简介:为了实现水下潜器长时间高精度导航定位,同时考虑到传统地形辅助导航系统在先验地形图不可得或者是地形变化不明显的海域(地形不可匹配区域),无法用来修正惯性导航位置误差的问题,提出了一种结合地形和环境特征的水下导航定位方法。在先验地形图可得且地形高程变化明显的可匹配区域,采用地形辅助导航系统来修正惯导位置误差,在先验地形图不可得或者是地形高程变化不明显的不可匹配区域,采用基于海洋环境特征的同步定位与构图算法来修正惯导位置误差。仿真结果表明,该方法在地形可匹配区域以及地形不可匹配区域得到的航迹都比纯惯导得到的轨迹更接近于理想航迹,因此可以用来修正惯导位置误差。
简介:为了填补船测海深数据空白,给出了海底地形起伏与重力异常和重力异常垂直梯度之间的导纳函数关系。据此,以测高重力异常、重力异常垂直梯度作为输入数据,采用线性回归分析技术,在西南太平洋相关海域开展了海底地形反演试验。结果表明,通过不同方法获取的比例因子与海底地形呈现一定的内在联系,地形平坦海域,比例因子较小;海山分布较多的地形起伏较大的海域,比例因子相对较大,反映了重力数据与海底地形较强的相关性。同时,采用线性回归方法构建的海底地形模型检核精度最高,相较于传统方法获取的海底地形模型,精度最高提升了46%左右,与ETOPO1海深模型和DTU10海深模型相比较,模型精度最大提高了近一倍有余。另外,不同方法对于不同的海底地形具有各自不同的优势,靠近海山区域,采用线性回归技术反演的海深结果优于传统方法;在海山部分,传统方法反演精度又好于线性回归技术。不同数据源反演海底地形的统计结果表明,以重力异常垂直梯度构建的海底地形模型的检核精度优于以重力异常作为输入数据构建的海底地形模型。
简介:地形辅助导航是一种利用地形高度信息定位的导航技术,由于地形高度起伏是非线性的,因此地形辅助导航本质是非线性、非高斯贝叶斯后验概率估计问题。粒子滤波因为适合非线性、非高斯估计问题,被引入地形辅助导航领域得到广泛研究和应用,但粒子滤波算法存在粒子匮乏的问题,会影响定位精度。针对此问题,将高斯混合无迹粒子滤波(GMUPF)用于地形辅助导航,该算法用高斯混合模型(GMM)近似粒子分布,用无迹卡尔曼滤波(UKF)估计重要密度函数,不需要做重采样。通过用实际地形数据做飞行仿真实验,结果显示相比粒子滤波,不仅没有粒子匮乏问题,而且所用粒子数更少时估计精度略好。
简介:传统地形辅助导航适配区选择主要根据某一个地形特征参数的大小决定,因此不可避免地存在对地形适配性评判的不全面性。为了克服传统方法的缺点,提出了一种基于熵值法赋权灰色关联决策的地形辅助导航适配区选择方法,该方法综合考虑了地形标准差、粗糙度、地形高度熵及相关系数对适配区选择的影响。首先,利用计算得到的各特征参数值构建灰色决策矩阵;其次,对决策矩阵进行极差变换以及归一化处理得到灰色关联判断矩阵;最后,采用熵值赋权法客观计算各决策属性的权重,得到地形适配性综合评价指标。仿真结果表明,在评价值高的区域进行地形辅助导航,其匹配误差将更小。
简介:针对飞行试验中由于GLONASS星历解算错误导致的定位结果异常问题,研究了GLONASS星历电文下传的基本特征,即通过第1~4串电文下传,并且一个更新周期内下传60组数据完全相同的星历。基于此,提出了基于电文串标识的GLONASS星历解算基本算法,但发现该算法在电文串丢失且发生星历更新时解算出错误星历的问题。为确保星历来源于连续的1~4串电文,提出了基于时间比较的星历解算改进算法,发现GLONASS星历更新时,不保证从第1串开始,也不保证在连续的1~4串电文中更新完毕,改进算法依然无法确保获取到正确星历。最后分析了星历电文误码时的特征,提出了基于星历合法性检测的星历解算可靠算法,该算法综合考虑卫星不健康、星历更新以及电文误码等异常情况,采用轨道特性检测法和原码比对检测法验证星历合法性,采用电文串标识法充分利用有效电文数据。试验结果表明,该算法的星历误码识别率达到100%,星历更新异常识别率达到100%,获取的GLONASS星历数据正确率到100%。
简介:Inthispaper,theinverseeigenvalueproblemofHermitiangeneralizedanti-Hamiltonianmatricesandrelevantoptimalapproximateproblemareconsidered.Thenecessaryandsufficientconditionsofthesolvabilityforinverseeigenvalueproblemandanexpressionofthegeneralsolutionoftheproblemarederived.Thesolutionoftherelevantoptimalapproximateproblemisgiven.
简介:考虑ATM交易过程当中产生的一系列参数,如交易量、交易成功率和响应时间等,对交易状态特征进行分析并建立了异常检测模型。针对成功率与响应时间2个参数,利用聚类算法将数据点划分为正常点、疑似异常点、异常点3大类。对于疑似的异常点,再根据其时间序列周围点的分布情况确定是否确实为异常点;对于交易量参数,首先通过LOF局部离群因子对离群点进行识别,再结合交易量随时间的移动均线及标准差加以辅助筛选,得到初步的疑似异常点,进一步通过与不同天同一时刻数据进行比较,最终确定是否为异常点。根据上述模型,本文将异常情况划分为3个预警等级,并对重大故障情况进行预测。