小波多尺度和多星融合的GPS-IR土壤湿度反演

全球定位系统干涉反射测量GPS-IR(Global Positioning System Interferometric Reflectometry)是利用多路径信噪比反射分量参数幅度、相位、频率的变化监测地表环境的技术。针对多路径信号中同时包含卫星直射信号和反射信号,传统低阶多项式难以准确提取卫星反射信号有效参数的问题,本文利用小波分析对卫星直射、反射信号进行分离,准确获取卫星反射信号,利用熵值法多星融合模型反演土壤湿度。经理论和实验研究表明:该方法能够更为精确地反映测站周围土壤湿度的变化,有效改善了部分异常跳变现象。相关系数为0.914,相比单星反演模型至少提高18.4%。     

基于小波变换的土壤重金属铬含量定量反演

耕地污染日益严重,耕地土壤的重金属高光谱信息属于非线性的微弱信号。小波变换作为常用的非线性微弱信号处理手段,在保留更多微弱信号的基础上可以更好的提取出土壤重金属的微弱光谱信息。文中研究在Db4小波对土壤原始光谱进行分解与重构的基础上提取特征波段,利用特征波段与重金属含量的相关性建立偏最小二乘模型反演土壤重金属铬含量。研究表明,利用Db4小波函数对原始光谱进行分解和重构可以有效提取土壤重金属铬的特征光谱信息;利用小波分解与重构所提取的特征光谱信息与重金属铬含量之间的相关性所建立的PLS模型的决定系数明显高于基于传统一阶微分处理土壤光谱所建立的PLS模型的决定系数。     

利用小波分解的GNSS-R雪厚反演改进算法

基于全球导航卫星系统反射测量(global navigation satellite system reflectometry, GNSS-R)数据的雪厚反演具有低成本、低功耗、全天时采集数据的特点,但利用GNSS信噪比观测值进行雪厚反演时,观测值受噪声信号功率影响较大,反演精度较低。基于此,提出一种基于小波分解的雪厚反演改进算法,利用小波分解良好的去噪效果,在不改变原始信号中的频率组成的情况下,较好地将噪声功率与信号功率分离。通过北极黄河站2017年年积日第32—100天采集的信噪比数据对此算法进行验证,由于黄河站雪厚变化复杂,同时对比分析了不同积雪状态下该算法的适用性。结果表明,所提反演算法与现有的雪厚反演算法相比,单天时间尺度上的反演结果与实测值的最大偏差由13.71 cm下降到9.43 cm,反演结果与实测值的中误差由7.08 cm下降到5.98 cm,反演结果本身的标准差由8.19 cm下降到7.07 cm,数据利用率由82.60%提升到89.31%。在雪面消融、积累、稳定时,反演结果与实测值的中误差分别由9.02 cm、10.30 cm、7.59 cm下降到5.82 cm、5.64 cm、7.17 cm,平均绝对误差分别由6.77 cm、7.52 cm、7.00 cm下降到5.39 cm、4.72 cm、6.73 cm。可见,在复杂的积雪变化下,所提改进算法反演结果的精度和可靠性有明显的改善。     

利用北斗GEO卫星反射信号反演土壤湿度

提出了一种基于北斗GEO卫星反射信号的土壤湿度长期连续探测方法,建立了土壤湿度反演模型,给出了信号处理的一般流程,并搭建陆基接收平台进行了验证试验。该方法采用GNSS-R双天线体制接收处理北斗GEO卫星直射和土壤反射信号,在信号同步的基础上提取信号功率并计算土壤反射率,进而根据反演模型得到土壤湿度。以北斗GEO卫星作为信号源,该方法可以在信号处理中省去一般GNSS-R处理过程的定位解算环节,能够实现对固定区域土壤湿度的长期连续观测。试验结果表明,基于北斗GEO卫星反射信号的土壤湿度反演结果在时间和数值上均具有良好的连续性,与土壤湿度参考值相吻合,均方根误差达到0.049,较北斗IGSO和GPS MEO卫星在反演土壤湿度方面性能更优。     

机器学习算法辅助的GPS信噪比观测值土壤湿度反演

利用BP神经网络和支持向量回归机两种机器学习算法,构建基于机器学习算法的GNSS卫星反射信号土壤湿度反演模型,并与线性回归统计模型和实测数据进行对比分析。结果表明:基于机器学习算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,反演模型的决定系数分别为0.928 3和0.913 1,均方根误差为0.026 6和0.032 6,线性回归统计模型的决定系数分别为0.553 2和0.859 8,均方差根误差分别为0.093 9和0.041 6。说明利用回归算法定量估测土壤湿度明显优于线性回归统计模型,且基于支持向量回归机的土壤湿度反演模型定量估测土壤湿度优于基于BP神经网络算法的土壤湿度反演模型,证明了该方法的可靠性,为土壤湿度的实时反演研究提供了一种新方法。     

小波变换与滑动窗口相结合的GNSS-IR雪深估测模型

GNSS干涉反射技术（GNSS interferometric reflectometry）是一种新型的地表雪深监测方式。针对当前信号分离不佳和随机估测偏差的问题,提出联合小波变换和滑动窗口构建一种多卫星融合的GNSS-IR雪深估测精化模型。该模型采用离散小波变换代替常用的多项式方法,获取高质量的信噪比序列。通过利用阈值约束下的滑动窗口筛选多卫星有效反射高度,并进行等权平均。以PBO H₂O和SNOTEL的雪深数据为参考值,利用2016—2017年雪季的GNSS观测数据建立模型并验证精度。结果表明：①GNSS-IR精化模型估测结果与实测数据在整体趋势上保持高一致性;②与单颗卫星结果相比,多卫星融合估测结果在精度和稳定性方面明显改善,其均方根误差（RMSE）为10 cm,相较于PBO H₂O减少了近50%。此外,考虑到地表粗糙度作为一种误差影响因素,采用新的反射高度基准修正的雪深估测相对RMSE误差约4 cm,同时估测值与实际值的相关系数达到0.98。     

一种GPS多路径反射信号的雪深反演

针对传统雪深测量缺乏必要时空敏感性的不足,该文在分析GPS信号多路径反射模型的基础上,利用GPS信噪比观测数据,通过分离提取多路径反射分量研究其时频特性,探讨GPS多路径信号与雪深及其变化关系并进行反演建模。依据菲涅尔反射区理论,确定了反射区域范围,进一步探讨卫星、波段选择及初始反射高度确定等。对比实验研究表明,反演结果与实测值吻合较好,相关系数为0.93,均方根误差为8.6cm;信噪比多路径反射分量的频率能有效跟踪积雪深度的变化。     

BP神经网络辅助的GNSS反射信号土壤湿度反演

针对如何快速准确地估算区域尺度上的土壤湿度问题,该文首先从高质量GPS接收机接收的信噪比观测值中,提取L2C反射信号的振幅和相位作为输入,并采用Noah陆面模型计算土壤湿度值作为期望值,构建基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演模型。实验结果表明:基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,线性回归的决定系数R2为0.909 1,均方根误差为0.028 7;进一步与线性回归统计模型比较发现,利用BP神经网络模型定量估测土壤湿度明显优于线性回归统计模型,证明了该方法的可靠性。     

小波分解下的变形预报组合模型

利用小波变换分解变形监测数据,重构分离得到低频线性项和高频非线性项,线性特征强的子序列使用ARMA模型进行建模预报,非线性特征强的子序列使用神经网络模型进行建模预报,最后合成获得预报值。文中使用隔河岩大坝GPS变形监测数据进行建模预报,分析小波分解层数对预报精度的影响,提出平滑测度确定分解层数的方法,比较ARMA模型或神经网络模型和小波分解下的组合模型的预报精度,结果表明组合模型的预报精度优于单一模型,其精度在0.6mm,最大偏差为1.6mm,平均改善76%和77%。     

GNSS-IR多星融合的稳健回归土壤湿度反演方法

全球卫星导航系统干涉测量法(GNSS-IR)能够利用直/反射卫星信号间的干涉信息分析提取土壤湿度、海面高度等有效信息。针对传统线性回归方法在土壤湿度反演过程中出现的拟合模型随异常观测值偏移的问题,本文提出了利用稳健回归方法降低异常值权重,以达到减小或抵消异常观测数据对观测结果的影响。为验证模型的适用范围,本文在稳健回归的基础上进行了多星融合试验,有效提高了土壤湿度反演精度。结果表明,与传统线性回归方法相比,本文提出的方法在单颗卫星时RMSE和MAE平均降低8.38%和8.91%,在两颗卫星时RMSE和MAE平均降低15.18%和16.42%,在三颗卫星时RMSE和MAE平均降低21.00%和22.97%,在四颗卫星时RMSE和MAE平均降低26.25%和28.71%。     

基于GNSS-R技术的实时潮位高度变化反演方法

潮位高度变化反演过程中易产生部分数据丢失情况,导致实时潮位高度变化反演精度不高,为了提高对潮位实时监测能力,研究基于全球导航卫星系统反射信号（GNSS-R）技术的实时潮位高度变化反演方法。通过信号采集设备采集GNSS-R原始信噪比（SNR）信号后,采用奇异谱分析（SSA）和经验模态分解（EMD）相结合的去噪方法去除原始SNR信号的噪声,保留有价值SNR信号;通过线性尺度变换得出线性化SNR信号,经多项式去掉直射信号分量,得出多径振荡分量;采用小波变换分析多径振荡分量提取实时潮位,完成实时潮位高度变化反演。试验结果表明,该方法应用效果较好,可实现实时潮位高度变化反演,SSA-EMD针对不同信号的去噪效果均较好,其中GNSS-R信号去噪最佳,在保留原信号趋势同时,可去除信号中多余噪声;该方法的海面高度反演结果和对比区域实际潮位高度基本一致,且可增强实时潮位反演结果时间分辨率。     

机载GPS反射信号土壤湿度测量技术

随着全球导航定位系统反射信号(GNSS-R)技术的发展, 近年来提出了利用GPS地表反射信号遥感土壤湿度的新方法, 该方法利用地表反射率与土壤介电常数以及介电常数与土壤湿度之间的关系来建立反演模型。为了可以快速方便的利用DMR实测数据反演得到土壤湿度, 本文根据Wang和Schmugge模型建立了土壤介电常数与湿度之间的分段模型, 实现了从原始反射数据到土壤湿度结果的整个反演流程。为了验证反演的可行性, 利用NASA等机构联合进行的SMEX02试验机载数据反演得到的结果表明, GPS反射信号能够有效地反演     

时域卷积组合模型在桥梁沉降预测中的研究

针对桥梁所承受的动静荷载特性差异问题,该文通过小波分解将垂直位移监测数据分解成低频和高频信号,低频信号稳定性强,主要呈现了静荷载影响特点,而高频信号波动性较大,呈现了动荷载影响特点,因此将低频信号和高频信号分别进行小波重构,重构后的低频信号和高频信号分别使用时域卷积神经网络和BP神经网络进行预测,并进行叠加处理得到最终预测结果。以常泰大桥实际静力水准沉降监测项目为例,将该文模型预测结果分别与小波优化的BP神经网络模型和小波优化的自回归滑动平均模型(ARIMA)预测结果进行对比分析,已有的两种模型预测的平均绝对误差分别为0.61 mm和1.38 mm,而该文模型预测的平均绝对误差为0.46 mm,预测精度的提高,为桥梁的施工和维护提供参考。     

利用GNSS-R信号进行交通车流检测

为了有效检测交通状况,提出了一种使用GNSS-R （导航卫星反射）信号进行车流检测的方法。该方法利用两种天线分别接收导航卫星直射信号和反射信号,使用通用接收机进行信号采集后,在软件接收机中进行信号处理解算,获得直射通道和反射通道的相关功率,以及卫星的高度角。然后使用反演介电常数的方法对车辆进行探测,获得交通车流状况。通过试验验证,该方法能够有效地对探测区域内的车辆进行检测,证明了使用GNSS-R进行交通车流检测的可行性。     

一种基于交叉证认技术的自适应小波变换及其在削减GPS多路径误差中的应用

多路径效应影响是目前限制GPS定位精度进一步提高的瓶颈。提出用交叉证认技术自动识别小波分解的信号层,再通过小波重构实现降噪和信号提取,并将该方法应用于GPS多路径误差的削减中。对模拟数据和实际GPS观测资料的分析表明,该方法能合理分离不同噪声水平下资料序列中的信号和噪声;当噪声水平小于信号振幅的一半时,能成功分离资料序列中的高频信号。同时,运用该方法得到的多路径改正模型和GPS多路径效应的重复性,可有效地削弱多路径效应的影响,提高GPS定位精度。     

基于GPS-IR的地表土壤湿度估算方法

全球定位系统干涉反射测量（GPS-IR）是一种新型的遥感技术，可用于估算近地表土壤水分含量。本文从多卫星融合角度出发，提出了一种基于多星融合的地表土壤湿度估算方法。首先通过低阶多项式拟合分离出卫星反射信号；然后建立反射信号正弦拟合模型，获取相对延迟相位；最后基于多卫星相对延迟相位建立多元线性回归模型。利用美国板块边界观测计划（PBO）提供的监测数据，对比分析不同建模序列长度的反演效果，从而确定最佳的建模长度。试验结果表明，采用多元线性回归模型可实现多颗卫星的有效融合，运用于土壤湿度估算是可行的。     

GA-VMD与多尺度排列熵结合的GNSS坐标时序降噪方法

为了精确剔除全球导航卫星系统（global navigation satellite system, GNSS）坐标时间序列中的噪声,提出一种联合遗传算法（genetic algorithm, GA）和变分模态分解（variational mode decomposition, VMD）的降噪方法 GA-VMD。该方法首先利用GA优化VMD参数,然后引入多尺度排列熵（multi-scale permutation entropy, MPE）作为噪声分量的筛选标准,最后将剩余分量重构得到降噪后的信号。通过仿真信号和实测数据的降噪实例,并与小波降噪（wavelet denoising, WD）、经验模态分解（empirical mode decomposition, EMD）等方法对比,分析GA-VMD的降噪效果。实验结果表明：对于仿真信号而言,GA-VMD方法相较于WD、EMD方法,信噪比分别提高了5.18 dB和2.91 dB,互相关系数分别提高了0.05和0.02;对于实测数据而言,GA-VMD方法对测站的速度不确定度和闪烁噪声的平均改正率分别为79.89%和84.46%,优于其他两...     

GNSS-R水位反演的技术精度研究

针对地表物体反射信号引起的多路径效应是影响GNSS定位精度的重要误差源的问题,该文采用GNSS静态观测数据中的信噪比反演水面高度的方法,对水面高度进行反演,从而实现对水面高度变化的实时监测。为了验证水位反演的精度,利用平静湖面及海面上的GNSS静态观测数据,提取卫星高度角0～30°区间的卫星信噪比。采用二阶多项式拟合的方法去除趋势项,并利用Lomb-Scargle方法进行频谱分析,获取反射信号频率,从而反演天线相位中心到水面的垂直距离,进而确定GNSS-R技术反演水面高的能力。实验结果表明:GNSS-R技术在平静水面上的反演精度为厘米级,在海面上为分米级。因此,利用GNSS反射信号中的信噪比可以实现对水面高度的实时监测。     

融合小波变换与神经网络的RSSI室内测距算法

提出一种融合小波变换与神经网络的基于WiFi的RSSI室内测距算法，该方法通过小波变换与神经网络对RSSI数据、路径损耗模型进行修正。利用小波分解与单支重构方法，只对低频的近似部分进行单支重构，舍弃高频细节部分，同时使用神经网络训练特定环境下的路径损耗模型。通过实例验证表明，该算法最大测距误差、最小测距误差、平均测距误差分别为1.206、0.037、0.692 m；平均测距误差比路径损耗模型、BP神经网络模型分别提高了1.846、0.469 m。     

PSO-DVMD-WT的变形信号去噪方法研究

为了滤除变形数据中含有的白噪声,该文提出一种基于粒子群优化算法的双重变分模态分解-小波阈值去噪模型。首先利用VMD对变形数据进行初次分解,初次分解层数K_1由频谱图波峰个数确定,根据相关性分析将分量分为噪声分量和信号分量;然后针对信号分量出现模态混叠的现象,首次分解的信号分量再次进行粒子群优化的VMD分解,得到二次信号分量和二次噪声分量;对二次VMD分解得到的噪声分量进行小波阈值降噪;最后重构实现噪声的有效剔除。模拟实验结果显示,利用本文方法去噪得到的均方根误差降低至0.418 0 mm、信噪比提升至10.174 0 dB,对比小波阈值、总体经验模态分解(EEMD)、VMD等方法,降噪效果有明显的提升。在实际变形数据去噪中,相比于其他去噪方法,本文方法能够很好地抑制模态混叠的现象,且均方根误差降低至0.151 0 mm、信噪比提升至23.821 0 dB,验证了本文方法在实际应用中的有效性。