观测数据不完全的动态定位算法研究-大地测量学与测量工程专业论文.docxVIP

原创性声明本人声明，所呈交的学位论文是本人在导师指导下进行的研究 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名： 逊 日期： 竺△ 年上月卫日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》， 并通过网络向社会公众提供信息服务。 摘要在GPS动态定位中，常常会因为各种原因导致观测数据丢失，这些丢失的 摘要 在GPS动态定位中，常常会因为各种原因导致观测数据丢失，这些丢失的 数据称为缺失数据。由于卡尔曼滤波理论在求解的过程中不需要存储大量的观测 数据，它是利用新的观测数据直接计算参数滤波值，从而达到实时地处理观测数 据的目的，因此卡尔曼滤波理论成为处理动态定位数据最主要的方法之一。动态 定位所获得的数据是时间序列数据，时间序列数据的处理方法对数据的完整性要 求非常严格，不能有长时间的数据缺失，否则无法得到高精度的动态定位解，所 以某些观测量的缺失会严重影响数据处理的效果，降低动态定位精度，而这些情 形通常是无法通过质量控制来弥补的。 目前，缺失数据的处理方法主要有EM(Expectation Maximization)算法、填补 方法、多传感器融合方法等。EM算法在处理动态定位观测数据缺失时，并不能 对缺失数据进行估计，只能对模型参数进行估计。填补法是对缺失的观测数据进 行填补，各种填补方法也层出不穷，但是将填补法用于处理动态定位观测数据缺 失存在着很多问题，因为多数填补法并不是针对动态定位观测数据提出的，并没 有考虑到动态定位实时处理的特性。多传感器融合方法目前还没有形成统一的理 论，且抗差性问题也没有得到很好的解决。 基于以上情况，本文主要做了以下的研究： 1．给出了观测数据缺失时动态定位算法的研究背景，分析了目前测绘方面有 关缺失数据问题的研究现状。 2．比较了几种常用的处理缺失数据问题的方法，并对其基本原理进行了分 析，提出了这些方法在应用于处理动态定位观测数据缺失时的不足。 3．针对目前常用的缺失数据处理方法的不足，考虑到卡尔曼滤波算法在动态 定位中的广泛应用，然后结合动态定位实时处理的特性，提出三种基于卡尔曼滤 波算法的动态定位观测数据缺失处理方法。 4．通过模拟算例和实测GPS数据对上述算法进行了验证，并与标准卡尔曼滤 波的平差结果做了对比，说明了算法的适用情况与不足之处。 关键词缺失数据，动态定位，拟合组合法，灰预测法，次优卡尔曼 滤波法 AB AB STRACT In the GPS dynamic positioning，those loss of datas are called missing data which caused by variety of causes between the observation data．Because it not need to store large amount of observation datas in the process of solving，and when the new observation datas obtained directly calculate the value of filtering parameter to achieve the purposes of real-time observation data processing，SO Kalman filtering theory has become the most important method of data processing in dynamic positioning．Dynamic positioning data obtained time series data，these datas processing method are very strict on data integrity,and we could not get the high—precision dynamic positioning solution duo to the long time losing of