����EMD��GEP�Ļ��±���Ԥ��ģ��

??????????????????????????±???????????÷????????????????????t??????????????????з?????в????????????????????????????к???????з???????????????????????????????????????????÷???????????GM(1??1)??AR??LSSVM??????     

����LS+ARģ�͵�LODԤ������������Ӱ�����

????????LS+AR????????仯??LOD?????????????????????LOD?????????????LOD?в?????????????????????з???????????????????LOD??????У?????????????????18.6???9.3???????????????????????????????????????????????????????????????????????     

�����в�����Χ�������ڵؿ��α�����

?????????в?????1992??2001??2006??3??????????????????1999??2007??????GPS???????????????????????α?????????????????????????в??????????????α????????????????????????????????????????????仯??????GPS????????????????????????????????????????????????????????????????á?     

��ɫϵͳ�в�Ԥ��ģ�������������Ӧ��

????????GM??1,1???в?????????GMRCFS ???????????????????1998-06-10-11-28??5??GPS ??????α??????????????????GM??1,1???в??????н???????????????????????????α????????     

����³�����Ͼ����LiDAR���ƴֲ�̽�������

????3?????????????????LiDAR??????????????????????????LiDAR??????????????飬????????????????????????????????????????С???巽???????????3??????????????????3?????????????3???????????????????????????裬?????????????μó?????????б????????????????????????????????????????????????????????????????й???????????У?????????????в??????С??detMCD?в????????????С????????????????????????????????????????????????????????????????????????????????????С???????????????????????????????????????TIN?????????????,???????????????????????????Ч???LiDAR?????????е????????????????????????     

Contourlet��InSAR����ͼ�˲������о�

?о??????Contourlet?任?????????????????????·?????????Goldstein??С????????????????в????????????????????????????????????????????????????????к?????????????????????????????????????????в??????Ч??????????С???????????????????Щ????????Goldstein???Ч??????     

����������©���ļ���о�

????????2003-10-2009-06??38??ENVISAT ASAR ??????в??????PS???????飬???????????????????????????????????????????????????4??????????PS???????????????г??????     

����GPS��վ����в����е�ARMA��ģ�����о�

??GPS???????в????????????????ARMA?????????佨???????Box-Jenkins??????Pandit-Wu???????????????????????????????????,???в??????????????????????Ч??????????????????????????????Pandit-Wu???????Ч???????Щ,???в??????Box-Jenkins?????????1/3??????????????     

μ�Ӷ����ж��γ�ˮ׼����ķǾ��ȸ�λ����

???y??????????ж??????????洹??α??????????????λ???????????仯???????λ??????????????????μ??????ж??μ??β??????о???????????????????????????????????????????????ū??????????????????????1?????????????????????????????????????????????????￡?2????????????????????в?????????????????2008??2009????????????????????????й??2009??2010??????????????????????????????????????????4.4????????????2011?????????δ?????????     

COMPASS/GPS/GLONASSϵͳ������й�����ķ������

????STK?????COMPASS??GPS??GLONASS?????в???????????棬???й????????????????????PDOP??????λ??????з????????????????????????λ?????????UERE???????￡????????????????λ?????5??6 m??PDOP???0.8??0.9??????????????????????????????????????????????μ?PDOP????????λ?????????????????????     

����ARģ�͵��Ϻ������������Ԥ�����

????AR?????????????????????????????????????AIC?????AR????????????????????,AR??4?????????????????????AR(4)???????????δ??10???????????????????     

一种考虑PMX与PMY之间相关性的极移预报新方法

提出采用多元回归模型（MAR）与最小二乘（LS）组合进行极移预报。该模型考虑极移PMX和PMY的LS拟合残差之间的相关性,采用PMX残差和PMY残差一起构建预报模型进行残差预报。通过与LS+AR预报结果的对比表明,LS+MAR模型的预报结果更优。此外,通过与EOP_PCC预报结果的对比也说明,LS+MAR模型的短期极移预报精度能够达到国际先进水平。     

地球极移参数高精度双差分LS+AR预报方法研究

提出基于双差分最小二乘LS+AR模型的高精度极移参数预报方法。首先,对极移数据进行双差分处理,用以增强数据平稳性,获取差分极移数据,并采用LS方法对差分极移数据进行拟合,获取极移残差数据;其次,利用AR模型对极移残差数据进行预报;然后,综合LS外推预报值与AR模型预报值获取差分极移预报值;最后,对差分极移预报结果进行逆双差分处理,获取高精度的极移预报值。将该方法应用于实际极移参数预报中,结果表明,1d的极移X分量(PMX)预报精度优于0.25mas,极移Y分量(PMY)预报精度优于0.2mas。将该预报结果与国际EOP_PCC预报结果对比表明,极移短期预报精度与EOP_PCC预报结果相当,1d的预报精度略优于EOP_PCC预报结果。     

基于GM(1,1)+AR模型的钟差短期预报改进算法研究

针对传统GM(1,1)+AR组合模型的缺点,提出一种可及时更新建模序列和增强数据间相关性的循环式钟差预报模型,在预报过程中根据预报时刻的不同实时调整AR模型阶数。考虑到原始钟差建模序列长度会对预报精度造成影响,分别使用2 h、6 h、12 h和24 h的钟差序列构建模型。实验结果表明,改进模型的预报精度较传统方法有一定提高,且预报结果更稳定;使用不同长度的钟差序列构建模型对预报结果有一定影响,其中二次多项式模型受原始序列长度的影响较大,改进模型受影响较小。     

利用LS+AR模型和激发函数预报地球自转参数

分别采用LS+AR组合模型和包含大气角动量、海洋角动量的流体激发函数对地球自转参数进行长期预报。数值实验表明,激发函数预报精度优于LS+AR组合模型,其中大气角动量激发函数预报精度优于海洋角动量激发函数。     

加权复合分位数自回归模型在隧道围岩变形预测中的应用

提出加权复合分位数自回归模型对隧道围岩变形进行预测的新方法,并给出其原理和实现算法。以昆明市阳宗隧道为例,对加权复合分位数自回归预测模型进行计算,并与其他模型进行对比分析。结果表明,新方法预测效果优于非加权复合分位数估值的AR(2)模型、基于最小二乘参数估计的自回归预测、经遗传算法优化的支持向量机等预测方法。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

沉降观测AR模型的不确定性平差算法

在沉降观测过程中,获取的数据经常存在着不确定性,影响参数估计的可靠性和沉降预测的准确性。把不确定度作为参数融入AR模型,建立基于AR模型的不确定性平差模型。依据残差中不确定性传播规律,利用min-max估计准则,使得残差中的最大不确定度达到最小,从一个新的角度探讨不确定性观测数据的处理方法,得到基于不确定性算法的AR模型,扩展了现有误差理论。通过沉降实例进一步验证算法的优越性。