论文部分内容阅读
本文结合高铁轨道变形监测实际工程中的试验方案,针对静态监测和动态监测的数据,提出了一些新颖的数据处理算法并利用模拟数据和实测数据验证了算法的有效性和优势,主要工作包括:1.当通过GNSS在铁轨上某关键点进行长时间静态定位时,最难消除的是多路径效应误差。之前的研究表明,多路径误差与测站周围的环境紧密相关,因此本文基于每个卫星相对于测站的方位角、高度角和距离以及其他环境参数,推导了观测值域的单历元多路径函数。根据第一天的数据集来获得每个独立的GPS卫星多路径效应模型(SVR),然后利用此模型在后续几天的变形监测位置解算中来消除多路径误差的影响,提高精度。试验结果表明,位置精度在N、E、U方向上分别提高了25%左右。尽管模型的效果与模型的构建日和应用日之间的时间间隔成负相关,但在时间间隔达到一周时,精度还能提高5%左右,仍然有一定效果。对于GPS变形监测后处理,SVR方法比传统的ODSF方法在效果和可用性上表现更优,精度提高了6%。2.针对轨检小车在轨道上的动态监测,由于观测环境的特殊性,采集到的数据有可能会带有粗差,而且在滤波的观测方程中的系数矩阵和状态转移方程中的动态模型都可能存在偏差,因此提出并推导了自适应抗差加权总体最小二乘滤波算法(ARWTLSF),它顾及了观测方程中的粗差和系数矩阵中的随机误差、动态模型中的偏差。模拟实验表明,当混入了所有这些误差以及变化的模型时,其他已有的滤波算法结果误差太大,状态估计值根本不可信,ARWTLSF是唯一结果可用的算法。3.如果以轨检小车的欧拉角作为当状态参数,则旋转矩阵各元素均为三角函数的四则运算,线性化十分复杂。因此考虑以旋转矩阵各元素作为状态参数,以旋转矩阵的单位正交性作为约束,在上述滤波的算法基础上,提出了带有约束的自适应抗差加权整体最小二乘滤波算法(CARTWLSF),发现其比传统的卡曼滤波精度在空间位置精度上提高了29%~42%。此算法可以应用到任何需要考虑观测方程中的粗差和系数矩阵中的随机误差、动态模型的偏差而且状态参数有任意约束的情形,包括其他测量、定位与导航场景。