SKF滤波与AKF滤波在边坡形变的应用
2017-02-15徐文
网络安全与数据管理 2017年2期
徐 文
(三峡大学 计算机与信息学院,湖北 宜昌 443000)
SKF滤波与AKF滤波在边坡形变的应用
徐 文
(三峡大学 计算机与信息学院,湖北 宜昌 443000)
近年来处理边坡形变数据有很多方法,学术界较为流行的方法是把边坡体视为一个机动目标,对单条边坡体轨迹进行卡尔曼滤波平滑,来进行预测和估计。针对标准Kalman滤波观测噪声R为固定值的缺陷,本文进行了改进并对比,改进的自适应Kalman的精度得到提高,以中误差RMSE为指标分别减小了42.72%、19.70%、15.87%、16.21%,对同一边坡体多个测量点的轨迹进行融合,边坡的整体中误差下降了23.90%。
边坡;Kalman;自适应;滤波
0 引言
目前边坡监测的技术手段主要有四大类[1]:变形监测,物理与化学场监测,地下水监测,诱发因素监测。目前研究领域以第一类变形监测应用得最多。把边坡体的形变趋势视为一个机动目标[2]处理,Kalman 滤波是处理变形监测数据有效的一种动态数据处理方法,在变形监测领域中具有较好的应用效果[3],前人对此进行了较为广泛的研究。文献[4]提出了普通Kalman滤波对4个GPS传感器的边坡数据进行融合,对比原始数据的中误差,普通Kalman滤波之后的中误差分别得到下降。文献[5]提出了自适应Kalman滤波,效果得到了改进,但算法复杂。
1 算法原理
1.1 标准Kalman滤波SKF原理
将边坡监测点的位移和速度视为边坡的状态变量,则可建立滑坡在变形阶段的状态方程和实际量测方程,即动态监测模型:
在式子中,Q为状态噪声,R为观测噪声,Zk为边坡的实际位移检测值,它包含了各种影响监测的外界干扰因素(即噪声)。……
登录APP查看全文
