改正模型 |
| 2.4.1 卫星端的误差 |
| 2.4.2 信号传播过程的误差 |
| 2.4.3 接收机端的误差 |
| 2.5 本章小结 |
| 3 精密单点定位参数估计理论 |
| 3.1 PPP参数估计常用方法 |
| 3.1.1 递推最小二乘 |
| 3.1.2 Kalman滤波 |
| 3.2 精密单点定位Kalman滤波模型 |
| 3.2.1 无电离层组合(UD)模型 |
| 3.2.2 UofC模型 |
| 3.2.3 非差非组合(UC)模型 |
| 3.3 Kalman滤波与递推最小二乘定位分析 |
| 3.4 本章小结 |
| 4 PPP参数估计的Kalman滤波异常及处理对策研究 |
| 4.1 Kalman滤波异常因素及检验方法 |
| 4.2 PPP观测异常的抗差Kalman滤波 |
| 4.2.1 基于残差的抗差Kalman滤波 |
| 4.2.2 基于新息的抗差Kalman滤波 |
| 4.3 PPP动力学模型异常的自适应Kalman滤波 |
| 4.4 实验分析 |
| 4.4.1 抗差Kalman滤波 |
| 4.4.2 自适应Kalman滤波 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
（5）光纤陀螺捷联惯导系统初始对准技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光纤陀螺技术发展 |
| 1.2.2 捷联惯导系统发展 |
| 1.2.3 捷联惯导系统初始对准技术发展 |
| 1.3 论文主要工作与内容安排 |
| 第二章 捷联惯导系统粗对准技术 |
| 2.1 引言 |
| 2.2 坐标系定义 |
| 2.3 解析粗对准 |
| 2.3.1 解析粗对准原理 |
| 2.3.2 解析法粗对准误差分析 |
| 2.4 惯性系粗对准 |
| 2.4.1 惯性系粗对准原理 |
| 2.4.2 惯性系粗对准误差分析 |
| 2.5 凝固法粗对准 |
| 2.5.1 凝固法粗对准原理 |
| 2.5.2 凝固法粗对准误差分析 |
| 2.6 四元数法粗对准 |
| 2.6.1 四元数姿态确定原理 |
| 2.6.2 四元数法粗对准误差分析 |
| 2.7 S-S粗对准仿真实验 |
| 2.7.1 仿真实验条件 |
| 2.7.2 静基座粗对准仿真实验 |
| 2.7.3 摇摆基座粗对准仿真实验 |
| 2.8 本章小结 |
| 第三章 捷联惯导系统精对准技术 |
| 3.1 引言 |
| 3.2 SINS线性误差模型 |
| 3.2.1 速度误差方程 |
| 3.2.2 姿态误差方程 |
| 3.2.3 位置误差方程 |
| 3.2.4 捷联惯性仪表误差方程 |
| 3.3 罗经法精对准 |
| 3.3.1 水平精对准 |
| 3.3.2 方位精对准 |
| 3.3.3 罗经法精对准参数选择 |
| 3.4 参数辨识精对准 |
| 3.4.1 最小二乘估计原理 |
| 3.4.2 姿态误差的最小二乘辨识 |
| 3.4.3 姿态误差的快速最小二乘辨识 |
| 3.4.4 最优双位置参数辨识精对准 |
| 3.5 卡尔曼精对准 |
| 3.5.1 Kalman滤波理论 |
| 3.5.2 Kalman精对准模型 |
| 3.5.3 Kalman精对准可观测性分析 |
| 3.6 SINS精对准仿真实验 |
| 3.6.1 仿真实验条件 |
| 3.6.2 静基座精对准仿真实验 |
| 3.6.3 摇摆基座精对准仿真实验 |
| 3.7 本章小结 |
| 第四章 捷联惯导系统非线性滤波技术 |
| 4.1 引言 |
| 4.2 SINS非线性误差模型 |
| 4.2.1 欧拉平台误差角 |
| 4.2.2 姿态误差方程 |
| 4.2.3 速度误差方程 |
| 4.2.4 位置误差方程 |
| 4.2.5 非线性滤波对准模型 |
| 4.3 高斯域下贝叶斯滤波理论 |
| 4.4 次优非线性滤波算法 |
| 4.4.1 扩展卡尔曼滤波 |
| 4.4.2 无迹卡尔曼滤波 |
| 4.4.3 容积卡尔曼滤波 |
| 4.5 SINS非线性对准仿真实验 |
| 4.5.1 仿真实验条件 |
| 4.5.2 静基座精对准仿真实验 |
| 4.5.3 摇摆基座精对准仿真实验 |
| 4.6 本章小结 |
| 第五章 转台和车载实验 |
| 5.1 引言 |
| 5.2 Windows导航平台简介 |
| 5.3 转台实验 |
| 5.3.1 转台实验环境介绍 |
| 5.3.2 粗对准转台实验 |
| 5.3.3 精对准转台实验 |
| 5.3.4 非线性对准转台实验 |
| 5.4 车载实验 |
| 5.4.1 车载实验环境介绍 |
| 5.4.2 粗对准车载实验 |
| 5.4.3 精对准车载实验 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的成果 |
（6）高精度GPS动态测量及质量控制（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 目录 |
| 第一章 绪论 |
| §1.1 引言 |
| §1.2 GPS动态测量的模糊度解算 |
| §1.3 双差残余误差的处理方法 |
| §1.3.1 卫星位置误差 |
| §1.3.2 大气延迟误差 |
| §1.4 GPS动态测量 |
| §1.5 GPS动态测量的质量控制 |
| §1.6 论文的主要研究内容 |
| 第二章 GPS观测量及误差源 |
| §2.1 GPS概述 |
| §2.2 观测值 |
| §2.2.1 原始观测值的观测方程 |
| §2.2.2 双差观测值 |
| §2.2.3 观测值线性组合 |
| §2.3 双差观测值的误差源 |
| §2.3.1 卫星位置误差 |
| §2.3.2 电离层延迟误差 |
| §2.3.2.1 引言 |
| §2.3.2.2 基本原理 |
| §2.3.2.3 电离层确定性模型 |
| §2.3.2.4 电离层随机性模型 |
| §2.3.2.5 双差电离层延迟计算分析 |
| §2.3.3 对流层延迟误差 |
| §2.3.3.1 引言 |
| §2.3.3.2 基本原理 |
| §2.3.3.3 对流层天顶延迟模型 |
| §2.3.3.4 对流层映射函数模型 |
| §2.3.3.5 气象元素 |
| §2.3.3.6 对流层延迟的参数估计 |
| §2.3.4 多路径效应 |
| §2.3.5 观测噪声 |
| §2.4 双差观测值的统计模型 |
| §2.4.1 引言 |
| §2.4.2 伪距方差实时自适应估计 |
| §2.4.3 双差观测量的方差-协方差矩阵 |
| §2.4.4 算例分析 |
| §2.4.5 小结 |
| 第三章 模糊度整数估计 |
| §3.1 引言 |
| §3.2 模糊度整数估计 |
| §3.2.1 模糊度实数估计 |
| §3.2.1.1 加权最小二乘法解算模糊度 |
| §3.2.1.2 Kalman滤波解算模糊度 |
| §3.2.1.3 加权最小二乘法与Kalman滤波的比较分析 |
| §3.2.2 模糊度搜索 |
| §3.2.2.1 搜索空间 |
| §3.2.2.2 模糊度降相关处理 |
| §3.2.2.3 模糊度搜索 |
| §3.2.2.4 模糊度确认 |
| §3.3 算例分析 |
| §3.3.1 模糊度精度衰减因子（ADOP）分析 |
| §3.3.2 航空GPS动态测量试验 |
| §3.3.3 加权最小二乘法解算模糊度 |
| §3.3.3.1 对流层延迟对模糊度的影响 |
| §3.3.3.2 电离层加权模型对模糊度的影响 |
| §3.3.4 Kalman滤波解算模糊度 |
| §3.4 小结 |
| 第四章 周跳探测与修复 |
| §4.1 引言 |
| §4.2 电离层残差法 |
| §4.3 伪距载波相位组合法 |
| §4.4 多普勒法 |
| §4.5 最小二乘搜索法 |
| §4.6 算例分析 |
| §4.7 小结 |
| 第五章 GPS动态定位 |
| §5.1 GPS动态定位方法 |
| §5.2 自适应Kalman滤波 |
| §5.2.1 引言 |
| §5.2.2 抗差自适应Kalman滤波 |
| §5.2.3 特例 |
| §5.2.4 抗差自适应Kalman滤波的改进 |
| §5.3 算例分析 |
| §5.3.1 最小二乘估值分析 |
| §5.3.2 Kalman滤波估值分析 |
| §5.3.3 抗差自适应Kalman滤波估值分析 |
| §5.4 小节 |
| 第六章 GPS速度测量 |
| §6.1 GPS速度测量方法 |
| §6.1.1 位置差分求解速度 |
| §6.1.2 原始多普勒频移观测值求解速度 |
| §6.1.3 载波相位中心差分求解速度 |
| §6.1.4 三种测速方法的分析比较 |
| §6.2 误差分析 |
| §6.2.1 卫星轨道误差 |
| §6.2.2 卫星速度误差 |
| §6.2.3 电离层延迟变化率误差 |
| §6.2.4 接收机坐标误差 |
| §6.3 算例分析 |
| §6.3.1 误差影响分析 |
| §6.3.2 三种测速方法的结果比较 |
| §6.4 小结 |
| 第七章 GPS姿态测量 |
| §7.1 旋转矩阵 |
| §7.2 当地水平坐标系 |
| §7.3 载体坐标系 |
| §7.4 姿态参数的计算 |
| §7.4.1 直接计算姿态参数 |
| §7.4.2 九参数最小二乘法计算姿态参数 |
| §7.4.3 三参数最小二乘法计算姿态参数 |
| §7.4.4 与动态测量的比较 |
| §7.5 算例分析 |
| §7.5.1 模糊度解算结果 |
| §7.5.2 静态测量结果 |
| §7.5.3 动态测量结果 |
| §7.6 小节 |
| 第八章 结论 |
| 参考文献 |
| 致谢 |
| 附录： 攻读博士学位期间的研究工作 |
（7）多旋翼无人机的姿态与导航信息融合算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景及意义 |
| 1.1.2 课题研究对象与实验平台 |
| 1.2 INS/GPS组合导航系统的发展现状 |
| 1.2.1 组合导航系统概述 |
| 1.2.2 GPS导航系统发展现状 |
| 1.2.3 惯性导航系统发展现状 |
| 1.2.4 INS/GPS组合结构及发展趋势 |
| 1.3 信息融合技术在无人机组合导航中的应用研究 |
| 1.3.1 信息融合技术概述 |
| 1.3.2 多传感器信息融合技术研究概况及发展 |
| 1.3.3 多传感器信息融合算法概况与发展 |
| 1.4 论文研究目的及研究内容 |
| 1.4.1 论文研究目的 |
| 1.4.2 论文研究内容 |
| 第2章 组合导航系统传感器测量特性分析 |
| 2.1 前言 |
| 2.2 坐标系的定义与选择 |
| 2.2.1 参考坐标系 |
| 2.2.2 WGS-84 坐标系统与参考椭球体 |
| 2.3 应用于无人机导航系统的传感器测量特性分析 |
| 2.3.1 陀螺仪测量特性分析 |
| 2.3.2 加速度计测量特性分析 |
| 2.3.3 磁力计测量特性分析 |
| 2.3.4 气压高度计测量特性分析 |
| 2.3.5 GPS测量特性分析 |
| 2.3.6 传感器测量特性小结 |
| 2.4 多旋翼无人机导航信息融合结构方案设计 |
| 2.4.1 多传感器信息融合系统的结构模型 |
| 2.4.2 多旋翼无人机导航信息融合结构设计 |
| 2.5 应用于无人机组合导航的信息融合算法 |
| 2.5.1 基于Kalman滤波的信息融合 |
| 2.5.2 扩展Kalman滤波(Extended Kalman Filter, EKF) |
| 2.5.3 加权最小二乘估计算法 |
| 2.5.4 序贯处理与分散式滤波 |
| 2.6 本章小结 |
| 第3章 基于各传感器的导航信息解算方法 |
| 3.1 前言 |
| 3.2 基于陀螺仪的姿态更新算法 |
| 3.2.1 欧拉角法解算姿态角 |
| 3.2.2 四元数法解算姿态角 |
| 3.2.3 基于陀螺仪的姿态解算算法对比实验与分析 |
| 3.3 基于加速度计与磁力计的姿态解算 |
| 3.3.1 基于加速度计与磁力计的姿态解算方法 |
| 3.3.2 实验结果与分析 |
| 3.4 基于加速度计的位置、速度解算 |
| 3.4.1 无人机捷联系统的机械编排 |
| 3.4.2 基于加速度计的位置、速度解算 |
| 3.4.3 实验结果与分析 |
| 3.5 基于GPS的位置解算 |
| 3.6 本章小结 |
| 第4章 多旋翼无人机姿态角信息融合算法 |
| 4.1 前言 |
| 4.2 姿态角信息融合结构的设计 |
| 4.3 非线性姿态角信息融合系统建模 |
| 4.3.1 非线性离散时间状态方程 |
| 4.3.2 非线性离散时间量测方程 |
| 4.4 姿态角信息融合算法的设计 |
| 4.4.1 Sage-Husa自适应Kalman滤波(SHAKF)算法分析 |
| 4.4.2 抑制滤波发散算法——强跟踪Kalman滤波 |
| 4.4.3 改进的Sage-Husa自适应扩展Kalman滤波(SHAEKF)算法设计 |
| 4.5 姿态角信息融合算法飞行实验与分析 |
| 4.5.1 惯性导航系统的初始对准 |
| 4.5.2 实验条件及算法有效性评估方法 |
| 4.5.3 实验结果与分析 |
| 4.5.4 实验结论 |
| 4.6 本章小结 |
| 第5章 多旋翼无人机位置、速度信息融合算法 |
| 5.1 前言 |
| 5.2 水平方向位置、速度信息融合算法 |
| 5.2.1 水平方向位置、速度信息融合结构设计 |
| 5.2.2 水平方向位置、速度信息融合系统建模 |
| 5.2.3 水平方向位置、速度信息融合算法的设计 |
| 5.3 垂直高度、速度信息融合算法 |
| 5.3.1 垂直高度、速度信息融合结构设计 |
| 5.3.2 垂直高度、速度信息融合系统建模 |
| 5.3.3 垂直高度、速度信息融合算法的设计 |
| 5.4 位置、速度信息融合算法飞行实验与分析 |
| 5.4.1 水平位置、速度信息融合算法飞行实验与分析 |
| 5.4.2 垂直高度、速度信息融合算法飞行实验与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 在学期间学术成果情况 |
| 指导教师及作者简介 |
| 致谢 |
（8）GNSS/INS组合导航误差补偿与自适应滤波理论的拓展（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 GNSS和INS的发展现状 |
| 1.1.1 GNSS的发展现状 |
| 1.1.1.1 GPS的发展现状 |
| 1.1.1.2 GLONASS的发展现状 |
| 1.1.1.3 GALILEO的发展现状 |
| 1.1.1.4 COMPASS的发展现状 |
| 1.1.2 INS的发展现状 |
| 1.2 GNSS/INS组合导航的发展现状 |
| 1.2.1 GNSS/INS组合方式 |
| 1.2.2 Kalman滤波与自适应滤波 |
| 1.2.3 融合导航算法 |
| 1.2.4 非线性滤波算法 |
| 1.2.5 INS误差处理的发展现状 |
| 1.3 本文主要工作及内容安排 |
| 第二章 GNSS/INS组合导航基本原理 |
| 2.1 引言 |
| 2.2 INS导航系统数据处理 |
| 2.2.1 坐标系统 |
| 2.2.2 INS力学编排 |
| 2.2.3 INS误差方程 |
| 2.3 GNSS导航系统数据处理 |
| 2.3.1 GNSS动态定位方法 |
| 2.3.1.1 伪距单点定位 |
| 2.3.1.2 双差载波相位定位 |
| 2.3.2 GNSS误差影响 |
| 2.3.2.1 电离层延迟 |
| 2.3.2.2 对流层延迟 |
| 2.3.2.3 卫星钟差 |
| 2.3.2.4 相对论效应 |
| 2.4 GNSS/INS组合导航数据处理 |
| 2.4.1 松组合 |
| 2.4.1.1 GNSS/INS松组合系统状态方程 |
| 2.4.1.2 GNSS/INS松组合系统观测方程 |
| 2.4.2 紧组合 |
| 2.4.2.1 GNSS/INS紧组合系统状态方程 |
| 2.4.2.2 GNSS/INS紧组合系统观测方程 |
| 2.4.3 深组合 |
| 2.4.4 GNSS/INS组合校正方式 |
| 2.4.5 算例比较与分析 |
| 2.4.5.1 GPS/INS松组合导航 |
| 2.4.5.2 GPS/INS紧组合导航 |
| 2.5 本章小结 |
| 第三章 INS惯性元件随机误差分析与处理 |
| 3.1 引言 |
| 3.2 INS惯性元件随机误差分析和处理方法介绍 |
| 3.2.1 傅立叶变换 |
| 3.2.2 功率谱密度法 |
| 3.2.3 Allan方差法 |
| 3.2.4 小波变换 |
| 3.2.4.1 二进小波 |
| 3.2.4.2 小波多分辨分析 |
| 3.2.5 ARMA模型 |
| 3.2.5.1 模型的识别 |
| 3.2.5.2 模型的定阶 |
| 3.2.5.3 模型参数估计 |
| 3.2.6 ARIMA模型 |
| 3.3 INS惯性元件随机误差类型 |
| 3.3.1 角度随机游走 |
| 3.3.2 速率随机游走 |
| 3.3.3 高斯马尔可夫过程 |
| 3.3.4 零偏不稳定性 |
| 3.3.5 量化噪声 |
| 3.3.6 周期噪声 |
| 3.4 INS惯性元件随机误差分析 |
| 3.5 INS惯性元件随机误差处理 |
| 3.5.1 基于小波多分辨分析的INS惯性元件随机误差处理 |
| 3.5.1.1 小波多分辨分析尺度的确定 |
| 3.5.1.2 利用小波多分辨分析对高频噪声处理 |
| 3.5.2 基于ARMA模型的INS惯性元件随机误差模型 |
| 3.5.2.1 陀螺信号自相关和偏相关分析 |
| 3.5.2.2 陀螺信号ARMA模型定阶 |
| 3.5.2.3 陀螺信号ARMA模型参数估计 |
| 3.6 本章小结 |
| 第四章 GNSS/INS组合导航姿态角对准 |
| 4.1 引言 |
| 4.2 SINS静基座初始对准 |
| 4.2.1 粗对准 |
| 4.2.1.1 平均法低通滤波 |
| 4.2.1.2 九参数最小二乘姿态估计 |
| 4.2.1.3 三参数最小二乘姿态估计 |
| 4.2.1.4 算例比较与分析 |
| 4.2.2 精对准 |
| 4.2.2.1 Kalman滤波精对准 |
| 4.2.2.2 顾及有色噪声的五参数最小二乘姿态估计 |
| 4.2.2.3 算例比较与分析 |
| 4.2.3 基于累积误差极小值的精对准 |
| 4.2.3.1 SINS误差分析 |
| 4.2.3.2 基于累积误差极小值的精对准 |
| 4.2.3.3 算例比较与分析 |
| 4.2.4 小结 |
| 4.3 SINS动基座姿态角对准 |
| 4.3.1 GNSS/INS组合导航姿态角误差修正分析 |
| 4.3.2 多天线GNSS姿态角测量 |
| 4.3.3 姿态角更新观测方程 |
| 4.3.3.1 基于姿态角组合 |
| 4.3.3.2 基于基线组合 |
| 4.3.4 顾及姿态角更新的低成本车载GNSS/INS组合导航算法 |
| 4.3.4.1 基于GNSS测速的航向角 |
| 4.3.4.2 车载系统的俯仰角和翻滚角分析 |
| 4.3.5 计算与分析 |
| 4.3.5.1 GPS测速确定航向角的精度 |
| 4.3.5.2 顾及姿态角更新的车载GPS/INS组合导航 |
| 4.4 本章小结 |
| 第五章 GNSS/INS组合导航模型误差补偿 |
| 5.1 引言 |
| 5.2 随机模型误差补偿 |
| 5.2.1 GNSS/INS组合导航系统状态噪声影响分析 |
| 5.2.1.1 状态噪声对Klaman滤波估值的影响 |
| 5.2.1.2 状态噪声对状态向量协方差矩阵的影响 |
| 5.2.2 基于Sage-Husa滤波的组合导航自适应滤波 |
| 5.2.2.1 Sage-Husa滤波 |
| 5.2.2.2 计算与分析 |
| 5.2.3 状态噪声谱密度估计 |
| 5.2.3.1 基于直接估计法的状态噪声谱密度估计 |
| 5.2.3.2 基于小波变换的状态噪声谱密度估计 |
| 5.2.3.3 基于Allan方差的状态噪声谱密度估计 |
| 5.2.3.4 计算与分析 |
| 5.2.4 结论 |
| 5.3 动力学模型误差补偿 |
| 5.3.1 基于AR模型的动力学模型补偿 |
| 5.3.2 基于ARMA模型的动力学模型补偿 |
| 5.3.3 计算与分析 |
| 5.3.4 结论 |
| 5.4 观测模型误差补偿 |
| 5.4.1 INS惯性元件误差修正分析 |
| 5.4.1.1 INS惯性元件误差修正 |
| 5.4.1.2 计算与分析 |
| 5.4.2 基于非差精密单点定位的GNSS/INS组合导航 |
| 5.4.4.1 非差精密单点定位 |
| 5.4.4.2 计算与分析 |
| 5.4.3 基于载波相位平滑伪距技术的GNSS/INS紧组合导航 |
| 5.4.3.1 载波相位平滑伪距技术 |
| 5.4.3.2 算例与分析 |
| 5.4.4 低成本GNSS/INS速度更新算法 |
| 5.4.4.1 多普勒测速 |
| 5.4.4.2 历元间相位差分测速 |
| 5.4.4.3 历元间伪距差分测速 |
| 5.4.4.4 计算与分析 |
| 5.5 本章小结 |
| 第六章 GNSS/INS组合导航自适应滤波 |
| 6.1 引言 |
| 6.2 自适应滤波 |
| 6.2.1 单因子自适应滤波 |
| 6.2.2 多因子自适应滤波 |
| 6.2.2.1 自适应选权滤波 |
| 6.2.2.2 多因子自适应滤波原理 |
| 6.2.2.3 分类因子自适应滤波 |
| 6.2.3 自适应因子的构造 |
| 6.2.3.1 基于状态不符值构造的自适应因子 |
| 6.2.3.2 基于预报残差构造的自适应因子 |
| 6.2.4 自适应因子模型 |
| 6.2.5 观测精度对自适应滤波效果的影响 |
| 6.3 自适应滤波在GNSS/1NS松组合中的应用 |
| 6.3.1 基于预测残差构造的单因子自适应因子 |
| 6.3.2 基于预测残差和选权滤波构造的分类因子自适应滤波 |
| 6.3.3 计算与分析 |
| 6.3.4 结论 |
| 6.4 自适应滤波在GNSS/INS紧组合中的应用 |
| 6.4.1 基于预测残差构造的单因子自适应滤波 |
| 6.4.2 基于预测残差和选权滤波构造的分类因子自适应滤波 |
| 6.4.3 基于部分状态不符值构造的分类因子自适应滤波 |
| 6.4.4 计算和分析 |
| 6.4.4.1 算例一 |
| 6.4.4.2 算例二 |
| 6.4.5 结论 |
| 6.5 两步自适应抗差Kalman滤波算法在紧组合导航中的应用 |
| 6.5.1 基于Doppler观测值的一步自适应Kalman滤波 |
| 6.5.2 基于伪距观测值的二步抗差Kalman滤波 |
| 6.5.3 计算与分析 |
| 6.6 GNSS/INS紧组合导航自适应滤波的扩展 |
| 6.6.1 扩展自适应滤波算法 |
| 6.6.2 算例分析 |
| 6.6.3 结论 |
| 6.7 本章小结 |
| 第七章 INS导航累积误差修正算法研究 |
| 7.1 引言 |
| 7.2 附加速度先验信息的车载INS/Odometer组合导航算法 |
| 7.2.1 速度先验信息 |
| 7.2.2 附加速度先验信息的车载INS/Odometer组合模式 |
| 7.2.3 改进的位置修正方法 |
| 7.2.4 计算与分析 |
| 7.3 基于小波消噪的INS导航 |
| 7.3.1 不同的运动环境下小波消噪效果分析 |
| 7.3.2 计算与分析 |
| 7.4 INS误差模型修正 |
| 7.4.1 INS误差模型建立 |
| 7.4.2 计算与分析 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 未来工作设想 |
| 参考文献 |
| 作者简历 攻读博士学位期间完成的主要工作 |
| 致谢 |
（9）GNSS/SINS/视觉多传感器融合的精密定位定姿方法与关键技术（论文提纲范文）
| 博士生自认为的创新点 |
| 摘要 |
| ABSTRACT |
| 缩写索引 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 GNSS/SINS组合导航方面 |
| 1.2.2 视觉定位方面 |
| 1.2.3 GNSS/SINS/视觉多源融合方面 |
| 1.3 本文的研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本章小结 |
| 第2章 GNSS/SINS组合定位定姿的基本理论与方法 |
| 2.1 惯性器件的系统误差和随机误差分析 |
| 2.1.1 系统误差分析 |
| 2.1.2 随机误差分析 |
| 2.2 惯导初始对准 |
| 2.3 前向/后向机械编排算法 |
| 2.4 GNSS/SINS组合的基础模型 |
| 2.4.1 GNSS/SINS组合的状态方程 |
| 2.4.2 GNSS/SINS组合的观测方程 |
| 2.5 多源信息约束的观测模型 |
| 2.5.1 三维辅助速度观测更新 |
| 2.5.2 位移约束观测更新 |
| 2.5.3 零速/零角速观测更新 |
| 2.5.4 高程约束观测更新 |
| 2.5.5 多源信息融合策略 |
| 2.6 双天线GNSS/SINS组合测姿 |
| 2.6.1 状态模型和观测模型 |
| 2.6.2 车载实验分析 |
| 2.7 本章小结 |
| 第3章 复杂环境下GNSS/SINS精密定位定姿的关键技术 |
| 3.1 多系统GNSS/SINS组合及其性能分析 |
| 3.1.1 GNSS卫星全球可用性分析 |
| 3.1.2 多系统GNSS/SINS组合导航性能分析 |
| 3.2 GNSS/SINS半紧组合方式 |
| 3.2.1 紧组合方式的进一步讨论 |
| 3.2.2 半紧组合的结构设计与讨论 |
| 3.2.3 半紧组合的效果与优势验证 |
| 3.3 惯性辅助GNSS周跳修复 |
| 3.3.1 周跳修复的模型与方法 |
| 3.3.2 周跳修复的影响因素与实验结果 |
| 3.4 位置域约束的惯性辅助模糊度快速固定 |
| 3.4.1 IAR-PPP/SINS紧组合模型与模糊度固定策略 |
| 3.4.2 惯性辅助PPP模糊度固定的理论分析 |
| 3.4.3 惯性辅助PPP模糊度固定的性能分析 |
| 3.4.4 城市环境下的测试与验证 |
| 3.5 大气域电离层建模约束的模糊度快速固定 |
| 3.5.1 短到长基线的场景分析 |
| 3.5.2 双差电离层建模与S2L-RTK定位模型 |
| 3.5.3 数据测试与验证 |
| 3.6 模糊度域整合的后处理方法 |
| 3.6.1 ADBI方法设计与实现 |
| 3.6.2 数据测试与验证 |
| 3.7 快速高精度的最优平滑算法 |
| 3.7.1 算法设计 |
| 3.7.2 实验验证 |
| 3.8 本章小结 |
| 第4章 视觉点云地图与车道线地图生成技术 |
| 4.1 前方交会与单应性矩阵及其误差分析 |
| 4.1.1 前方交会及其误差分析 |
| 4.1.2 单应性变换及其误差分析 |
| 4.2 视觉点云地图生成技术 |
| 4.2.1 基本理论与方法 |
| 4.2.2 视觉点云地图生成流程 |
| 4.2.3 KITTI数据集测试 |
| 4.3 视觉点云地图数据清洗 |
| 4.4 基于Kalman滤波的车道线提取方法 |
| 4.4.1 车道线提取的方法与流程 |
| 4.4.2 实际道路影像数据验证分析 |
| 4.5 车道线地图生成技术 |
| 4.5.1 利用单目视觉生成车道线 |
| 4.5.2 实验测试与精度评估 |
| 4.6 本章小结 |
| 第5章 地图辅助的视觉定位及多传感器融合技术 |
| 5.1 后方交会及其误差分析 |
| 5.2 视觉点云地图辅助定位 |
| 5.2.1 视觉点云地图辅助的视觉定位框架 |
| 5.2.2 KITTI数据集测试的定位精度分析 |
| 5.2.3 KITTI数据集测试的定位成功率与实时性分析 |
| 5.3 视觉点云地图辅助下的视觉/惯性融合定位 |
| 5.3.1 IBL视觉定位与惯性传感器的组合模型 |
| 5.3.2 数据测试与验证 |
| 5.4 车道线辅助定位 |
| 5.4.1 车道线辅助定位的数学模型 |
| 5.4.2 车道线辅助定位性能分析 |
| 5.5 车道线辅助下的视觉/SINS/里程计/GNSS融合定位 |
| 5.5.1 融合定位的数学模型 |
| 5.5.2 融合定位的测试分析与比较 |
| 5.6 本章小结 |
| 第6章 多传感器集成的精密定位定姿系统开发与测试 |
| 6.1 多传感器集成的硬件平台搭建 |
| 6.2 相机与惯导的空间关系标定 |
| 6.3 高精度GNSS/SINS数据融合处理软件开发 |
| 6.4 高精度GNSS/SINS定位定姿的性能测试与分析 |
| 6.5 复杂环境下的多源融合实时定位测试与分析 |
| 6.5.1 GNSS卫星全部失锁下的视觉/惯性融合定位测试 |
| 6.5.2 复杂环境下的车道线约束/里程计/GNSS/SINS融合定位与测试 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻博期间发表论文、参与项目情况 |
| 致谢 |
（10）InSAR时序监测及应用中的质量控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 InSAR 技术研究现状 |
| 1.2.2 InSAR 数据质量控制研究现状 |
| 1.2.3 InSAR 结果后处理研究现状 |
| 1.3 论文研究内容及结构 |
| 第二章 干涉 SAR 测量基本理论与方法 |
| 2.1 引言 |
| 2.2 差分 InSAR 测量形变监测原理 |
| 2.3 差分 InSAR 数据处理主要步骤 |
| 2.4 时序 InSAR 技术原理 |
| 2.4.1 PS-InSAR 技术 |
| 2.4.2 SBAS-InSAR 技术 |
| 2.4.3 MInTS 技术 |
| 2.5 InSAR 数据处理的误差特性 |
| 2.5.1 SAR 信号的统计特征 |
| 2.5.2 InSAR 主要失相干源 |
| 2.5.3 InSAR 干涉相位的统计特性 |
| 2.6 InSAR 数据处理误差的减弱措施 |
| 2.6.1 失相干误差 |
| 2.6.2 基线误差 |
| 2.6.3 DEM 误差 |
| 2.6.4 大气误差 |
| 2.6.5 解缠误差 |
| 2.6.6 地理编码误差 |
| 2.7 本章小结 |
| 第三章 基于移动开窗的多面函数 InSAR 解缠相位重构 |
| 3.1 引言 |
| 3.2 InSAR 相位解缠 |
| 3.2.1 Goldstein 枝切法 |
| 3.2.2 质量图指导法 |
| 3.2.3 最小二乘相位解缠方法 |
| 3.3 解缠方法质量评价 |
| 3.3.1 评价指标 |
| 3.3.2 算例分析 |
| 3.4 基于移动开窗的多面函数 InSAR 解缠相位重构模型 |
| 3.4.1 不同特征点提取算法分析 |
| 3.4.2 基于特征点和相干性的拟合节点选取 |
| 3.4.3 多面函数模型建立 |
| 3.5 重构模型显着性检验 |
| 3.6 算例与分析 |
| 3.6.1 模拟数据 |
| 3.6.2 实际数据 |
| 3.6.3 重构相位的质量评价 |
| 3.7 本章小结 |
| 第四章 基于小波的抗差最小二乘 InSAR 轨道误差估计 |
| 4.1 引言 |
| 4.2 轨道误差对干涉形变的影响 |
| 4.3 基于线性拟合估计的轨道误差去除 |
| 4.4 基于小波的抗差最小二乘轨道误差去除 |
| 4.4.1 2维小波分析 |
| 4.4.2 抗差最小二乘估计 |
| 4.5 实例分析 |
| 4.5.1 模拟数据试验 |
| 4.5.2 实际数据试验 |
| 4.6 本章小结 |
| 第五章 融合小波多尺度分解与 SBAS 方法的 InSAR 时间序列算法 |
| 5.1 引言 |
| 5.2 数据预处理 |
| 5.2.1 InSAR 数据中的无效值填充 |
| 5.3 基于小波多尺度分解的 InSAR 时间序列处理算法 |
| 5.3.1 时间相关形变的参数化建模 |
| 5.3.2 InSAR 数据空间域的小波分解 |
| 5.3.3 干涉小波系数的最小二乘反演 |
| 5.4 改进的 SBAS-InSAR 时间序列处理算法 |
| 5.4.1 SBAS-InSAR 方法 |
| 5.4.2 改进的 SBAS-InSAR 算法 |
| 5.5 融合小波多尺度分解和 SBAS 的综合 InSAR 时间序列算法 |
| 5.6 应用分析—以西安地区 Envisat 数据为例 |
| 5.6.1 数据情况 |
| 5.6.2 时间序列形变比较 |
| 5.6.3 与 GPS、水准的比较分析 |
| 5.7 本章小结 |
| 第六章 基于 Kalman 滤波的 InSAR 时间序列形变误差分析 |
| 6.1 引言 |
| 6.2 Kalman 滤波模型原理 |
| 6.3 InSAR 时间序列 Kalman 滤波模型建立 |
| 6.3.1 趋势分离 |
| 6.3.2 状态方程模型 |
| 6.3.3 观测方程模型 |
| 6.3.4 InSAR 数据噪声方差函数估计 |
| 6.4 实验与分析 |
| 6.4.1 西安时间序列数据处理 |
| 6.4.2 滤波结果的质量评价与分析 |
| 6.5 本章小结 |
| 第七章 顾及协方差函数的 InSAR 数据噪声分析及数据压缩 |
| 7.1 引言 |
| 7.2 噪声各项同性分析 |
| 7.3 噪声协方差估计 |
| 7.3.1 协方差函数估计方法 |
| 7.3.2 InSAR 相位噪声协方差函数估计 |
| 7.4 顾及协方差函数的自适应四叉树 InSAR 数据压缩 |
| 7.4.1 四叉树分解原理 |
| 7.4.2 算法的实现 |
| 7.4.3 算例与分析 |
| 7.5 本章小结 |
| 第八章 基于 GIS 的运城市地面沉降地裂缝活动性预测 |
| 8.1 引言 |
| 8.2 GIS 在地裂缝灾害研究中的应用 |
| 8.3 运城盆地地裂缝灾害分析 |
| 8.3.1 研究区域概况 |
| 8.3.2 地裂缝的成因及影响因素分析与量化 |
| 8.4 基于层次分析法的地裂缝敏感性研究 |
| 8.4.1 层次分析法 |
| 8.4.2 实验分析 |
| 8.5 基于 BP 神经网络的地裂缝活动强度预测 |
| 8.5.1 BP 模型 |
| 8.5.2 模型建立与结果分析 |
| 8.6 本章小结 |
| 第九章 结论与展望 |
| 9.1 本文结论 |
| 9.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、最小二乘估计与KALMAN滤波的比较（论文参考文献）
- [1]多卫星导航系统实时精密单点定位数据处理模型与方法[D]. 杨旭. 中国矿业大学, 2019(04)
- [2]自适应Kalman滤波方法及其在航空矢量重力测量中的应用[D]. 林旭. 武汉大学, 2014(04)
- [3]规范状态空间系统辨识方法[J]. 丁锋,马兴云. 南京信息工程大学学报(自然科学版), 2014(06)
- [4]自适应Kalman滤波算法研究及其在精密单点定位中的应用[D]. 田先才. 安徽理工大学, 2019(01)
- [5]光纤陀螺捷联惯导系统初始对准技术研究[D]. 邹海军. 东南大学, 2015(08)
- [6]高精度GPS动态测量及质量控制[D]. 何海波. 中国人民解放军信息工程大学, 2002(01)
- [7]多旋翼无人机的姿态与导航信息融合算法研究[D]. 张欣. 中国科学院研究生院(长春光学精密机械与物理研究所), 2015(09)
- [8]GNSS/INS组合导航误差补偿与自适应滤波理论的拓展[D]. 吴富梅. 解放军信息工程大学, 2010(08)
- [9]GNSS/SINS/视觉多传感器融合的精密定位定姿方法与关键技术[D]. 朱锋. 武汉大学, 2019(08)
- [10]InSAR时序监测及应用中的质量控制研究[D]. 张静. 长安大学, 2014(02)