"GPS动态定位自适应卡尔曼滤波算法研究"
本文研究了GPS动态定位中自适应卡尔曼滤波算法的应用，讨论了 Sage-Husa 滤波和强跟踪滤波两种常见的自适应卡尔曼滤波算法的优缺点，并提出了抗粗差的修正算法。该算法通过组合 Sage-Husa 滤波和强跟踪滤波两种算法，能够有效抑制少部分粗差带来的影响，计算结果表明效果很好。
卡尔曼滤波是一个不断预测、修正的递推过程，不需要存储大量的观测数据，并且当得到新观测数据时，可以随时算得新的参数滤波值，便于实时地处理观测结果。因此，卡尔曼滤波算法越来越多地应用于动态定位数据处理中，尤其是GPS动态数据处理。
然而，在一般情况下，卡尔曼滤波所基于的动力学模型和随机模型不可能准确无误。特别是带有粗差的样本数据常常会使卡尔曼滤波器对系统的状态预报进行错误的修正，使得滤波结果发生偏移，甚至发散。因此，在卡尔曼滤波中加入抗粗差处理是非常必要的。
本文讨论了卡尔曼滤波在GPS动态单点定位中的应用，特别是常见的自适应卡尔曼滤波模型。常见的自适应卡尔曼滤波模型在GPS动态单点定位中，一般采用常加速模型（CA模型），卡尔曼滤波系统的状态方程和观测方程可以表示为：
X(k+1) = FX(k) + GW(k)
Z(k) = HX(k) + V(k)
其中，X(k)为状态矢量，F为状态转移矩阵，G为过程噪声矩阵，H为观测矩阵，W(k)和V(k)为过程噪声和观测噪声。
本文还讨论了 Sage-Husa 滤波和强跟踪滤波两种常见的自适应卡尔曼滤波算法的优缺点，并提出了抗粗差的修正算法。实验结果表明，提出的算法能够有效抑制少部分粗差带来的影响，计算结果很好。
本文研究了GPS动态定位中自适应卡尔曼滤波算法的应用，讨论了卡尔曼滤波在GPS动态单点定位中的应用，并提出了抗粗差的修正算法。该研究结果对GPS动态定位的发展具有重要意义。
