变形序列小波消噪最佳分解尺度量化指标的确定

小波消噪分解尺度确定的正确与否,直接关系到消噪效果。针对变形序列的消噪,将时序分析建模定价的信息准则与高斯白噪声在小波变换下的特性相结合,提出了用Akaike信息准则作为量化指标,确定小波消噪最佳分解尺度的方法。模拟数据和工程数据的验证结果表明,在Akaike信息准则计算值达到最小时,所确定的分解尺度符合信噪分布规律,达到了较好的消噪效果,实现了作为小波消噪最佳分解尺度确定的量化指标作用,提升了小波消噪在变形数据处理中应用的便捷性。     

基于小波阈值的海洋磁力测量数据消噪方法

波浪噪声和随机噪声是影响海洋磁力测量数据处理精度的重要因素。基于小波变换理论,研究了海洋磁力测量数据中的波浪和随机噪声的消除方法。首先对带有噪声的实测磁异常数据进行频谱分析,确定相应的多分辨分析尺度。分别采用滑动拟合法、基于小波高频系数置零的消噪方法、基于小波阈值消噪方法进行消噪计算。实例计算表明:基于小波阈值消噪方法能够将磁异常中的噪声和真实的高频信息分离开来,进一步提高了消噪的精度和可靠性。     

GPS连续观测资料小波变换质量评价探讨

小波变换在处理GPS噪声的应用中有较好的效果.本文研究利用GPS连续观测资料的小波变换去噪结果进行质量评价,通过对分析资料采用不同的小波基函数、对同一小波基函数下的小波变换各尺度结果进行比较,并结合实例分析得出了初步的结论:对GPS连续观测资料进行小波变换去噪,采用sym6、sym8和coif4小波,分解尺度在4～6之...     

结合模平方的双树复小波变形监测数据滤波

针对变形监测数据的去噪问题,该文在分析离散小波变换去噪不足的基础上,提出了一种基于模平方的双树复小波变形监测数据滤波方法。该方法利用双树复小波变换的完全重构、近似平移不变性和较好的方向选择性等特点,通过最小尺度空间的小波系数得到噪声强度,并结合模平方处理法确定各层的阈值,经重构阈值处理后的各层小波系数即得到去噪后的信号;经算例,并与传统离散小波变换对比分析。结果表明:双树复小波变换的分解效果优于传统离散小波变换,能较好地表现出细节部分的频率信息,使变形信号的周期性变化特征更为明显。该方法去噪更彻底,进一步提高了消噪的精度和可靠性,可作为变形监测数据降噪处理的新方法。     

小波消噪技术在非陀螺寻北系统中的应用

为消除基座扰动对非陀螺寻北系统测量精度的影响,采用小波消噪技术对系统的输出信号进行处理。提出了利用信号在多尺度下小波变换系数中,其有用信号为平稳信号,而干扰噪声的模极大值并不随小波分解尺度增加而减少的特性,来确定基座扰动在时域上的作用点,消除影响后再进行小波变换消噪的方法。通过实验证明,该方法能有效提高系统的寻北精度,并增强系统在大幅度基座扰动下快速寻北的鲁棒性。     

基于多尺度预处理的GPS/SINS组合导航系统

基于多尺度分析的思想,以离散小波变换为工具,利用小波对惯性元件输出的信息进行并行阈值消噪以削弱惯性元件误差对SINS及组合系统性能的影响;然后,对GPS输出的信息进行并行多尺度预处理,并结合传统的Kalman滤波方法,对系统进行综合滤波;将上述方法引入到GPS/SINS组合导航系统中,利用实测数据进行验证,并给出了基于不同方法的大量实验曲线。实验结果表明,该方法可以有效削弱惯性元件以及GPS误差对系统的影响,提高了GPS/SINS组合导航系的精度和可靠性。     

太阳黑子数时间序列的奇异谱分析和小波分析

本文对小波变换和奇异谱分析方法进行了简要介绍,对离散小波的分解和重构、奇异谱分析的重构进行了详细阐述。结合太阳黑子数1749年至2007年3月期间的月平均值时间序列进行了小波变换的分解和重构及SSA方法的重构,提取了其主要的周期特性,并对两种分析方法进行了比较。     

小波去噪在GPS动态监测数据处理中的应用

阐述了多尺度分析和小波变换的基本原理,分析了选择不同小波基对GPS动态监测数据去噪的效果.试验结果表明,小波变换实现了对GPS动态监测数据的有效去噪,是一种可靠的分析方法.     

基于小波变换的SA误差建模与预报

运用小波分析方法对GPS单点动态定位误差进行分解,提出了基于小波变换的信号去噪与粗差的定位和剔除方法。将时间序列分析方法用于SA误差建模,提出了基于小波变换的SA误差建模及预报方法,并通过实例验证了方法的正确性     

用于时间序列聚类分析的小波变换和特征量提取方法

利用小波变换的多尺度分辨功能,对时间序列数据进行多次Haar小波变换,将时间序列分解为尺度分量和细节分量;通过保留尺度分量,提取时间序列的趋势信息,并结合统计特征量计算,将时间序列的趋势信息与几种统计特征量组合在一起,构成SOM神经网络的输入向量,对时间序列进行聚类分析。通过在几类模拟时间序列数据上进行实验分析,取得了较好的实验效果。并将此方法应用到基于MODIS遥感影像的林地植被提取中,获得了较高的提取精度。     

小波变换在时间序列特征提取中的应用

时间序列的数学特征主要包括随机项、周期项以及趋势项.针对变形监测等测绘领域中如何对时间序列进行特征提取并进行分析与预测等重要问题,提出一种基于多尺度分析的小波变换方法.首先选取合适的小波基函数、分解层次等参数,其次将待分析的时间序列分解成低频和高频两部分,最后将分解后的时间序列投射到不同尺度上,从而可以提取所需要的有用信息.研究结果表明,基于多尺度分析的小波变换方法能够有效对时间序列进行特征提取,分析出其中的随机项、周期项、趋势项等信息,可以用于GPS变形监测等工程实际中.     

基于小波与遗传算法的特征提取与特征选择

高维遥感数据的分类与识别与传统的多光谱遥感分类技术具有明显的区别。本文提出了一种基于遗传算法和小波／小波包分析相结合的特征提取方法用于高维遥感数据降维与分类。该方法综合了遗传算法的全局优化和小波／小波包分析的多尺度、多分辨率的特点。首先,通过离散的小波变换(DWT)或小波包变换(WP)将高光谱信号变换到特征域进行光谱分解。由于DWT变换是一种线性变换,不同尺度的DWT系数可作为线性光谱特征。然后,对这些线性光谱特征利用遗传算法结合训练样本计算类内／类间距离搜索最优分类子集,其具体染色体编码取可能的特征号,适应度函数基于样本平均Jeffries-Matusita距离计算。所用的分类器采用最大似然分类器。试验结果表明该方法与常规特征提取算法如主成分变换(PCA)、判别分析特征提取(DAFE)、决策边界特征提取(DBFE)相比,能提高分类精度约1.1％-6.5％。     

联合区域叠加滤波法与小波变换去除GPS站坐标时间序列噪声

GPS站坐标时间序列中存在的周期性与非周期性误差严重影响了对测站运动特征的分析及其非线性变化的物理机制解释。因此,为削弱噪声的影响,本文首先利用区域叠加滤波法去除了南加利福尼亚地区16个测站时间序列的共模误差,以此削弱时间序列中存在的包括周年和半周年误差在内的周期性误差。为去除滤波后残留的噪声,对滤波后的信号进行静态离散小波变换,提取了周期为半周年以上的信号。结果表明,联合区域叠加滤波法与小波变换对GPS站坐标时间序列进行处理,既能够削弱周期性误差对信号的影响,又能较好地提取测站的非线性运动信号。     

基于小波变换的GPS精密单点定位中的周跳探测

基于双频观测值的Melbourne-Wübbena组合和Geometry-free组合,提出了利用连续小波变换方法来探测GPS相位观测值中的周跳,论述了GPS精密单点定位中的周跳探测和连续小波变换方法探测周跳的算法,说明利用高斯函数的一阶求导小波变换对周跳的多尺度分解的敏感性,能够提高组合观测信号的信噪比,准确定出1周左右的周跳发生位置,从而可以提高利用非差观测值解算周跳和模糊度的效率,并给出具体算例验证了本方法的可行性和有效性。     

地表垂直变形序列的多尺度特征分析

基于Morlet小波变换的方法对地表沉降数据序列进行多尺度特征分析，主要是周期性信息的多尺度描述。展现了沉降序列的频率特征在时域上的表现。小波变换能够清晰的给出不同尺度的强弱和分布情况以及沉降变化的趋势和突变点，以某矿的工业广场10个月19期2周等时间间隔的沉降数据序列为俐。分析了沉降数据中显含2．1和4．1个月的主周期信息。说明小波变换在沉降数据序列的分析中具有优越的性质。     

应用小波变换确定琉球俯冲带的深部特征

综合应用离散小波变换和连续小波变换进行了干扰源分离和场源深度确定的模拟实验,发现通过小波变换可有效地确定场源深度。根据实测重力异常数据研究了琉球俯冲带的深部特征,推测其在东经122.5°线上地下105 km左右发生弯曲变为水平延伸。     

基于小波的SAR影像纹理分析

在分析SAR影像特征的基础上 ,引入了基于小波的纹理提取方法 ,并采用第二代提升小波与双正交小波对SAR影像进行小波二级分解 ,提取影像各尺度上的小波特征系数。对机载的SAR影像进行了纹理分析及分类 ,得出了不同小波的分类分析结果。     

基于复数小波变换的遥感图像融合新算法

提出了一种基于复数小波变换的影像融合新算法，用以融合全色影像和多光谱影像。试验结果表明，谊算法可以取得比传统的实数小波变换融合算法更好的效果。     

含缺值GNSS基准站坐标序列的非插值小波分析与信号提取

受多种因素影响,GNSS基准站坐标序列通常都含有缺值,传统小波分析需要对缺值数据进行内插或补零处理。本文基于小波系数与时间序列观测数据的重构关系,提出了一种非插值的二进小波变换的最小范数解法,导出了相应的计算式,并严格证明了传统的补零处理算法与本文的最小范数解法等价。最后利用中国地壳运动观测网络一期27个基准站实测数据以及模拟数据进行了验证分析。结果表明,本文的非插值算法与插值算法提取的信号差异较小,27个基准站坐标序列的平均残差中误差仅相差2.01%(North),0.54%(East)和1.26%(Up),两种算法提取的信号之差与信号平均方差比仅相差1.16%(North),0.54%(East)和1.62%(Up)。