Адаптивная обработка данных авиационной гравиметрии

  • автор:
  • специальность ВАК РФ: 01.02.01
  • научная степень: Кандидатская
  • год, место защиты: 2012, Москва
  • количество страниц: 112 с. : ил.
  • бесплатно скачать автореферат
  • стоимость: 240,00 руб.
  • нашли дешевле: сделаем скидку
  • формат: PDF + TXT (текстовый слой)
pdftxt

действует скидка от количества
2 диссертации по 223 руб.
3, 4 диссертации по 216 руб.
5, 6 диссертаций по 204 руб.
7 и более диссертаций по 192 руб.
Титульный лист Адаптивная обработка данных авиационной гравиметрии
Оглавление Адаптивная обработка данных авиационной гравиметрии
Содержание Адаптивная обработка данных авиационной гравиметрии
Вы всегда можете написать нам и мы предоставим оригиналы страниц диссертации для ознакомления
Оглавление
Обозначения и сокращения
1 Введение
1.1 Цели работы
1.2 Авиационная гравиметрия
1.2.1 Модели гравитационного поля
1.2.2 Задача построения карт аномального гравитационного поля по данным авиасъемки
1.2.3 Основные уравнения авиационной гравиметрии
1.2.4 Обзор методов оценивания в авиационной гравиметрии
1.3 Обзор методов адаптивной фильтрации
1.3.1 Модель линейной системы с марковскими скачками
1.4 Возможности применения методов адаптивной фильтрация для решения
задачи авиационной гравиметрии
2 Адаптивное оценивание силы тяжести
2.1 Задача оценивания силы тяжести как задача оценивания вектора состояния линейной системы с марковскими скачками
2.2 Идентификация
2.2.1 Регуляризация данных
2.2.2 Общий вид скрытой марковской модели смеси скользящих средних
(СММ-СС)
2.2.3 Обучение СММ-СС
2.2.4 Обучение на множестве независимых испытаний
2.2.5 Обучение. Алгоритм прямого-обратного хода
2.2.6 Обучение. Оптимизация целевой функции
2.2.7 Распознавание СММ-СС
2.3 Оценивание градиента аномалии
2.4 Оценивание аномалии
2.5 Определение точности оценивания аномалии на галсе

2.6 Дополнения
2.6.1 ЕМ-алгоритм и алгоритм прямого обратного хода в задаче обучения СММ-СС
2.6.2 Вычислительная устойчивость алгоритма прямого-обратного хода
2.6.3 Аппроксимация смеси скользящих средних в задаче регуляризации данных
2.7 Заключение ко второй главе
3 Обработка данных
3.1 Регуляризация полетных данных
3.2 Идентификация модели данных
3.2.1 Обучение
3.2.2 Распознавание
3.2.3 Сглаживание результатов распознавания
3.3 Оценивание градиента аномалии
3.4 Оценивание аномалии
3.5 Оценивание точности. Сравнение с неадаптивными линейными алгоритмами
3.6 Заключение к третьей главе
Основные результаты диссертации
Список работ автора
Список литературы

Обозначения и сокращения
АГ — авиационная гравиметрия
АГК — аэрогравиметрический комплекс
АРСММ — скрытая марковская модель авторегрессии
ACT — аномалия силы тяжести
БИХ — бесконечная импульсная характеристика
ЗАГТ — задача авиационной гравиметрии на траектории
ИНС — инерциальная навигационная система
КИХ — конечная импульсная характеристика
ЛА — летательный аппарат
МАВ — максимум апостериорной вероятности
ММП — метод максимума правдоподобия
МНК — метод наименьших квадратов
МЦ — марковская цепь
ОСШ — отношение сигнал-гаум
ПСТ — поле силы тяжести
СКО - среднеквадратическое отклонение
СММ — скрытая марковская модель
СММ-СС — скрытая марковская модель смеси скользящих средних СНС — спутниковая навигационная система СС — скользящее среднее ЧЭ — чувствительный элемент ФК — фильтр Калмана 1 Гал - 1СГ2 м/с2 1 мГал — 10-5 м/с2 BF — Bierman filter
ЕМ — expectation-maximization (algorithm)
FDAF — frequency-domain adaptive filter MJLS — Markov jump linear system NL-means — nonlocal means LMS — least mean squares (adaptive)

Задача оценивания аномалии может быть поставлена как задача МАВ для системы (2.1.6):
y(tk) = argmax/y(i/(tfc)|Z) (2.1.7)
y(tk)
где Z — набор измерений на галсе. Сложность данной задачи заключается в том, что часть параметров модели неизвестны. Неизвестными являются как некоторые параметры модели 0 = {Qu R3, atJ, я,}, так и не наблюдаемые последовательности состояний МЦ S. Плотность fY{y{tk)Z) является условно гауссовой:
fv(y(h)Z) = J2fY(y(tk)S,z)Ps(SZ)
Здесь fY(y(tk)S, Z) - гауссовая плотность распределения, Ps(SZ) - апостериорная вероятность траектории МЦ. Таким образом, }у{у{к)Z) представляет модель гауссовой смеси [54]. В случае, когда параметры 0 формирующей системы известны, оптимальным нелинейным фильтром решающим задачу (2.1.7) является фильтр, построенный с помощью банка калмановских фильтров [48]. Однако время работы данного алгоритма экспоненциально растет в зависимости от объема данных [48]. Наличие неизвестных параметров 0 еще больше усложняет задачу. В литературе существует ряд субопти-мальных алгоритмов, позволяющих решать задачу (2.1.7), обзор которых рассмотрен в § 1.3.1. Большинство методов в том или ином виде сводятся к редукции задачи (2.1.7) на задачу идентификации - оценивания неизвестных параметров системы, и фильтрации - оценивания вектора состояния системы.
В процессе работы над диссертацией была разработана методика решения задачи (2.1.7) применительно к данным авиационной гравиметрии (2.1.6) [7, 41]. Данная методика позволяет построить оценивание аномалии в несколько этапов, каждый из которых является оптимизацией по определенной группе параметров.
1. Идентификация.
• Обучение: оценивание всех возможных дисперсий шумов сиситемы, переходных и начальных вероятностей МЦ. Критерий оптимизации - ММП-
0 = arginax/2(Z|0).

• Распознавание: оценивание пути МЦ. Определение дисперсий шумов системы как функций времени. Критерий оптимизации - МАВ:
S = argmax/s(5|Z,0).

Вы всегда можете написать нам и мы предоставим оригиналы страниц диссертации для ознакомления

Рекомендуемые диссертации данного раздела