平台式重力仪测量数据的卡尔曼滤波处理
卡尔曼滤波算法流程
卡尔曼滤波算法流程
1.系统模型建立：首先需要建立系统的数学模型，包括状态方程和观测方程。
状态方程描述系统状态的演化规律，观测方程描述通过传感器测量得到的观测值与系统状态之间的关系。
2.初始化：初始化系统状态的估计值和协方差矩阵。
通常将系统状态初始化为一个先验值，并将协方差矩阵初始化为一个较大的值，表示对初始状态估计的不确定性。
3.预测状态：根据系统模型和上一时刻的状态估计值，通过状态方程进行状态的预测。
同时，更新状态的协方差矩阵。
4.预测观测值：根据系统模型和预测状态，通过观测方程进行观测值的预测。
5.更新状态估计：根据预测观测值和实际观测值，通过贝叶斯推断原理，计算出新的状态估计值。
该计算基于观测误差和状态估计的协方差矩阵，以及预测观测值和实际观测值之间的误差。
6.更新协方差矩阵：根据状态估计的误差和预测观测值与实际观测值之间的误差，更新协方差矩阵。
该更新过程考虑了系统模型的可信度以及观测误差的可信度。
7.返回第3步：将更新的状态估计值和协方差矩阵作为下一时刻的先验值，回到第3步继续进行状态的预测和观测值的更新。
总之，卡尔曼滤波算法是一种非常有效的估计算法，在信号处理、控制、导航等领域都有广泛的应用。
通过融合系统模型的预测值和测量值，可以实现对系统状态的准确估计，从而提高系统的控制和导航精度。
卡尔曼滤波算法(含详细推导)
1、kalman滤波问题
E { v ( n ) v ( k )} 1
H 1
Q ( n ), n k 1 0 , n k
......( 3 )
E { v ( n ) v ( k )} 2
H 2
Q ( n ), n k 2 0 , n k
......( 4 )
1、kalman滤波问题
将式(27)代入式(24)，便得到kalman增益的计算公式如下：
H 1 G ( n ) F ( n 1 , n ) K ( n , n 1 ) C ( n ) R ( n )......... ...( 28 )
式中R(n)是信息过程的相关矩阵，由式(10)定义。
（3）、Riccati方程
3、kalman滤波算法
由式(28)表示的kalman增益与预测状态误差的相关矩阵K(n,n-1)有关，为了最后 完成kalman自适应滤波算法，还需要再推导K(n,n-1)的递推公式。 考察状态向量的预测误差：
注意到 并利用状态方 E { v ( n )( k )} 0 , k 0 , 1 ,..., n , 1 程(1)，易知下式对k=0，1，…，n成立：
3、kalman滤波算法
H E { x ( n 1 ) ( k )} E {[ F ( n 1 , n ) x ( n ) v ( n ) ( k )} 1
（2）、 kalman增益的计算
3、kalman滤波算法
为了完成kalman自适应滤波算法，需要进一步推导kalman增益的实际计 H E { x ( n 1 ) ( k )} 的具体 算公式。由定义式（24）知，只需要推导期望项 计算公式即可。 将新息过程的计算公式（13）代入式（22），不难得出：
卡尔曼滤波处理
卡尔曼滤波处理卡尔曼滤波是一种常用的状态估计算法，广泛应用于信号处理、控制系统以及导航系统等领域。
它通过融合传感器测量值和系统模型，能够对状态进行准确估计，从而提高系统的性能和鲁棒性。
卡尔曼滤波的核心思想是通过对测量值和状态的联合估计，得到对系统状态的最优估计。
它基于状态空间模型，将系统的动态方程和观测方程融合在一起，并通过迭代更新的方式，实时地对系统状态进行估计。
卡尔曼滤波算法的基本步骤包括预测和更新两个过程。
在预测过程中，卡尔曼滤波利用系统的动态方程对状态进行预测。
首先，通过对上一时刻状态的估计和系统模型进行运算，可以得到系统在当前时刻的状态预测值。
然后，通过对状态预测值进行协方差运算，可以得到系统状态预测值的不确定度。
预测过程中的不确定度反映了系统状态的可靠性，可以用于权衡测量值和预测值在状态估计中的权重。
在更新过程中，卡尔曼滤波利用观测方程对状态进行修正。
首先，通过测量值和系统模型的关系，可以得到系统的观测值。
然后，通过比较观测值和状态预测值，可以计算出观测值与状态预测值之间的残差。
根据残差的大小，可以推断出测量值的可靠性。
最后，通过对状态预测值和残差进行协方差运算，可以得到对状态的修正值和修正后的不确定度。
更新过程中的不确定度反映了测量值的可靠性，可以用于权衡测量值和预测值在状态估计中的权重。
卡尔曼滤波的优势在于它能够适应系统的动态变化，并且能够在不完全观测的情况下对状态进行准确估计。
通过对状态的预测和修正，卡尔曼滤波能够提高系统的估计精度，降低估计误差。
此外，卡尔曼滤波还能够通过对系统模型和观测模型的优化，进一步提高系统的性能。
然而，卡尔曼滤波也存在一些限制。
首先，卡尔曼滤波要求系统的动态方程和观测方程必须满足线性高斯条件。
当系统的动态变化非线性或者观测模型非高斯分布时，卡尔曼滤波的性能会受到限制。
其次，卡尔曼滤波对初始状态的估计要求较高，如果初始状态估计不准确，会导致滤波结果的偏差。
Kalman滤波在沉降监测数据处理中的应用
Ｃ （ ， ）＝ ０ 式 中， Ａ， 为 关 于 Ｂ 的协方 差 阵 ， Ｉ Ｃ （ Ｂ） Ｑ
卡 尔曼滤 波是 一种 对动态 系统进行 实时数 据 处理 的有效 方 法 ， 利 用 观测 量来 估 计 随时 问 不 它 断变化 的状 态 向量 ， 估 计 的角度 来 说 ， 于 “ 从 属 状
估计 矢量 ； 为 ｋ时刻 上 ｍ 维量 测矢 量 ； 一为 Ｆ ｋ一 １到 ｋ时刻 的系统一 步转 移矩 阵 ； 一为 ｋ一１ 。
与解释 ， 尤其是对 建筑物 的变形监测 ， 针对建 筑物形 变状态进行有效 处理 ， 时做好相 关防范和预 防措 及 施， 从而减少建筑物变形造成 的损失 。所 以， 建筑 对
（） ７ 滤波 增益 矩 阵 ：
２ ２ 卡尔曼 滤 波模 型 的精度评 定 ．
一
步 预测 误差 方差 阵 ：
一
Ｄ
１＝ Ｆ
一
Ｄ 七 １Ｆ １
一
一
一
１
Ｑ 一ｒ １ １ 一
卡 尔曼 滤 波模 型 的精度 ， 即其单 位 权 方差 ｏ ｒ
的估值 可按 下式 计算 ： （ Ｐ ＋ Ｐ ） ａ
（） ３
态” 估计 问题 。卡 尔曼 滤 波方 程是 一 组递 推 计算
公式 ， 其计算 过 程 实 际上 是 一个 不 断 预报 又 不 断 修正 的过程 ， 因此 更便 于 实时处理 多期复测 数据 ， 这 一特点正是 动 态测 量和变形 监测数 据处理所 期
望 的¨ 。动 态 系 统 由状 态 方 程 和 观 测 方 程 描 Ｊ
第２ ２卷 第 １ 期 ２１ ０ ０年 ３月
称重雨量数据处理卡尔曼滤波应用
称重雨量数据处理卡尔曼滤波应用卢勇;卢会国;蒋娟萍;曼世超【摘要】降雨量的测量,目前业务上应用较为广泛的是翻斗式雨量计,它只能测降雨,对于冰雹、降雪等固态降水的测量采用人工观测为主,称重式雨量计与翻斗式雨量计相比,其优势在于能实现所有类型降水的全天候自动化观测.本研究随机选择了一天无降水数据确定了滤波参数Q和R(过程噪声方差和观测噪声方差),根据确定的滤波参数,随机选择了无降水(2016年4月3日)和有降水(2015年7月21日、2015年8月7日)日采用卡尔曼滤波,并结合翻斗雨量传感器数据进行验证,结果表明,本研究确定的滤波参数采用卡尔曼滤波后能够有效去除称重雨量中的噪声,使滤波后的曲线变得平稳光滑,减小了数据的抖动频率和误差.%The tipping-bucket rain-gauge is widely used in meteorological services at present to measure rainfall,which can only measure rainfall.For measuring hail,snow and other solid precipitation,the manual method is used paring with the tipping-bucket rain gauge,the advantage of the weighing rain gauge is to achieve the automatic observation of various types of precipitation.The study randomly selected a day without precipitation data to determine the filter function Q and R values,based on the determined filter parameters,randomly selected a non-precipitation day (3 April 2016) and two precipitation days (21 July2015,7 August 2015) using the Kalman filter,combined with tipping-bucket sensor data validation,the result shows that the filter parameters determined by using the Kalman filter can effectively remove the weighing rain noise,so that the filtered curvebecomes smooth and steady,and reduce the data frequency jitters and errors.【期刊名称】《气象科技》【年(卷),期】2017(045)004【总页数】6页(P590-595)【关键词】卡尔曼滤波;称重雨量;数据处理;去噪【作者】卢勇;卢会国;蒋娟萍;曼世超【作者单位】成都信息工程大学电子工程学院,成都610225;成都信息工程大学电子工程学院,成都610225;中国气象局大气探测重点开放实验室,成都610225;成都信息工程大学电子工程学院,成都610225;中国气象局大气探测重点开放实验室,成都610225;成都信息工程大学电子工程学院,成都610225【正文语种】中文【中图分类】P412水是生命之源，降水与人们的生活息息相关，它为天气分析、气候研究和气象防灾减灾提供了重要的基础资料和分析依据[1-3]。
惯性数据测量——卡尔曼滤波
惯性数据测量——卡尔曼滤波惯性数据测量——卡尔曼滤波介绍对于大多数人来说，卡尔曼滤波很难理解。
的确，他奇迹般地解决了其他方法很难解决的问题。
但是注意，卡尔曼滤波并不是解决你所有问题万能的良方。
这篇文章将阐述卡尔曼滤波的使用。
我们将使用多的实际方法而避免那些很难理解的繁琐理论，因为大多数人仅仅将其用于MAV/UAV（微型飞行器/无人机）应用上，我将试图将它形象具体化。
必须确保你已经知道了怎样使用加速度计和陀螺仪来进行数据采集，另外，一些基础的代数知识也是必要的。
基本操作卡尔曼滤波是一种链形滤波器（累接滤波器），他需要两个东西：首先，你将需要几种输入（一路或更多的数据源），你可以仅仅使用线性计算将他们转换为你预期的输出。
换句话说，在我们的问题中，我们需要建立一个线性模型。
其次，你需要另一路输入。
这一路是期望数据中的实际外界数据值，或者是它的近似。
每一次迭代，卡尔曼滤波器都将微小地改变线性模型中的变量，因此线性模型的输出将于第二次输入接近。
简化模型显然，两路输入包含陀螺仪和加速度计的数据。
使用陀螺仪数据模型看起来像这样：第一个公式展示了一个线性模型的一般形式。
我们需要在B矩阵中“填入”A矩阵，然后选择一个状态x。
变量_u_k代表输入。
对我们来说，这就是陀螺仪的数据。
记住，怎样去积分？我们只是对归一化的数据进行求和：alpha k = alpha k-1 + (_u_ k –bias)我们需要再两个测量(_dt_)之间加入时间参数，因为我们要处理角速度(degrees/s): alpha k = alpha k-1 + (_u_ k –bias) * dt重写如下：alpha k = alpha k-1 –bias * dt + u k * dt上式在矩阵乘法中我将用到。
注意bias保持恒定！在个别陀螺仪中，我们看到了bias 的漂移。
接下来就是卡尔曼的神奇之处了：滤波器通过将加速度计的输出和结果进行比较调整每次迭代的bias。
惯性／重力匹配组合导航系统的滤波技术研究
航……一种无源导航技术正在悄悄的兴起 。
的重力无源导航系统 ， 由重力模块 和惯性导航 系 它
用状态方程描述任何 复杂多维信号的动 惯性／ 重力匹配组合导航 系统是一种简单经济 计滤波器 。
滤波器设计简单易行 ； 采用递推算法 ， 实 统组成 ， 是一种 图形匹配组合导航 。组合系统的本 来的麻烦 ， 而不必存储 质就是通过使重力仪获得 的重力数据与存储的数字 时量测信息经提炼被浓缩在估计值 中，
速度误差； ８ ， 向、 向、 ８ ， ８ 东 北 方位陀螺的常值漂 移 ； ８ ，ｒ ８ ， ８ 东向、 ｚ 北向、 方位陀螺的随机漂移 。 惯导系统的误差方程为：
系统初始状态与 ， 不相关 ， 即
Ｃ０ ， ｝ ０ ０｛ ＝ Ｃ０ ， ｝ ０ ０｛ ＝ 那么滤波方程为：
２ 惯性／ 重力匹配组合导航系统 的卡尔曼滤波技术
惯性／ 重力匹配组合 导航 系统是一种完全 自主
Ｋ ｌａ 滤波具有连续型和离散型两类算法 ， ａ ｎ ｍ 离散型
以下将对离散型 式导航系统， 无需任何外部信息 ， 即可在水下完成对 算法可直接在数字计算机上实现 ， 惯导的校正， 获得较 高的定位精度 。在数据处理方 卡尔曼滤波的基本方程进行介绍。
因此， 必须实现水下无源导航。近几年 ， 重力无源导 方程
Ｋ ｌａ 滤波是对随机信号作估计 的算法之一。 ａ ｎ ｍ 与最ｄ －乘、 ￣ ＂ 维纳滤波等诸多估计算法相比， ａ ａ － Ｋｌ ｌ ｍｌ 滤波具有显著的优点 ： 采用状态空 间法在时域 内设
力学特征 ， 避开了在频域 内对信号功率谱作分解带
维普资讯
惯性／ 重力匹配组合导航系统的滤波技术研究
黄凤荣翁Βιβλιοθήκη 娜 ４ ｌ惯性／ 重力 匹配组合导航系统 的滤波技术研究
利用Kalman滤波修正卫星导航差分RTK定位坐标
利用Kalman滤波修正卫星导航差分RTK定位坐标随着卫星导航技术不断发展，差分RTK定位越来越成为了现代高精度测量的重要手段。
但由于信号传输的误差等因素的影响，差分RTK定位的精度仍然有待进一步提高。
Kalman滤波作为一种广泛应用的信号处理算法，被应用于卫星导航差分RTK定位结果的修正，已经取得了很好的效果。
Kalman滤波原理是基于盲目滤波的思想而得到的，是一种将连续时间的观测值利用某些模型来预测下一步状态的算法。
其实质就是将之前的估计结果和当前的观测结果结合起来，得到一个更准确的估计。
在卫星导航差分RTK定位中，Kalman滤波的作用就是对测量数据进行平滑处理，使得差分RTK定位的精度得到更显著的提升。
常见的Kalman滤波模型包括线性模型和非线性模型两类。
差分RTK定位中，由于卫星信号的传播路径被大量障碍物所截断，导致测量值存在着显著的不稳定性。
因此，需要采用非线性Kalman滤波模型进行修正。
该模型能够通过多次迭代，将多余的误差进行过滤，从而得到更为准确的测量结果。
以位姿状态估计为例，Kalman滤波可用于对卫星导航差分RTK定位坐标进行修正。
在该应用场景下，可以将卫星导航定位结果与惯性测量单元（IMU）测量的姿态数据进行结合，得到更高精度的坐标。
例如，差分导航定位结果和IMU姿态轨迹数据可以分别用来更新误差相关的方差，并计算出最终位置状态的估计值。
这种结合的方法解决了卫星导航系统定位精度受到环境影响而不稳定的问题，提高了差分RTK定位的准确性。
总之，利用Kalman滤波对卫星导航差分RTK定位坐标进行修正，在定位过程中能够起到重要的作用。
通过多次迭代，能够去除多余的误差，提高卫星导航系统的精度和稳定性，在大量实际应用中，已经取得了良好成果。
卡尔曼滤波算法(含详细推导)
还假设状态的初始值x(0)与v1(n) 、 v2 (n)，n 0均不相关，并且噪声向量 v1(n)与v2(n)也不相关，既有：
H E { v ( n ) v ( k )} 0 , n , k ......( 5 ) 1 2
2、新息过程Leabharlann 考虑一步预测问题，给定观测值y(1), ...，y(n-1)，求观测向量y(n) 的最小二乘估计，记作
x ( n 1 ) F ( n 1 , n ) x ( n ) G ( n ) ( n )...... ..... 25 )
式（25）在kalman滤波算法中起着关键的作用，因为它表明， n+1时刻的 F (n 1 ,n )x (n ) 状态向量的一步预测分为非自适应（即确定）部分 和 自适应（即校正）部分G(n)a(n)。从这个意义上讲，G(n)称为kalman增 益（矩阵）是合适的。
H H E { x ( n 1 ) ( n ) F ( n 1 ,n ) E { x ( n ) ( n )} H F ( n 1 ,n ) E { x ( n )[ C ( n ) e ( n ,n 1 ) v ( n )] } 2
H H F ( n 1 ,n ) E { x ( n ) e ( n ,n 1 )} C ( n )........ 26 )
以上性质表明：n时刻的新息a(n)是一个与n上课之前的观测数 据y(1), ...，y(n-1)不相关，并具有白噪声性质的随机过程，但它却能够
提供有关y(n)的新息，这就上信息的内在物理含义。
2、新息过程
（2）、新息过程的计算
下面分析新息过程的相关矩阵
H R ( n ) E { ( n ) ( n )}........ .( 10 )
一种改进的卡尔曼滤波在无线称重监测系统中的应用
ΔＲ４，则
Ｕ０＝Ｅ·（ΔＲＲ１１＋＋ΔＲ３Ｒ３）＝Ｅ·ΔＲＲ１１
（２）
上式（２）可 见，输 出 电 压 与 电 阻 变 化 值 成 线
性关 系，国 家 标 准 中 电 阻 应 变 片 的 阻 值 规 定 为
６０、１２０、２００、３５０、５００、１０００，考虑到大阻值应变片
具有通过电流小、自热引起的温升低、持续运行周
图如图 １所示，其中采集控制节点和协调器节点 通过 ＺｉｇＢｅｅ组成无线网络。当采集节点的称重 托盘有物体放入时，传感器电路将重量信息转换 为微弱电信号并通过放大电路放大，采集节点处 理器通过 ＡＤ转换电路读取数据，并按一定算法 进行数据处理再还原成重量值。采集节点将采集 的重量数据通过 ＺｉｇＢｅｅ网络传给协调器，用户可 以通过协调器键盘输入设置信息，协调器将接收 到的数据及其他指示信息显示在 １２８６４液晶屏 上，同时将数据通过串口送给上位机。
期长、动态测量信噪比高等优点，本例中选用 １Ｋ
欧的电阻应变片。
２．２ ＡＤ转换电路
ＨＸ７１１是一款专为高精度电子秤设计的 ２４
位 Ａ／Ｄ转换器芯片。芯片内部集成可编程放大
器、稳压电源、片内时钟振荡器及其他外围电路，
具有集成度高、响应速度快、抗干扰性强等优点。
图 ３ Ａ／Ｄ转换模块原理图
本例中，ＡＤ采集使用通道 Ａ，通道 Ａ有较大 ＣＣ２５３０作为核心处理器。ＣＣ２５３０是 ＴＩ公司在
该系统使用电阻应变片组成应变电桥作为称 重传感器，利用高精度的 ＨＸ７１１芯片采集数据并 对数据进行均值滤波、卡尔曼滤波相结合的算法， 并通过软件仿真，使测量数据更加稳定、精确。
１ 无线动态称重系统整体设计
本文研究的无线电子称重系统包括采集控制 节点、协调器节点和上位机三个部分，系统结构框
卡尔曼滤波正交投影算法
卡尔曼滤波正交投影算法
卡尔曼滤波正交投影算法是一种用于估计状态变量的递归算法，它基于状态方程和测量方程，通过预测和更新两个步骤来估计状态变量的最优值。
正交投影是卡尔曼滤波算法中的关键步骤，它通过将预测值与测量值进行比较，计算出状态变量的最优估计值。
在正交投影算法中，首先需要定义状态变量和测量变量，以及它们之间的状态方程和测量方程。
然后，根据状态方程和测量方程，通过递归的方式计算出状态变量的最优估计值。
具体来说，算法包括以下几个步骤：
1. 初始化：设定初始状态变量的估计值和协方差矩阵；
2. 预测：根据状态方程和上一时刻的状态变量的估计值，预测下一时刻的状态变量的估计值和协方差矩阵；
3. 更新：将测量值带入到预测值中，计算出残差；
4. 正交投影：根据残差和协方差矩阵，计算出最优估计值；
5. 更新协方差矩阵：根据最优估计值和测量值，更新协方差矩阵。
正交投影算法是卡尔曼滤波算法的核心，它通过将预测值与测量值进行比较，计算出最优估计值。
在计算最优估计值时，需要考虑预测值的无偏性和协方
差矩阵的最小化。
此外，正交投影算法还可以用于解决其他估计问题，如线性最小方差估计、二次型优化问题等。
卡尔曼滤波清洗法
卡尔曼滤波清洗法
卡尔曼滤波清洗法是一种常用的数据清洗方法，被广泛应用于各种领域，如机器人导航、飞行器控制、金融市场预测等。
本文将介绍卡尔曼滤波清洗法的基本原理和应用方法。
卡尔曼滤波清洗法是一种利用已知信息来估计未知信息的方法。
它基于贝叶斯定理，通过连续的状态观测和状态预测，不断更新对未知量的估计。
在数据清洗中，卡尔曼滤波清洗法可以通过滤除异常值和噪声，提高数据的准确性和可靠性。
卡尔曼滤波清洗法的基本步骤包括：建立状态模型、设计观测模型、初始化估计值、进行状态预测、进行状态更新、计算估计误差。
其中，状态模型描述了未知量的变化规律，观测模型描述了观测量和未知量的关系，初始化估计值为对未知量的初始估计，状态预测通过模型预测未知量的变化，状态更新通过观测量修正对未知量的估计，计算估计误差用于评估估计值的准确性。
卡尔曼滤波清洗法可以通过不同的参数设置和模型选择来适应
不同的数据清洗场景。
例如，可以根据数据的特征选择不同的观测模型，根据数据的噪声特性选择不同的卡尔曼滤波算法，根据数据的变化规律选择不同的状态模型。
总之，卡尔曼滤波清洗法是一种强大的数据清洗方法，可以有效地提高数据的品质和可信度。
在实际应用中，需要根据具体情况进行合理的参数设置和模型选择，以获得最佳的清洗效果。
- 1 -。
卡尔曼滤波 振动抑制
卡尔曼滤波振动抑制
卡尔曼滤波是一种用于估计系统状态的滤波器，可以根据系统的动态模型和测量数据，提供对系统状态的最优估计。
卡尔曼滤波器通过将先验估计与测量数据进行加权处理，得到更准确的后验估计。
在振动抑制方面，卡尔曼滤波可以用于对振动信号进行滤波和抑制，以提高传感器测量的准确性。
通过将振动信号的先验估计与传感器测量进行加权处理，可以抑制振动信号的影响，得到更准确的测量结果。
具体而言，卡尔曼滤波器可以根据振动信号的动态模型和传感器测量的误差特性，对振动信号进行有效的滤波和抑制。
通过适当调整卡尔曼滤波器的参数和权重，可以实现不同程度的振动抑制效果。
卡尔曼滤波在振动抑制领域的应用非常广泛，包括物体定位与导航、声音信号处理、图像处理等。
通过结合传感器测量和卡尔曼滤波技术，可以提高系统对振动信号的鲁棒性和准确性，从而改善系统的性能和可靠性。
卡尔曼滤波 初值 估计
卡尔曼滤波初值估计卡尔曼滤波，是一种用于估计系统状态的强大工具。
它最初由卡尔曼和贝立曼在20世纪60年代提出，用于航空航天领域中的飞行器导航。
卡尔曼滤波的基本思想是通过融合系统的观测数据和先验的系统模型，来估计系统的真实状态。
它能够处理包含测量误差和过程噪声的系统，并且能够根据实际观测数据和先验信息对系统状态进行精确而稳定的估计。
卡尔曼滤波的核心是递归地进行预测和更新。
预测步骤通过使用系统的模型和先验信息来预测系统的下一个状态，同时估计过程噪声的影响。
更新步骤则通过使用观测数据来修正预测值，同时考虑测量误差。
通过不断迭代这两个步骤，卡尔曼滤波能够在不断观测到新数据的过程中，对系统状态进行实时的估计。
卡尔曼滤波在很多领域都有广泛的应用，特别是在导航、目标跟踪、图像处理和信号处理等领域。
在导航领域中，卡尔曼滤波可以利用传感器数据来估计飞机、船舶或汽车的位置和速度等状态信息，从而实现准确的自动导航。
在目标跟踪中，卡尔曼滤波可以估计移动目标的位置和速度，从而在复杂的环境中实现目标的跟踪和预测。
在图像处理和信号处理中，卡尔曼滤波可以用于去除噪声，提高信号的质量。
然而，卡尔曼滤波也有一些限制和适用条件。
首先，它的有效性要求系统的模型和观测数据要满足线性和高斯分布的假设。
其次，卡尔曼滤波对系统的初始状态估计要求较为准确，在没有先验信息的情况下，初值估计可能是一个挑战。
此外，当系统存在较大的不确定性或非线性特性时，卡尔曼滤波的效果可能不理想。
因此，在应用卡尔曼滤波时，我们需要仔细考虑系统的特性和实际需求，合理选择模型和观测数据，并进行对初值估计的优化。
同时，我们也可以结合其他滤波方法和技术，如扩展卡尔曼滤波和无迹卡尔曼滤波，来克服卡尔曼滤波的一些限制，从而更好地应对复杂的实际问题。
总之，卡尔曼滤波是一种非常重要和实用的估计方法，它在众多领域都有广泛的应用。
对初值估计的准确性要求较高，但只要仔细选择模型、观测数据，并结合其他滤波技术，我们就能够充分发挥卡尔曼滤波的优势，实现对系统状态的精确估计。
卡尔曼滤波器设计
卡尔曼滤波器设计卡尔曼滤波器是一种优化的、递归的滤波器，用于在含有噪声的输入数据中估计未知状态的值。
它通过组合测量值和先验信息来估计系统状态，并且在每个时刻都更新估计值。
在本文中，将详细介绍卡尔曼滤波器的设计原理和步骤。
1.定义系统模型：首先要确定系统的状态方程和测量方程。
系统的状态方程描述了状态变量如何根据控制输入和噪声的作用而演化，而测量方程则描述了如何根据状态变量和噪声来进行测量。
2.初始化：在开始使用卡尔曼滤波器之前，需要对滤波器的状态进行初始化。
通常可以使用系统的初始状态和初始协方差矩阵来进行初始化。
3.预测：在每个时刻，通过状态方程对系统的状态进行预测，同时计算预测状态的协方差矩阵。
预测的结果是根据先验信息得出的，不考虑测量值。
4.更新：在收到测量值后，根据测量方程和预测的状态，计算卡尔曼增益和估计误差协方差矩阵。
根据测量残差和卡尔曼增益的计算结果，更新状态估计值和协方差矩阵。
5.迭代：根据测量值和状态估计值的更新结果，再次进行预测和更新。
在卡尔曼滤波器设计过程中，需要确定以下几个参数：1.系统模型参数：包括状态方程中的状态转移矩阵和控制矩阵，以及测量方程中的测量矩阵。
2.协方差矩阵：包括初始状态的协方差矩阵、过程噪声的协方差矩阵和测量噪声的协方差矩阵。
协方差矩阵的选择与问题的性质有关，通常可以通过经验或分析来确定。
3.卡尔曼增益：卡尔曼增益描述了测量残差和状态估计值之间的关系。
根据测量噪声的大小和系统动态的可观测性来确定卡尔曼增益的大小。
在实际应用中，卡尔曼滤波器常用于处理连续时间的数据，例如追踪、定位和导航等领域。
它在估计系统状态时具有较低的计算复杂度和良好的性能。
然而，卡尔曼滤波器的设计需要对系统动态和噪声特性有一定的了解，且对参数的选择较为敏感。
综上所述，卡尔曼滤波器是一种优化的、递归的滤波器，在处理含噪声的输入数据时可以准确估计系统状态。
通过合理选择系统模型参数和协方差矩阵的大小，可以优化滤波器的性能。
卡尔曼滤波在位场分离中的应用
卡尔曼滤波在位场分离中的应用卡尔曼滤波是一种常用的估计和预测技术，它可以通过对系统状态的连续观测和测量来估计未来状态。
在位场分离中，卡尔曼滤波可以用于估计地球磁场和重力场的变化，从而实现对地球内部结构和运动的研究。
位场分离是一种通过卫星观测来估计地球重力场和磁场的技术。
在这个过程中，卫星通过测量地球表面的重力和磁场来推断地球内部的结构和运动。
然而，由于卫星的运动和测量误差等因素的影响，这些观测数据往往是不准确的。
因此，需要使用卡尔曼滤波来对这些数据进行处理，从而得到更准确的地球重力场和磁场数据。
卡尔曼滤波的基本思想是通过对系统状态的连续观测和测量来估计未来状态。
在位场分离中，卡尔曼滤波可以用于估计地球磁场和重力场的变化。
具体来说，卡尔曼滤波可以通过对卫星测量数据的处理，来估计地球磁场和重力场的变化趋势。
这样，就可以得到更准确的地球重力场和磁场数据，从而实现对地球内部结构和运动的研究。
卡尔曼滤波的优点在于它可以对系统状态进行连续估计和预测，从而可以更好地处理系统的不确定性和噪声。
此外，卡尔曼滤波还可以通过对系统模型的优化来提高估计的准确性。
因此，在位场分离中，卡尔曼滤波是一种非常有效的技术，可以帮助我们更好地理解地球内部的结构和运动。
总之，卡尔曼滤波在位场分离中的应用是非常重要的。
通过对卫星测量数据的处理，可以得到更准确的地球重力场和磁场数据，从而实现对地球内部结构和运动的研究。
卡尔曼滤波的优点在于它可以对系统状态进行连续估计和预测，从而可以更好地处理系统的不确定性和噪声。
因此，在位场分离中，卡尔曼滤波是一种非常有效的技术，可以帮助我们更好地理解地球内部的结构和运动。
《2024年卡尔曼滤波的初值计算方法及其应用》范文
《卡尔曼滤波的初值计算方法及其应用》篇一一、引言卡尔曼滤波是一种高效的线性动态系统状态估计方法，广泛应用于各种领域，如导航、控制、信号处理等。
其核心思想是通过建立系统的数学模型，利用系统的输入和输出数据，对系统状态进行最优估计。
在应用卡尔曼滤波时，初值的选择对于滤波器的性能具有重要影响。
本文将介绍卡尔曼滤波的初值计算方法及其应用。
二、卡尔曼滤波的基本原理卡尔曼滤波是一种递归的算法，利用系统的数学模型和输入数据，对系统状态进行估计。
其基本思想是将系统状态分解为可观测和不可观测两部分，通过设计观测器和控制器，使系统状态逐渐接近真实值。
卡尔曼滤波具有实时性、鲁棒性强等优点，能够有效地处理具有噪声的信号。
三、卡尔曼滤波的初值计算方法卡尔曼滤波的初值计算方法主要包括两种：直接法和间接法。
1. 直接法：直接法是通过已知的初始条件或历史数据来设定初值。
在应用卡尔曼滤波时，首先需要确定系统的初始状态和协方差矩阵。
初始状态可以由历史数据或实验结果来确定，协方差矩阵则需要根据实际情况进行设定。
对于一些特殊情况，如初值不确定度较大的情况，可以通过设定较大的协方差矩阵来增加初值的不确定性。
2. 间接法：间接法是通过多个时刻的观测值来估计系统的初始状态和协方差矩阵。
该方法需要对观测数据进行处理和分析，从而得到更准确的系统状态估计值。
间接法的优点是可以充分利用历史数据信息，提高滤波器的精度和稳定性。
但需要注意的是，在实际应用中需要考虑观测数据的可靠性和有效性问题。
四、卡尔曼滤波的应用卡尔曼滤波在各个领域都有广泛的应用，如导航、控制、信号处理等。
下面以导航系统为例，介绍卡尔曼滤波的应用。
在导航系统中，卡尔曼滤波被广泛应用于GPS定位、姿态控制等方面。
通过建立系统的数学模型和设计合适的观测器和控制器，可以实时地估计出车辆或飞机的位置、速度、姿态等信息，从而实现准确的导航和控制。
此外，卡尔曼滤波还可以对各种噪声进行过滤和消除，提高信号的信噪比和精度。
基于Kalman滤波原理对惯导中重力扰动的估计及补偿方法
基于Kalman滤波原理对惯导中重力扰动的估计及补偿方法周潇;杨功流;王晶;史俊;刘元元;李晶【摘要】重力扰动(空间同一点实际重力与正常重力之差,包括垂线偏差和重力异常两部分)一直是惯性导航系统的重要误差源之一.随着惯性器件精度的逐步提高,重力扰动所引起的导航误差已成为高精度长航时惯导系统的主要误差之一,不能被忽略,必须对其进行补偿.针对重力扰动误差精确补偿问题,只考虑重力异常的情况,推导并建立了考虑重力异常的惯导误差方程.对误差传播进行了分析,利用Kalman滤波原理设计了带有重力异常状态量的状态方程,并利用GPS和惯导的速度误差作为观测量对重力异常进行滤波并对滤波后得到的重力异常值对惯导重力异常项补偿.进行了2h的仿真,结果表明:Kalman滤波后可得到当地的重力异常值,重力异常补偿后,速度误差精度可以提高约0.3m/s,姿态精度提高约0.3',位置精度提高约150 m.【期刊名称】《中国惯性技术学报》【年(卷),期】2015(023)006【总页数】6页(P721-726)【关键词】捷联惯导系统;重力扰动补偿;惯导误差方程;Kalman滤波【作者】周潇;杨功流;王晶;史俊;刘元元;李晶【作者单位】北京航空航天大学仪器科学与光电工程学院,北京100191;惯性技术国防重点实验室,北京100191【正文语种】中文【中图分类】U666.1惯性导航系统[1]不需要任何外来信息，也不会向外辐射任何信息，仅靠惯性导航系统本身就能在全天侯条件下，在全球范围内和任何介质环境里自主地、隐蔽地进行连续的三维定位和三维定向，具有诸多其他导航系统无法比拟的优点。
在惯性导航系统中[2-3]，加速度计组件测量的是比力，比力是载体运动加速度和重力加速度的矢量和。
运动加速度是进行导航解算需要知道的加速度，但是，根据Einstein等价性原理，加速度计是无法区分运动加速度和重力加速度的，需要通过其他手段将比力中的重力加速度扣除，此称为重力补偿。
卡尔曼滤波对测量数据处理的程序实现方法
第1章绪论1.1 研究的目的自从1960年卡尔曼滤波提出以来，它已成为控制，信号处理与通信等领域最基本最重要的计算方法和工具之一，并已成功的应用到航空，航天，工业过程及社会经济等不同领域，比如，在雷达中，人们感兴趣的是跟踪目标，但目标的位置、速度、加速度的测量值往往在任何时候都有噪声。
卡尔曼滤波利用目标的动态信息,设法去掉噪声的影响，得到一个关于目标位置的好的估计。
这个估计可以是对当前目标位置的估计（滤波），也可以是对于将来位置估计（预测），也可以是对过去位置的估计（差值或平滑）。
但随着微型计算机的普及应用,对卡尔曼滤波的数值稳定性、计算效率、实用性和有效性的要求越来越高，随着微型计算机时代的来临显著地提高了科学计算的能力，滤波大量复杂的计算在计算机种只需要几分钟就能算出，为此本文将对卡尔曼滤波进行研究。
1.2 研究的意义卡尔曼滤波 ( Kalman , 1960) 是当前应用最广的一种动态数据处理方法 , 它具有最小无偏方差性. 把变形体视为一个动态系统 , 将一组观测值作为系统的输出 , 可以用卡尔曼滤波模型来描述系统的状态. 动态系统由状态方程和观测方程描述 , 以监测点的位置、速率和加速率参数为状态向量 ,可构造一个典型的运动模型. 状态方程中要加进系统的动态噪声. 其滤波方程是一组递推计算公式 ,计算过程是一个不断预测、修正的过程 , 在求解时 , 优点是不需保留用过的观测值序列 , 并且当得到新的观测数据时 , 可随时计算新的滤波值 , 便于实时处理观测成果 , 把参数估计和预报有机地结合起来. 卡尔曼滤波特别适合变形监测数据的动态处理.1.3 研究的方法1.4 课题的主要内容本文先从现代测量误差处理理论基础开始讲解，细致的写出现代测量误差都有那些函数，并详细分析讲解这些函数，在继续讲解最小二乘与卡尔曼滤波的关系，如量测值越多，只要处理得合适，最小二乘估计的均方误差就越小。
采用批处理实现的最小二乘算法，需存储所有的量测值。
用“卡尔曼滤波器”来处理“加速度计数据”(加速度,陀螺仪调试)
用“卡尔曼滤波器”来处理“加速度计数据”（加速度，陀螺仪调试）关键词：SCA3000，ADIS16255，加速度计、陀螺仪数据计算处理算法，卡尔曼滤波器、扩展卡尔曼滤波器。
关键词：加速度计和陀螺仪驱动，SCA3000，ADIS16250，ADIS16255，温度、重力加速度、角速度计算方法，SPI总线，SCA3000模式设置（Mode）、参数设置、读写,ADIS16255读写、参数设置,陀螺仪数据处理SCA3000，ADIS16255，加速度计、陀螺仪数据计算处理算法、调试结果，航空模型飞行，无人驾驶飞机，三维数据处理，XYZ角度，水平垂直仪器装置。
最近专注于GPS定位的精度算法研究。
众所周知GPS有一定的误差，如果GPS的误差在10米范围的话，远超过了车道的宽度，要想定位在车道上，确实是个难度。
可以利用固定GPS基站的方式来校准精度，但还有一个问题，芯片提供的定位周期最快只有一秒。
就是说，这一秒范围内的轨迹是空白的，当速度达到一定程度的时候，一秒的距离已经很远，甚至已经完成了一个快速小角度偏转动作。
那么这样的话精度将会大大降低。
为了填补这一秒中的轨迹空白，于是我们增加了加速度计和陀螺仪芯片，利用两者数据推算轨迹，将轨迹周期提高到13毫秒。
陀螺仪内置有DSP功能模块，精度相当的高。
但加速度计在物体运动的时候，有很大的噪声。
去掉这些噪声是必须的，我们选择了卡尔曼滤波器。
经过滤波以后的，使得噪声有了很大的收敛。
给数据的准确性提升了一个很大的台阶。
卡尔曼的5个基本公式：X(k|k-1)=A X(k-1|k-1)+B U(k) (1)P(k|k-1)=A P(k-1|k-1)A’+Q (2)X(k|k)=X(k|k-1)+Kg(k)(Z(k)-H X(k|k-1)) (3)Kg(k)=P(k|k-1)H’/(H P(k|k-1)H’+R) (4)P(k|k)=（I-Kg(k)H）P(k|k-1) (5)有关其卡尔曼原理这里不再解释，有兴趣的可以搜索来看看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
平台式重力仪测量数据的卡尔曼滤波处理蔡体菁;周薇;鞠玲玲【摘要】根据三轴惯性平台海空重力仪的特点,在重力测量数据处理中,把重力异常作为状态量,建立了扩展卡尔曼滤波状态方程和观测方程,并阐述了三轴惯性平台海空重力仪重力测量数据处理步骤.依据给出的卡尔曼滤波方程,应用平滑卡尔曼滤波方法,对三轴惯性平台海空重力仪的海洋重力测量数据进行了处理.海空重力仪测量结果为:南北重复测线内符合精度为0.2 mGal,东西重复测线内符合精度为0.4 mGal,空间分辨率为650 m.【期刊名称】《中国惯性技术学报》【年(卷),期】2015(023)006【总页数】4页(P718-720,726)【关键词】海空重力仪;数据处理;卡尔曼滤波;重力异常【作者】蔡体菁;周薇;鞠玲玲【作者单位】东南大学仪器科学与工程学院,南京210096;东南大学仪器科学与工程学院,南京210096;东南大学仪器科学与工程学院,南京210096【正文语种】中文【中图分类】P631.1自20世纪90年代以来，海空重力仪发展迅速，出现了一系列商用二轴和三轴稳定平台式海空重力仪[1-2]。
二轴稳定平台式海空重力仪有：美国Micro-g LaCoste公司的L&RS、SII海空重力仪、TAGS航空重力仪，俄罗斯中央电气仪表所的CHEKAN-AM海空重力仪。
三轴稳定平台式海空重力仪有：加拿大Sander地球物理公司的AIRGrave航空重力仪，俄罗斯重力技术公司的GT-A航空重力仪、GT-M海洋重力仪。
近十几年来，我国海空重力仪发展也很迅猛[3-4]。
中国船舶重工集团公司天津航海仪器研究所和中国科学院测量与地球物理研究所都分别研制出二轴稳定平台式重力仪，北京自动化设备研究所研制出三轴惯性平台海空重力仪。
目前国际上大多数稳定平台式海空重力仪配套的处理软件都是应用IIR滤波器和FIR滤波器来处理重力数据[5]，而GT-1A航空重力仪配套的重力处理软件不仅用了FIR低通滤波，而且还用了卡尔曼滤波技术[6-7]。
国内学者提出用小波方法处理航空重力测量数据。
东南大学在研究航空重力数据处理的FIR滤波、IIR滤波和小波等方法[8]的基础上，提出用平滑卡尔曼滤波方法处理重力数据。
本文针对国产三轴惯性平台海空重力仪，给出重力测量数据的平滑卡尔曼滤波方法，以及处理重力测量数据的结果。
国产三轴惯性平台海空重力仪是由三轴惯性平台、重力敏感器、二次电源、控制电路、GPS接收机、计算机和显控存储装置等组成的。
三轴惯性平台使用的惯性敏感器是2个两自由度动力调谐陀螺和3个石英挠性加速度计；重力敏感器采用小量程高精度的石英挠性加速度计；计算机进行导航计算；显控存储装置用来控制海空重力仪完成各个工作流程，存储和显示海空重力仪测量数据、导航参数和状态。
海空重力仪工作流程包含准备和测量二个阶段，其流程见图1所示。
准备阶段主要是使惯性器件精度达到要求，完成重力仪的初始对准。
具体完成的任务有：① 通电预热：重力仪内部所有分部件均启动工作，并对稳定平台进行温度控制；② 参数自标定：利用稳定平台框架实现惯性器件的不同空间标定位置，标定出陀螺、加速度计的关键参数；③ 抗扰动对准：调整稳定平台坐标系精确进入测量工作状态。
测量阶段包括三个步骤：① 前校测量：完成准备后，在载体不移动的情况下，进行一段时间的静态测试，自动记录重力仪和卫星数据；② 重力测量：平台系统工作于动态导航状态，自动记录重力仪和卫星的数据，是重力测量的主体工作；③后校测量：在完成测量后，载体回到出发点，重新进行一段时间的静态测试，自动记录重力仪和卫星数据。
最后将所有数据存贮到硬盘设备中保留。
国产三轴惯性平台海空重力仪的重力传感器是被垂直安装在一个带舒拉调谐的三轴稳定平台上的。
在航行中，校正回路可以将GPS的位置和速度信息提供给平台作阻尼，平台导航坐标系为游动方位坐标系。
它提供的信息为：三个加速度计的输出，载体的姿态、温度、平台参数，GPS移动站的星历、伪距、多普勒频移、载波相位等原始数据。
利用以上信息以及GPS基站的原始信息，能够计算得到测线上的自由空间重力异常。
自由空间重力异常Δg可以通过对惯性导航比力方程的变形得到，其方程为式中：fup为加速度计的垂向分量，g0为正常重力场，为载体的垂向加速度，ωe 为地球旋转角速度，VE和VN为载体的东向和北向速度，φ为载体的纬度，Rλ和Rφ分别为参考椭球子卯酉圈和午圈曲率半径。
在工作时，海空重力仪的三轴惯性平台作舒拉或阻尼振荡，会引起平台倾斜，即平台存在一个失准角，方程(1)可改写为式中：fz是重力传感器输出，fx、fy是水平加速度计输出，β、γ是平台失准角。
在地球物理学中，重力异常可以用随机统计模型来描述。
本文采用如下近似模型来描述重力异常：式中：ρ为噪声强度，q为白噪声。
令方程(2)和方程(3)可以改写为卡尔曼滤波状态方程形式：状态向量为 X=[h, W ,Δ g, U]T。
用差分 GPS的高度信息作为卡尔曼滤波的观测信息，观测方程为式中：h为高度，H为测量矩阵，ν为测量噪声。
式(4)和式(5)可以写成随机线性离散系统形式：式中：Xi是 ti时刻的状态向量；Φi+1,i是 ti时刻到 ti+1时刻的状态转移矩阵；Bi是系统输入矩阵；ui是系统输入向量；Gi是系统噪声输入矩阵；wi是系统噪声向量；Zi是ti时刻的观测向量；Hi是观测矩阵；vi是观测噪声向量；wi和vi均是零均值高斯白噪声且相互独立，其噪声强度分别为Qi和Ri。
应用平滑卡尔曼滤波方法求解重力异常。
方程(6)的卡尔曼滤波为式中：初始条件为是先验状态估计量，i是后验状态估计量，Ki是增益矩阵，Pi/i-1是先验状态估计量的误差协方差阵， Pi是后验状态估计量的误差协方差阵。
在进行上述滤波的同时，需要存储i/i-1、Pi/i-1、i和 Pi，然后根据以下方程进行滤波平滑：式中：初始条件为是平滑后的状态估计量，是平滑后状态估计量的误差协方差阵。
有关平滑卡尔曼滤波的理论与方法见参考文献[9]。
2015年6月国产三轴惯性平台海空重力仪在青岛进行了近海重力测量试验。
海空重力仪放在近海科考01号船上，GPS基站设在码头岸上，船以13 n mile/h的平均速度在近海上航行，沿南北和东西两条航线做重复线测量。
试验结束后，对GPS基站数据和海空重力仪测量数据进行事后重力数据处理。
三轴惯性平台海空重力仪重力测量数据后处理步骤如下：首先利用GPS基站和GPS移动站的原始数据，进行差分GPS的伪距、多普勒频移和载波相位计算方法，得到船航行的位置和速度；其次根据GPS提供的位置、速度信息和三轴惯性平台海空重力仪的输出信息，用卡尔曼滤波技术估计出惯性稳定平台失准角、重力传感器误差和加速度计误差；然后对各种误差进行修正，再利用上面给出的平滑卡尔曼滤波，计算出测线上的自由空间重力异常。
图2给出了三轴惯性平台海空重力仪重力数据处理流程。
根据上述三轴惯性平台海空重力仪重力测量数据处理步骤，对近海重力测量试验数据进行处理，其结果是：南北重复测线内符合精度为0.2 mGal，东西重复测线内符合精度为0.4 mGal，空间分别率为650 m，自由空间重力异常曲线如图3和图4所示。
国产三轴惯性平台海空重力仪的近海重力测量试验结果表明，该海空重力仪具有良好的动态测量性能，测量精度优于0.5 mGal。
本文给出的卡尔曼滤波状态方程以及平滑卡尔曼滤波方法能够很好地处理三轴惯性平台海空重力仪重力测量数据。
对于目前处理海空重力仪重力测量数据唱主角的FIR和IIR低通滤波器方法来讲，卡尔曼滤波将是一个不错的选择方法。
【相关文献】[1] Brochure—TAGS air III gravity meter[EB/OL]. [2015-08-09]..[2] Sokolov A V. High accuracy airborne gravity measurements methods and equipment[C]//18th IFAC World Congress. Milano, 2011: 1889-1891.[3] 奚碚华, 于浩, 周贤高. 海洋重力测量误差补偿技术[J]. 中国惯性技术学报, 2011, 19(1): 1-5. Xi Bei-hua, Yu Hao, Zhou Xian-gao. Compensation of ocean gravity measurement errors[J]. Journal of Chinese Inertial Technology, 2011, 19(1): 1-5.[4] 胡平华, 黄鹤, 赵明, 等. 轻小型高精度惯性稳定平台式航空/海洋重力仪研究[C]//中国惯性技术学会第七届学术年会论文集. 2015: 30-35. Hu Ping-hua, Huang He, Zhao Ming, et al. Study of airborne/marine gravimeter based on high precision inertial stabilized platform. 2015: 30-35.[5] Ayres-Sampaio D, Deurloo R, Bos M, et al. A comparison between three IMUs for strapdown airborne gravimetry [J]. Surveys in Geophysics, 2015: 1-16.[6] Bolotin Y V, Vyazmin V S. Gravity anomaly estimation by airborne gravimetry data using LSE and minimax optimization and spherical wavelet expansion[J]. Gyroscopy and Navigation, 2015, 6(4): 310-317.[7] Smoller Y L, Yurist S S, Golovan A A, et al. Using a multiantenna GPS receiver in the airborne gravimeter GT-2a for surveys in polar areas[J]. Gyroscopy and Navigation, 2015, 6(4): 299-304.[8] Zhou Wei, Cai Ti-jing. Study on filtering methods of airborne gravity[C]//Applied mechanics and materials, 2013, 333-335: 516-521.[9] Peter S M. Stochastic models, estimation and control[M]. New York: Academic Press, 1982.。