����С����ARMAģ�͵������Ӳ�Ԥ������

???????????????????????????????????????????????????????????????????????????????????????????????????????????С????ARMA????????????????????????в???IGS?????????????????????????????????????????????????????????     

����D-InSAR���������������������ͬ���α����

????DORIS?????????????ENVISAT????????????NASA??????SRTM?????????DEM????????????????????????????????????α??????????????????????????????????????????????????ε??????????????????????????????????????????????????????25.2 cm??     

����GLONASSƵ���Ľ��û�������λ����

????GLONASS???????????????????????????GLONASS??????????????????????????GLONASS??????????????λ????????GLONASS???????????????IGS??????????е?????λ???????????????????????GLONASS????????????????????????????λ??????     

����Tongji-GRACE01ģ�͵��ϼ������仯����

???????·?????Tongji-GRACE01?????????????????????????????????????????????+??????????????????????????GIA????????????仯??????????GIA??????????????仯??????о???????RMS????2003-01??2011-08????????仯???????????-128.2±34.6 Gt/a??Pau-5-AUT??????-177.9±40.2 Gt/a??W&W-4-AUT??????-92.8±31.2 Gt/a??W12a??????     

����TRACK����GPS����Ԫ��λ

????GPS??????????GAMIT?е???????λ??飨TRACK??????1 Hz??3 s??????GPS?????????????ж?λ??????????????????????????????????????????????????????30 s??????1Hz???????????????????С??10 km??10~100 km??????????100 km 3????????д??????λ??????????????????????????????????????????￡??????λ???????????????????5 mm??     

����GPSվ�������й���������ȡ���α����

??????????GPS???????????????е???????????????????????α??????????????á??????????????PCA????Karhunen??Loeve?????KLE??????????????????GPS????????????????????з????????????÷??????????????6????????????????????GPS????????5?????????????У??????????Щ??????????д?????????????????????????????????е???????????????????????α???????????????????     

����Bayesian����BP�������GPS�߳�ת��

?????BP?????????????????????????????????????Bayesian?????????BP??????????????????????????GPS??????????????????L-M????????????????????????Bayesian??????BP????????????????????????????????????     

����Ms6.6�����InSAR�۲⼰�ϲ�λ����

????3??Envisat?????????,?????2008??10??6?????????Ms6.6??????????????α?,????????????4????????????δ?????????????α?,?????????????????20 km??20 km??Χ??????0.3 m????????Ρ??α??????????????????????????????????????t???????????λ???????????????????????????λ?????????????????????????????????????????????λ???3 m, ????λ??90.374??E, 29.745??N????Mw6.35??????????????189?????60????????????????′???????ε?μ?????????????12 km,??11 km,???9.5 km???????????????????????????????????????????????й??     

����GPS�۲������ظ�ԭ��ԵӦ������

????????????2004~2007???GPS??????????????溯??????????????????????????????????????????????μ????????????????????????????????????????????????????????????????ε????????????????????嶫????????????????????????????????б??κ????????????????????????????2008??????????????????????????θ?????????????????????????????????????ж??????????????????????????????????????-????????????????????????-?????????????????ο??????????????????????????????????????????θ?????????????????????????й??     

����GPS���߽�������ͳ�Ʒ���

??????????????????TIKHONOV??????????GPS?????????????????????????????????ε??????????о????????????????????????????????????????????????????????????????????????????????????У?????????з??????Eviews???????????????е????????????????????????ó??????1?????????????????????С??1 mm???????????????????????????????е???????????2????????????????5 mm?????????????????????3???????????X????Y??????н???????????????????????????????????????????????????·??Ч???4???????????Z???????????????????·????Z??????С??     

基于奇异谱分析的GNSS坐标时间序列粗差探测与噪声估计

考虑到传统谐波模型难以精确描述GNSS坐标时间序列的非线性变化,导致信号和噪声不能很好地分离,进一步影响粗差探测和噪声估计,本文提出一种基于奇异谱分析的粗差探测与噪声估计算法。首先采用奇异谱分析方法分离出GNSS坐标时间序列中的信号与噪声,然后基于IQR准则探测噪声中的粗差,最后采用最小二乘方差分量估计（LS_VCE）方法定量估计各噪声分量。算例表明,相比于传统基于谐波模型的算法,该算法的粗差探测准确率更高,且估计的噪声分量与真值更接近。     

�������ݶ�ά�ֲ�ĻҰ�����̽�ⷽ��

???С??????δ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????÷??????????Ч???????????     

GNSS形变监测时间序列的粗差数据处理方法

针对GNSS形变监测的传统粗差探测算法性能受限于数据长度的问题,提出基于小波分析的一阶导数粗差剔除法。首先使用新算法对原始信号进行粗差剔除,再利用广义延拓插值补充残缺点。实测算例结果表明,新算法执行时间是3倍中误差法（3σ法）的0.01倍,插值后与真实值偏离仅0.03 mm,远优于其他传统粗差探测手段。     

ɽ��LIDAR�������ݵĽײ�δֲ�̽�������

??????LIDAR??????????????????????????????????????????????????????????????????LIDAR????????????????δ????????????????????????????????????÷?????????Ч????????????LIDAR???????????е???????????????????????????Ч????     

���ڰ����ģ�͵�ϵͳ�����ֲ�Ŀ��������о�

???????????????ü???????????????????????????????????????????????????????????÷???????Ч??????????     

水准数据粗差探测的组合分析方法

为有效提高水准数据粗差探测水平,提出利用水准网环闭合差分析和Baarda探测法进行粗差探测的组合分析方法。通过对Baarda探测法的限差选择、不同粗差的探测等进行试验分析发现,该方法能够有效探测水准观测数据中的粗差,提高探测结果的准确性。     

基于GPS高程时间序列粗差的抗差探测与插补研究

研究抗差估计和稳健估计粗差探测IQR准则的粗差剔除算法以及缺值点插值的正交多项式最小二乘拟合方法。以中国3个CORS基准站从1999-03-01—2009-12-31日的单天解GPS高程时间序列为对象进行粗差探测与插补的试验。结果表明：抗差估计比IQR准则能更有效地探测和剔除粗差;三次样条插值当连续缺失历元超过5~10个时插值结果易发生扭曲;低次正交多项式拟合的结果稳定,一般选择2~3次拟合即可获得理想的效果,当连续缺失历元达3个月时,正交多项式拟合后的曲线与序列趋势仍基本一致。     

ˮ׼���ݴֲ�̽�����Ϸ�������

???Ч????????????????????????????????????????Baarda??????д???????????????????????Baarda??????????????????????????????????????÷????????Ч?????????????е??????????????????     

顾及三维方向的GNSS坐标时间序列粗差探测方法

针对GNSS坐标时间序列中粗差为三维位置粗差的特点,提出综合三维坐标的迭代最小二乘粗差探测方法。通过实验模拟数据,分别利用3倍中误差（3σ）准则和四分位距（interquartile range, IQR）准则对单方向和综合N、E、U三方向的粗差进行探测。结果表明,2种判别准则中,综合考虑3个方向的探测效果远好于单方向的探测效果,且探测效率均超过95%;3σ准则的探测效率稍高于IQR准则,但误判率也较高。在实测数据中的应用表明,SOPAC(Scrips Orbit and Permanent Array Center)提供的部分raw类型全球IGS站时间序列中粗差占0.1%~4.7%;运用IQR准则综合3个方向的粗差探测得到的时间序列要比cleaned trend类型更加干净。     

基于卡方检验的抗差自适应Kalman滤波在变形监测中的应用

在抗差Kalman滤波的基础上引入双自适应因子,分别对动态模型不准确和观测模型存在粗差进行调节,构建双自适应因子滤波模型。针对抗差自适应Kalman滤波效率较低的缺点,通过构建基于卡方检验的抗差自适应Kalman滤波,先用卡方检验对粗差进行检验,再调用抗差自适应Kalman滤波进行处理。工程实例表明,双自适应因子滤波模型可以很好地抵御粗差,并减弱模型不精确的影响。基于卡方检验的抗差自适应Kalman滤波不仅可以削弱粗差对滤波估值的影响,而且可以提高数据处理的效率。