测量船在海上航行时受到海浪、海风等环境因素影响,会产生摇摆,高精度测量要求对实测船摇数据实时滤波,并计算船摇角度、角速度及角加速度的多步预测值。同时,提前几秒或十几秒预报出船舶的运动姿态,能进一步提高减摇装置的控制精度,减小船舶摇荡,提高船舶的耐波性。故研究船摇数据特性及其滤波和预报方法,对提高海上综合测量精度有较强的意义。本文主要研究以下内容:(1)基于实测数据,全面分析了测量船海上姿态数据特性。频谱特性分析表明,船摇数据主要信息分布在小于0.6 Hz的低频范围,噪声特性分析指出其噪声为非高斯白噪声。船摇数据高阶量分析表明,四次差分后jounce周期性显著减弱,短时间内可以将其看成jounce噪声量驱动的过程。同时,从定性和定量角度分析了船摇数据混沌特性,确定了横摇和纵摇数据重构时延和嵌入维度。(2)基于船摇数据特性分析,引入机动目标跟踪理论研究船摇滤波及多步预报。针对现有模型阶数不够高的问题,推导了更高一阶的模型,提出了基于最大相关熵的CS-Jounce自适应方法。仿真结果表明,该方法适用于船摇数据非高斯白噪声环境,可以很好的估计并预报船摇角速度及角加速度,具有较高的滤波和预报精度,且鲁棒性较强。(3)在数据滤波基础上,进一步研究船摇数据极短期预报。基于船摇数据混沌特性,利用数据压缩和相空间重构简化了模型结构,分析了利用RBF神经网络离线训练并在线预报方法的效率和精度,指出其适用于横摇和纵摇数据的在线预测。提出基于相空间重构的KRLS算法可用于横摇和纵摇数据的在线预报,这种方法能达到比RBF网络更高的预测精度,且计算效率较高。针对非平稳的航向数据,提出H-P趋势项提取结合RBF网络预报的方法。仿真结果表明,该方法能有效实现航向数据的在线预报,克服了单纯RBF网络方法在非平稳数据预报中精度变差的问题。