论文部分内容阅读
重力辅助导航方法可以减小惯性导航系统随时间的误差累积,延长惯性导航系统的重调周期,从而保证水下运载体的隐蔽性,是严格意义上的无源系统,而高精度重力信息的获取是实现重力辅助导航的重要前提。因此,研究面向重力辅助导航应用的海洋重力数据处理方法具有重要的理论和实际意义。本文针对传统低通滤波方法存在的时延和重力信号畸变问题,深入的研究了最优参数估计方法在重力测量数据处理中的相关问题,主要内容包括:(1)针对低信噪比的重力测量数据,比较研究了基于低通滤波器、卡尔曼滤波器和维纳滤波器的预处理方法。首先通过分析重力信号和噪声频率特性,设计了具有线性相位的FIR低通滤波器;其次,基于二阶高斯-马尔科夫异常位模型建立系统方程,确定了卡尔曼滤波器的滤波参数;最后,为有效抑制重力测量数据中的强噪声,针对信号和噪声的相关特性,引入正则因子,改进研究了基于最小均方误差准则的频域维纳滤波器。基于实测重力数据的去噪仿真试验结果表明,上述三种去噪方法中,频域正则维纳滤波方法最优,它不仅有效的抑制了信号中高频噪声,而且克服了低通滤波方法存在的时延和重力信号畸变问题。(2)研究了基于时间序列建模和正反卡尔曼滤波及H~滤波的重力数据信噪分离方法。采用时间序列分析方法建立了海洋重力测量数据的AR模型,并基于该模型建立了系统的状态方程和观测方程。在此基础上,分别采用正反卡尔曼滤波算法和H∞滤波算法对海洋重力测量数据进行了滤波处理,处理结果表明正反卡尔曼滤波可以较好的克服传统卡尔曼滤波在滤波收敛前重力数据曲线波动的问题,而H∞滤波能够有效的消除由海洋重力测量数据模型和噪声统计特性的不确定性而引起的畸变。(3)研究了基于二阶近似模型和改进卡尔曼滤波及正则化粒子滤波的重力数据信噪分离方法。本文依据重力传感器的工作原理,建立了弹性系统的传递函数及该系统的二阶近似模型,并基于该模型,研究改进了能够根据噪声特性自适应调整系统参数的自适应卡尔曼滤波器。该方法采用卡尔曼滤波预先估计新息状态,从而克服了环境噪声突变导致滤波精度降低甚至发散的问题。为了消除非线性系统线性化带来的误差,研究了粒子滤波器,并针对粒子滤波样本退化的问题,引入了正则化粒子重采样算法。基于实测重力数据的仿真实验表明,改进的自适应卡尔曼滤波器不仅能够对重力变化做出相应参数调整以提高滤波精度,而且具有良好的鲁棒性;而正则化粒子滤波器能够有效的消除非线性系统线性化带来的误差,真实的反应重力信息的细节变化特征。(4)基于本文所研究的数据处理方法,利用C#和Matlab混合编程的方法设计了基于最优化参数估计方法的海洋重力仪数据处理软件。在该软件平台上对本文研究的最优参数估计方法进行了试验,试验结果表明该软件不仅能够稳定有效的运行而且方便参数的调整以满足不同应用背景的数据处理要求。