统筹考虑基础条件、项目需求和技术可能性,以不动产单位为对象,测量和查清不动产单元的权属、界址、面积等内容,确保不动产单元权属清晰、界址清楚、空间相对位置关系明确,是不动产实地调查的主要内容。本文主要的内容是在不动产实地调查技术的背景下,将机器学习方法与最优估计理论相结合,探讨支持向量机辅助卡尔曼滤波这种组合滤波方法在不动产实地调查技术中的研究。具体的研究工作如下:1、支持向量机参数优化研究。支持向量机参数的选择对实际应用有重大影响,本文首先介绍了遗传算法的理论内容,随后针对支持向量机惩罚因子C、高斯核函数参数?和损失函数参数?,研究了基于遗传算法的支持向量机参数寻优技术,给出了遗传算法优化参数流程,并通过相关实验得出了支持向量机训练需要的最优参数,为支持向量机的使用提供了基础支撑。2、支持向量机辅助自适应卡尔曼滤波在单位置对准中的研究。首先研究了卡尔曼滤波在单位置对准中的应用,随后针对诸多随机因素导致系统模型及噪声统计特性精确度降低的问题,引入模糊自适应卡尔曼滤波。在这些基础上,本文将支持向量机与自适应卡尔曼滤波相结合,通过机器学习规则确定自适应因子,并通过仿真实验比较支持向量机自适应卡尔曼滤波、模糊自适应卡尔曼滤波、卡尔曼滤波在单位置对准中的性能,最后通过半物理仿真实验,验证了本文给出的组合滤波方法在单位置对准中的有效性。3、支持向量机辅助自适应卡尔曼滤波在特定测量阶段松组合中的研究。面向RTK频繁短暂失效的特定测量阶段,以支持向量机自适应卡尔曼滤波作为数据融合算法,以速度和位置作为外部观测量,设计了松组合系统。仿真结果表明:与分别以卡尔曼滤波、模糊自适应卡尔曼滤波作为数据融合算法的松组合系统相比,这种基于支持向量机自适应卡尔曼滤波的松组合系统的稳定性更好。