利用高频GPS时间序列进行地震预警研究

正传统地震仪可以监视地震发生、记录地震波信号等相关信息,为快速确定地震参数提供观测资料。但在应用中主要存在两个问题:(1)宽频带地震仪遇到强震时经常会超出记录量程,无法完整的记录地震波波形;(2)在地震和海啸预警研究中,地震仪数据通常需要积分为位移量计算震级和海啸高度,但受仪器倾斜、旋转等因素影响,积分结果会引入许多误差,难以获得准确的地壳形变信息。以上问题都会给地震参数特别是震级的快速准确确定带来困难。尤其是大     

K-means++分区法在密集型测站中的应用研究

GAMIT软件在解算大型密集测站时一般需要进行分区处理,分区解算对结果的精度具有一定的影响。为了解决一般分区方法中长短基线同时存在而导致整网解算精度降低的问题,引入了K-means++算法和Hash算法实现分区,简称为K-means++分区法。首先利用K-means++算法对测站进行聚类,再利用Hash算法进行排序组合,这样能得到分布均匀的子网。文中采用整网解算结果作为标准值,分析区域分区法和K-means++分区法的基线长度、基线精度及三维坐标差,然后再将K-means++分区方法与间距分区法进行对比分析。实验结果表明,该方法比区域分区法精度更高,与现有的间距分区方法精度相持,且比间距分区法要稳定高效。      

基于SLAM/UWB的室内融合定位算法研究

精确且稳定的自主定位是移动机器人在室内环境下实现自主导航的前提,针对室内定位中视觉即时定位与地图构建(SLAM)存在的累计误差以及环境因素导致超宽带(UWB)定位精度下降的问题,提出一种基于SLAM/UWB的室内融合定位算法. 首先该算法以扩展卡尔曼滤波(EKF)为基础,将UWB的全局定位坐标和视觉SLAM位移增量进行融合,但考虑到测量噪声易受复杂环境影响,引入阈值检测和自适应测量噪声估计器,以抑制异常值和时变测量噪声对滤波器性能的影响,最后使用智能移动小车在不同的室内场地下进行实验. 实验表明:该算法优于单一的UWB或者视觉SLAM定位方式,并且在复杂室内环境下比传统EKF算法拥有更稳定的定位效果.      

基于小波降噪和神经网络的GPS高程时序预测模型

全球定位系统（GPS）时序数据预测的工作中发现，通常时序数据中含有的噪声会干扰数据预测的结果.为了降低时序数据中噪声对预测结果的负面影响，将提升小波阈值降噪技术和长短期记忆（LSTM）神经网络相结合，实现一种GPS时序数据降噪预测模型.该模型在预测之前首先利用提升小波与平滑阈值函数对GPS时序数据中的噪声进行剥离，然后构建多层LSTM神经网络对时序数据进行单步预测.通过实验与多种时间序列预测模型进行对比，结果表明所提出的LSTM预测模型对GPS时间序列的预测具有较强的适用性和较高的准确性.      

近海潮汐效应对上海地区精密定位的影响

针对全球海潮模型在不同沿海地区存在差异性以及在中国近海精度不高的问题,利用全球海潮模型FES2004和NAO99b计算上海地区(经纬度范围为120.85°E～122.2°E,30.6667°N～31.8833°N)S₂、M₂、K₁和O₁四个分潮的海潮负荷位移在垂直分量上的差异;并利用中国近海模型osu.chinasea.2010对全球海潮模型FES2004中相应的区域进行替换,计算近海效应对SHJZ站(上海金山)、SHJBS站(上海宝山)、SHAO站(上海佘山)以及DCMD站(上海崇明)四个测站精密定位的影响。结果表明:1) 全球海潮模型FES2004和NAO99b在上海地区存在较明显的差异,尤其是垂直分量,最大接近4 mm,且两个模型的差异随离海洋距离增大而减小;2) 利用修正前后的全球海潮模型FES2004经过计算分析得出,近海效应对上海地区GPS测站精密定位的影响达到5 mm,对测站垂直分量的位移影响从大到小分别是DCMD站(5.1 mm)、SHBS站(4.9 mm)、SHJS(4.2 mm)、SHAO(3.6 mm)。