多维平稳随机过程的线性内插

1941年,А.Н.Колмогров利用希尔帕脱空间理论,完善地解决了一维广义平稳随机过程的线性预测问题与最小过程一点未知的线性内插问题。1957年以来,N.Wiener,P.Masini,Ю.А.Розанов,Р.Ф.Матвеев,江泽培等相继地讨论了多维广义平稳随机过程的线性预测问题,建立了满秩正则性、降秩正则性。奇异性的充要条件。本文准备对多维广义平稳过程的线性内插问题作类似的讨论。利用[1]的方法,我们可以把对广义平稳随机过程的讨论等价地在希尔帕脱空间中的进行。关于本文所用记号和术语若不加说明都是与[4],[5]一致的。§1.定义及记号设H为一希尔帕脱空间,U为定义在H上的酉算子,记H~q为分量在H中取值的列向量全体。对f∈H~q,规定     

一种基于改进自适应卡尔曼滤波的GNSS/INS组合导航算法

在全球卫星导航系统/惯性导航系统(global navigation satellite system/inertial navigation system,GNSS/INS)组合系统中,状态模型误差和异常扰动的影响严重降低了标准卡尔曼滤波的性能,而基于预测残差自适应的卡尔曼滤波随计算次数的增加滤波效果降低,且使用统一的自适应因子调节不可靠。针对上述问题,提出一种改进算法,利用预测残差建立的统计量调节位置向量和速度向量,避免了其他参数对滤波的平衡作用;通过预测残差的概率密度建立马氏距离进行假设检验,在模型正常时使用标准卡尔曼滤波,模型异常时使用改进滤波算法;采用实测车载数据对标准卡尔曼滤波、单因子自适应滤波和本文的滤波方法进行评估,实验结果表明:改进的自适应卡尔曼滤波的滤波算法效果良好,证明了所提算法的有效性。