GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

基于小波变换和灰色模型的变形监测数据分析

变形监测数据中噪声等随机扰动的存在导致传统GM(1,1)模型的预测性能较差,难以满足实际工程应用要求.提出一种基于小波变换和灰色理论的变形监测数据分析方法.首先,根据最小熵准则自适应确定最优小波分解尺度;然后,利用小波变换对变形监测数据进行噪声抑制,消除扰动误差;最后,对噪声抑制后的变形监测数据进行灰度建模,利用GM(1,1)模型对未来形变进行预测.采用两例典型实例对所提小波GM(1,1)模型和传统GM(1,1)模型的建筑物形变预测性能进行对比评估,结果表明所提方法能够获得更高的预测精度,对不同数据的适应性和泛化能力更强,可满足实际工程应用需求.     

小波变换和BP神经网络模型在沉降变形 监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。     

大跨径桥梁变形监测数据的组合降噪方法研究

为了准确提取桥梁GNSS监测数据中的有效变形特征,本文充分发挥自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)与小波变换(Wavelet Transform, WT)在信号降噪中的优势,将二者结合进行桥梁GNSS监测数据降噪。首先通过CEEMDAN方法将原始监测数据分解为若干个本征模态函数(Intrinsic Mode Function, IMF),并通过相关系数识别出有效IMF分量,包含噪声的IMF分量以及无效IMF分量;其次使用WT软阈值降噪方法对包含噪声的IMF分量进一步降噪;最后重构降噪后IMF分量与有效IMF分量。通过仿真实验数据与苏通大桥实测GNSS数据对本文方法的有效性与优越性进行检验,结果表明,本文方法具有良好的降噪效果,能够有效提取桥梁的真实变形信息。     

卡尔曼滤波-灰色组合模型及其在变形监测中的应用

建筑物变形监测数据呈现出典型的时变、非平稳和小样本特征,导致传统单一模型难以获得满意的预测精度。针对该问题,本文提出将卡尔曼滤波与灰色模型结合构建一种组合预测模型。首先利用卡尔曼滤波对原始监测数据进行平滑滤波,对数据中所含随机干扰误差进行动态抑制;之后利用灰色模型拟合数据中隐含的变形趋势信息,从而在小样本情况下获得较长时间的预测能力。基于实际建筑物变形数据开展试验,结果表明：与传统小波分析、灰色模型相比,该方法的预测精度明显提升,并且在小样本情况下具有更高的稳健性。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

基于小波方法的非线性回归模型研究

介绍小波方法和非线性回归估计的基本理论,研究利用小波变换得到非线性回归估计函数的方法,且将该方法的结果与仅用回归估计的结果进行对比研究,发现对监测数据列进行小波分解并对小波系数作用于阈值,然后通过对小波系数估计能得到回归参数。研究结果表明基于小波方法的非线性回归模型更接近变形体变形规律,是一种能够更好地进行预测的方法,该模型切实可行。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

基于小波去噪的BP神经网络在变形监测中的应用

在变形监测领域中,对沉降数据的准确预测能够提前获悉检测对象的变形趋势,避免事故发生.原始监测数据普遍含有异常值,从而会对预测模型精度造成一定影响,降低预测结果的准确性.以BP(Back Propagation)神经网络为基础,采用小波去噪的方式针对剔除和插补原始数据中的异常值,分别建立去噪前后BP神经网络预测模型,并利用工程实例对预测模型精度进行分析.结果表明,小波去噪后的BP神经网络预测模型相比去噪前精度有所提升,精度更高,能够更为准确地反映监测对象的变形趋势.     

时间序列回归预测模型在自动化监测中的应用

在边坡自动化监测过程中,由于传输信号中断、设备故障、电源中断及传感器替换等原因,不可避免地出现监测数据缺失的现象。数据的缺失对后续的边坡稳定性分析及预测带来不确定的因素,使分析结果产生偏差。本文针对边坡自动化监测数据缺失这一现象,采用时间序列回归预测模型对不同数据缺失率的边坡监测数据进行填补,通过填补值与真实值之间的绝对误差与均方根误差判别其在不同数据缺失率的填补效果,得出该模型对缺失率低于10%的缺失数据具有良好的效果,具有一定的实践意义。     

GNSS滑坡监测预警技术进展

滑坡灾害在全球广泛分布,严重影响人类活动和人居安全。全球卫星导航系统(GNSS)已经被广泛应用于滑坡灾害监测预警工作,但其在复杂场景监测预警中依然存在诸多技术瓶颈。本文首先综述了GNSS硬件数据采集、软件数据处理和多源融合监测等方面的研究进展,重点分析了各类GNSS滑坡监测技术优势、适用范围和存在问题;然后,从滑坡位移预测、临滑时间预报和预警实施等方面介绍了GNSS滑坡预警的技术方法;最后,在梳理复杂场景GNSS实时滑坡监测预警中面临挑战的基础上,对GNSS滑坡监测预警技术的发展趋势和研究方向提出了一些思路。     

BDS-3钟差改正数实时预报方法

在远海精密动态定位研究中,BDS-3卫星钟差改正信息的质量对定位结果具有直接影响。在传输实时改正信息时,为了同时兼顾效率及成本,岸基用户端通常会将实时信息压缩后传输至远海用户端。针对数据压缩问题,本文提出了利用钟差改正数预报模型进行数据压缩,同时分析钟差改正数的结构特征,并将其分解为总体趋势序列与随机波动序列,分别构建预报模型。结果表明,DSC模型在20 min的预报区间内较DLP模型提升了6%,较DLP模型提升了9%。     

GNSS-MR技术用于潮位变化监测分析

潮位变化的高精度监测一直是全球海平面观测系统、海洋环流和全球气候变化研究领域关注的热点问题之一。随着GNSS研究与应用的不断深入,近年来基于多路径效应的GNSS-MR技术已逐步成为一种新兴的遥感手段,即利用测量型GNSS站进行地表环境(植被、土壤湿度、雪深、潮位、火山活动等)监测。通过分析由多路径引起岸基GNSS站SNR值的变化特性,本文给出了基于SNR观测值的GNSS-MR技术监测潮位变化的反演原理。利用布设在美国华盛顿州Friday Harbor海港岸边的CORS站SC02实测观测数据对潮位变化监测进行了反演分析,并与该站相距359 m的验潮站数据进行了对比分析,两者较差均值约为10 cm左右,两者的相关系数均优于0.98。试验结果分析表明基于岸基CORS站的GNSS-MR技术在一定程度上可用于实时、连续的潮位变化监测,同时也说明岸基CORS站在一定程度上可作为验潮站的补充,进一步拓展GNSS在海洋遥感领域的应用范围。     

CMONOC约束下的MODIS水汽分区域函数模型校正

融合全球导航卫星系统（global navigation satellite system,GNSS）与中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer,MODIS）可获得高精度、高空间分辨率的水汽分布信息。开展基于中国大陆构造环境监测网络（crustal movement observation network of China,CMONOC）观测资料的中国大陆地区MODIS水汽校正研究。首先,根据地理环境、海拔、气候类型等因素将中国大陆分为16个区域,开展区域MODIS水汽和GNSS水汽的相关性分析;其次,分区域、分季节选择不同的函数模型构建基于GNSS的MODIS水汽校正模型;然后,采取区域模型、单站点模型与实测GNSS水汽开展模型的可靠性检验;最后,通过分区域MODIS水汽校正和图像叠加,获得校正后的中国大陆地区MODIS水汽分布。研究表明,区域MODIS水汽校正模型精度与单站点模型相当,可取代单站点模型用于MODIS水汽校正。基于CMONOC的分区域函数模型可有效提高MODIS水汽精度,为短期天气预报和合成孔径雷达...     

地球自转参数的LS+AR超短期预报方法

地球自转参数（ERP）是卫星精密定轨中联系天球坐标系与地球坐标系的必要参数,是国际GNSS服务组织（IGS）和国际GNSS监测评估系统（iGMAS）分析中心的重要产品。为了提高中国测绘科学研究院分析中心（CGS）的线性模型预报精度,本文研究了最小二乘（LS）和自回归模型（AR）组合的超短期预报最优方法;通过不同周期数据确定最佳预报时长,利用LS+AR模型进行超短期预报,并通过IGS和iGMAS与线性模型产品对比。结果表明：利用8 d（时段）数据进行超短期预报最优;LS+AR模型预报精度明显优于LS模型;LS+AR的超短期预报方法优于分析中心的线性预报方法;EOP的PMX和PMY分量利用时段数据预报、LOD利用天数据预报精度更高。本文超短期预报方法能够提高ERP预报精度,为IGS或iGMAS分析中心的ERP预报提供了一定的参考意义。     

海量IGS数据实时线程池并发获取

随着全球卫星导航系统（GNSS）的迅猛发展，国际GNSS服务组织（IGS）发布了各类海量高精度服务数据。目前，IGS数据在GNSS基线解算、精密单点定位、卫星精密定轨、地壳形变监测、地球电离层和地球动力学研究等领域得到了广泛应用。传统的IGS服务数据下载过程烦琐而耗时，且易出错。如何快速且正确获取IGS数据是当前用户迫切关心的问题。本文基于FTP文件传输协议，设计了实时线程池并发和断点续传算法，并对海量IGS数据进行一站式分类下载测试，通过对试验结果进行分析比较，最终得出海量数据最优的获取方法。     

地球自转参数的RFFLS短期预报算法研究

地球自转参数(ERP)是实现地心天球坐标系(geocentric celestial reference system,GCRS)与国际地球坐标系(international terrestrial reference system,ITRS)相互转换的必要参数,是国际GNSS服务组织(IGS)和国际GNSS监测评估系统(iGMAS)分析中心的重要产品。本文针对最小二乘地球自转参数预测算法会造成数据饱和以及新旧数据在数据处理及预报中被同等对待等问题,将遗忘因子引入最小二乘预测算法,进而提高ERP预报精度。遗忘因子递推最小二乘算法能防止数据饱和,降低旧数据的影响,加强新数据的作用,降低在求解拟合参数时出现秩亏矩阵求逆的几率,提高预报精度。本文详细推导了遗忘因子递推最小二乘表达式,探究了最佳遗忘因子,并通过ERP试验将该方法和原最小二乘的试验结果及LS-AR模型的预报结果作对比,发现仅用遗忘因子最小二乘模型预测就可以达到与LS-AR组合模型预测相当的精度。     

手机GNSS数据质量提取的变分模态分解法

观测噪声提取是数据质量分析与随机模型构建的基础。当前手机GNSS观测噪声提取主要采用三阶差分法与历元间差分法,这些方法的提取结果都会受到卫星相关性和历元间相关性的影响。本文提出结合变分模态分解(variational mode decomposition,VMD)提取手机观测噪声的方法。模拟分解试验表明:VMD能够较好地对混合信号进行分解。提取小米8手机GNSS观测噪声并进行分析,结果表明:GPS、BDS和Galileo 3系统伪距观测噪声计算结果一致,GLONASS系统伪距噪声大约是其他系统的两倍,四系统的载波观测噪声相当,手机GNSS观测噪声与Android系统版本无关。相比于高度角随机模型,载噪比随机模型更适用于手机GNSS定位。利用数据质量提取结果拟合载噪比随机模型,并进行定位试验。定位结果表明:相对于高度角随机模型,采用载噪比随机模型后手机伪距单点定位效果能提升25%以上。手机PPP平面定位结果能收敛至0.6 m以内,高程定位精度收敛至1.2 m以内。