��Ͻṹ������С���˲�������

???????????????????к?????????????????к??????????????????????С????????????????????????????????????С?????????????????????????С?????????????????????????С?????????????????????????????????????????????????????????????????С?????????з???????????????????????????????????????????С?????????????????????????????к?????????????????????????????????????????????????λ????????????????????????λ?????????????????????????????????????з?????????????????????????????????????????,??????????С??????????????????λ???????????????????????????     

������С���˵��Ŷ�����

??????????????????????????????????????????????????????????????????????????????????????????????????μ???С???????????С????????????????????????С??????????????????????????????????????????????С???????????????????????????????????С??????????????????С???????????С????????????????????????????     

������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

������С���˷�������ά����ת���е�Ӧ��

????о???????С???????????С????????????С????????????????е???????????????????????????????У??????????????????μ?????????????????????????????????С???????????????е????????A??????????b??????????????????????????????????????????LS????????????????С??????????????????????????????????     

�й���½�ٶȳ�ģ�ͽ��������о�

???й?????????????????????????????????5?????壬????????????????С???????÷?????С?????????????????????3????????????????о??й?????????????????????????????????????????????????????С???????÷????????壨??????????????????壩????????????????????|?????????????????????????????????????????????????С???????÷?????й????1°×1°?????????????????????????????????С??     

������С���˽������о�

??????????,??????????С?????????С??????????任???????????????????С?????????????????????С???????????????????С??????????????????С????????????????????С???????????????????????????????????????????????С????????С????????в??λ??????????????????     

�˼���ظ����Ŀռ���ά����ϵͳת��

?????????????????????????????У????????????????????????????????????????????????????е????????????????????????????????????????????С?????????????????????й???????????????????С???????????????????????????????????????????????????????????????С?????TLS??????С?????LS??????????????????????????????????????????????????     

��Ȩ������С�����㷨�ĸĽ�

???EIV????????????????????????????????????????????????????????е?????????С?????????????????????????????????????????????????????????????С???????????????????????????????????????????????????????????С?????????????????????????в???     

����������С���˷���������ת�Ƕ���ά����ת��

???о???????????????????????????У????????????????????????????????(EIV???)?????????????????????????????2???????????????????????????С????????н???????????(?????????)??????2???????????С?????(??????????????е???????С?????)???н????????????????????????????????????????????????????     

��Ȩ������С��������ά����������е�Ӧ��

???????к????????????С???????????????С????????????????????????????????С??????????????????????????????????????A?????????????????????P??PX??P0????????LS??????TLS???????????????????????????????????????????????????????С????????????????????????????????     

大桥几何监测数据去噪方法研究

提出并优化了EMD小波组合去噪法对大桥监测结果进行去噪的过程,并与EMD去噪法、小波阈值去噪法进行比较。结果表明,优化的EMD小波去噪法是一种高效的大桥动态监测信号去噪方法,去噪效果最好。     

С����������Compass�������Ƶ���׸����е�Ӧ��

???Compass???????????????????????????С?????????????????????????????????????????????????Compass??????????????????С????????????????????????????????????Compass?????????????????????????????Ч???     

基于双树复小波的变形监测数据去噪分析

将双树复小波引入到变形监测数据去噪中，从信号分解、去噪过程和去噪质量3个方面综合评价其可行性和有效性。理论分析和算例表明，信噪分离的质量会对阈值估计、阈值去噪和信号重构产生较大影响，信噪分离较好的信号能在一定程度上削弱阈值函数存在的缺陷；双树复小波的分解效果优于传统离散小波，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，可以应用于变形监测数据分析。     

改进的小波阈值函数对变形监测数据的去噪研究

基于小波分析中传统的阈值函数,结合其他学者提出的小波阈值函数,提出一种改进的小波阈值函数,并将其应用于变形监测数据的去噪处理。理论分析和算例表明,新的小波阈值去噪函数能够有效去除噪声。     

地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。     

一种改进小波阈值去噪方法的研究

针对传统小波阈值去噪分析的不足,分别从两个方面进行改进：1）根据小波系数在各尺度上的相关性,提出基于Lip指数阈值寻优的新方法;2）用构造的新小波阈值函数处理小波系数,克服了软阈值的高阶不可导和硬阈值函数的不连续,且计算方便。最后使用新方法对一组离散变形数据进行去噪处理,验证了其有效性和优越性。     

基于EMD和小波的GPS/BDS变形监测中的多路径误差削弱方法

针对GPS/BDS实时监测坐标序列中多路径误差的周日重复特性和高频随机噪声,分别采用EMD以及EMD与小波阈值去噪相结合的方法对现有坐标序列构建多路径时序模型,并通过恒星日滤波削弱后续坐标序列中具有强相关性的多路径误差。实测数据的处理结果表明,EMD可以很好地去除GPS/BDS实时监测序列中的高频随机噪声并削弱多路径误差的影响,提高实时监测精度50%左右,EMD和小波组合方法较单EMD效果稍好。     

Application of wavelet packet in gravity anomaly processing

Based on the advantages of the wavelet to separate regional field and local anomalies in MATLAB environment,a high-precision regional-residual separation was finally realized. Analytical continuation and trend surface analysis are conventional methods for gravity anomaly separation. But the wavelet packet analysis in analyzing gravity data can make the gravity anomaly to be computed at a higher precision. In this paper,wavelet packet method is used to process gravity anomaly data obtained in Laos,and the separation result is good. Daubechies wavelet series has a higher precision in the wavelet packet.     

基于完备经验模态分解自相关消噪技术的GNSS高精度动态变形监测研究

为了更好地消除混杂在变形序列中的噪声,利用完备经验模态分解（CEEMD）将形变信号自适应分解为不同尺度的振动模态。针对分解分量中信号和噪声区分标准不唯一的问题,构造一种CEEMD与自相关分析相结合的去噪算法,实现有效信号和随机信号的分离。将该算法应用在仿真实验和GNSS变形监测实测数据处理中,并与传统的小波去噪方法进行比较。结果表明,该算法避免了小波基选择带来的影响。     

Some Problems on the Global Wavelet Spectrum

In order to test the validity of the global wavelet spectrum - a new period analysis method based on wavelet analysis, we carried out some simple experiments. In our experiments we used idealized time series and real Nifio 3 sea surface temperature （SST） for testing purposes. First we combined different signals which have the same power but different periods into some new time series. Then we calculated the global wavelet spectra and Fourier power spectra for the testing time series. The testing results revealed that on some occasions the global wavelet spectrum tends to amplify the relative power of longer periods. By making comparisons with the results obtained by the traditional Fourier power spectrum, we demonstrated that on an occasion when the global wavelet spectrum does not work the Fourier power spectrum can be used to achieve the right results. Hence it is recommended that when making period analysis with the global wavelet spectrum one needs to do further tests to confirm their results.