顾及MLE的IGS坐标时间序列噪声模型特性分析

以30个GPS基准站坐标序列为对象,提出分别采用赤池信息量准则(AIC)与贝叶斯信息准则(BIC)噪声模型估计准则判定GPS时间序列噪声特性,对比分析GPS时间序列噪声模型特性,探讨不同噪声模型对GPS站速度及其不确定度的影响.结果表明GPS站坐标序列噪声模型主要表现为FN+WN、PL及FN+RW+WN噪声模型特性;FN+WN噪声模型对GPS站速度估计值的影响相对较小,但在U分量影响最为明显;此外,RW对站速度不确定度的影响不可忽略,正确获取模型参数估计的实际不确定度及改正噪声分量对于合理应用GPS坐标时间序列数据具有重要的意义.     

山东CORS基准站坐标时间序列噪声分析

针对目前在分析GPS基准站噪声时对其坐标时间序列周期项提取不充分的现状,该文提出用小波谱探测坐标时间序列中的周期项,用小波分析方法提取周期项,得到不含明显周期项噪声序列。以山东CORS中26个基准站两年的坐标时间序列为例,去除了坐标时间序列中阶跃项,确定了长期趋势项,对周期项进行了探测、分离和提取,得到了各测站的噪声序列;用谱指数法分析了噪声的类型,用最大似然估计获取了各种噪声的分量,进而建立了噪声组合模型。实验结果表明,山东CORS基准站噪声模型可以用白噪声加闪烁噪声的形式来描述,其白噪声的平均值为1.25mm,闪烁噪声的平均值为5.46mm。     

变系数回归的GNSS时间序列异常值探测方法

针对传统的基于谐波模型的异常值探测算法效率较低的问题,该文引入变系数回归模型替代谐波模型分离GNSS坐标时间序列的信号与噪声(残差),并提出了一种基于变系数回归(VCR)模型与四分位距(IQR)统计量的组合异常值探测算法VCR＿IQR。该算法首先采用VCR分离时间序列中的信号与噪声,接着采用IQR准则探测噪声中的异常值。将VCR＿IQR与传统基于谐波模型的异常值探测算法—最小二乘探测法(LS＿IQR)和最小一乘探测法(L1＿ModIQR)进行模拟实验对比分析,结果表明,VCR＿IQR能够探测到92%的异常值,而LS＿IQR和L1＿ModIQR仅能探测到81%和85%的异常值,表明VCR＿IQR的探测效率优于LS＿IQR和L1＿ModIQR。     

SVM辅助的GPS SNR雪深时间序列反演

研究了GPS干涉反射技术GPS-IR(GPS-Interferometric Reflectometry);在利用GPS卫星SNR信号进行积雪深度探测的基础上构建了支持向量机SVM(Support Vector Machine)辅助的GPS SNR雪深时间序列反演模型;对积雪深度进行时间序列预报和与传统GPS-IR积雪探测模型进行精度对比分析。实验结果显示,相比传统GPS-IR雪深反演模型,SVM辅助的GPS SNR雪深时间序列反演模型的雪深预报结果的精度更高,也更符合实测雪深的变化趋势,可为地面积雪雪深反演提供新方法。     

时间跨度对GPS坐标时间序列噪声模型估计影响分析

文中介绍GPS坐标时间序列模型,并给出GPS噪声模型种类、估计方法及最佳噪声模型评价准则。选取来自IGS08的24个IGS核心站的时间序列作为数据基础,对不同时间跨度的时间序列噪声模型进行定量分析,探讨其随着时间变化的演化规律。结果表明:当时间序列长度较短时,噪声模型的不确定性较大,而12.5a以上时间跨度的噪声模型趋于稳定且主要表现为闪烁噪声加白噪声的组合噪声模型;大跨度时间序列中噪声的长周期分量变得显著。     

GPS坐标时间序列时变振幅周期信号的Huber M估计

GPS时间序列周期信号的精准提取对趋势的估计具有重要的影响。相较于传统的常数振幅周期信号模型,已有研究表明GPS时间序列周期信号的振幅是随时间变化的。实际的GPS时间序列存在异常值,且在提取周期信号过程中会产生新的异常值。针对以上两点,该文提出了一种基于Huber函数M估计(HM)的GPS坐标时间序列时变振幅周期信号估计方法:采用关于时间的多项式函数来建立时变振幅模型,由HM方法及交替方向乘子法求解。通过模拟数据及实际GPS站点数据将HM方法与小波分解方法、奇异谱分析方法和滑动最小二乘方法进行比较,结果表明HM方法在估计精度上要优于其他3种方法,弥补了已有方法在时变振幅情形下会吸收噪声以及噪声较强时对周期信号提取能力较弱的不足。     

基于ARMA模型的GPS基准站坐标时间序列分析

由于利用GAMIT/GLOBK软件对连续运行多年的GPS基准站数据进行处理的原始结果存在一定的噪声,本文利用ARMA模型对GPS基准站坐标进行时间序列分析,其中采用Pandit-Wu方法确定ARMA模型的阶数.试验结果表明,采用Pandit-Wu方法能够准确地确定ARMA模型的阶数,并且基于ARMA的时间序列有效地消除了一定量的噪声,让GPS基准站随着时间的变化规律与趋势更加明显,说明ARMA模型在GPS基准站坐标时间序列分析中剔除噪声及突显变化量与趋势具有良好的效果.     

GPS高程数据时间序列分析

对GPS台站时间序列进行了研究，对我国IGS连续跟踪站高程分量的数据进行谱分析和小波分析，用最小二乘法将时间序列的白噪声与有色噪声分离，并利用AR模型建模。通过分析，获得拉萨、上海和武汉GPS连续跟踪站的有色噪声特征。     

卫星多故障探测和识别的独立分量分析法

鉴于独立分量对异常值具有较强的敏感性,提出了基于独立分量分析(ICA)的伪距多变量时间序列异常值探测算法,并且利用契比雪夫不等式给出了异常值探测的阈值,引入时间序列干预模型估计了潜在故障扰动的大小,根据3σ准则确定出故障星的位置。根据RAIM的实时性要求,采用滑动窗口的思想对上述批处理探测算法进行改造,本文提出了一种卫星多故障在线探测和识别的新算法,并给出了新RAIM算法的实施流程。利用5个iGMAS北斗监测站的民用观测数据对新算法进行验证,试验分析结果表明,新算法对于卫星多故障的实时处理具有较好的效果,且其故障正确探测率优于以往的RANCO方法。     

一种改进的星载GPS周跳探测与修复方法

周跳探测与修复是星载GPS数据预处理的重要内容。首先使用SWARM卫星实测数据对TurboEdit算法的有效性进行了分析,针对算法在观测噪声较大情况下无法有效探测小周跳的问题,提出了一种改进算法。该算法利用载波相位观测值对伪距组合观测值进行平滑,降低了观测噪声对宽巷模糊度的影响,提高了周跳探测能力。实验结果表明,改进算法能够有效提高小周跳的探测能力。      

GPS多路径误差滤波方法比较研究

基于GPS多路径时间序列,分别采用Vondrak滤波、经验模式分解(EMD)和小波滤波3种方法构建了GPS多路径误差修正模型,并将其用于削弱多路径效应.通过对模拟数据及实测数据的分析表明,3种方法都能有效地分离不同噪声水平下时间序列中的信号和噪声.同时,利用3种方法构建的多路径修正模型可有效地削弱多路径效应的影响,提高GPS定位精度,但3种方法的优缺点各有不同.     

震前尼泊尔GPS速度场分析

针对多数GPS时间序列分析中未考虑与时间有关的噪声问题,该文利用GAMIT/GLOBK软件对尼泊尔地震前2011—2015年连续观测的GPS数据进行解算,对时间序列进行噪声分析,利用频谱分析法确定噪声模型,最后在考虑噪声特征下,利用时间序列分析软件CATS估算其周期性和站点速度场。结果表明:尼泊尔境内的连续站的最佳噪声模型是"白噪声+闪烁噪声";没考虑时间序列中时间相关的噪声,水平速度场估算误差被低估7~8倍;同时该区域GPS时间序列存在波峰较为一致的周期运动,区域内的水文荷载是造成该现象的主要原因,因此在研究该地区地壳构造运动时,必须考虑水文荷载等非构造运动带来的干扰。     

基于多通道奇异谱的GNSS坐标序列 粗差探测与数据插值

由于接收机故障、天线更换以及一些未知外界环境因素的影响,导致GPS时间序列中不可避免地存在数据缺失和粗差,数据缺失和粗差会产生各种问题,因此需要鲁棒探测粗差和缺失数据插值来获得连续完整统一的时间序列。传统方法可能需要针对不同类型的数据和不同长度的数据间隙研究不同的插值方法,这使得缺失数据的插值较为困难。针对上述问题,文中采用多通道奇异谱分析(Multichannel Singular Spectrum Analysis,MSSA)对时间序列进行粗差探测和缺失数据插值,重建非均匀采样时间序列的连续可靠模型,且不需要关于时间序列的任何先验信息。在该方法中,粗差探测与数据插值同时进行。模拟数据和实测GNSS时间序列数据测试结果都表明该方法的有效性。     

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.      

不同解算策略对GPS坐标序列噪声模型建立及速度影响

解算策略选择与GPS站速度及参数模型估计密切相关,本文选取陆态网下121个GPS基准站2011—2019年时间序列作为研究对象,采用赤池信息量准则/贝叶斯信息量准则(AIC/BIC)最优噪声模型评价准则,探讨GAMIT、Bernese及二者联合解算策略(Comb)对GPS坐标序列噪声模型和速度估计的影响.?结果表明:不...     

EM算法的时序模型在沉降数据处理中的应用

针对时间序列分析对监测数据中出现的不完全数据(部分数据缺失)无法进行精确建模的问题,该文引入期望极大算法(EM算法),提出EM算法与时间序列分析的组合算法模型。运用EM算法的时间序列分析组合算法模型可以对沉降过程中遇到的不完全沉降数据进行建模分析,该组合算法模型可以对不完全沉降数据进行较为精确的建模,并对后期沉降数据进行较为精确的预测。将某地铁基坑点沉降数据作为实验数据,EM算法的时间序列分析的建模结果表明:所提出的组合算法模型可以对不完全沉降数据进行建模分析,绝对误差为0.23mm,建模精度较高。     

GPS/INS紧组合的INS辅助周跳探测与修复

建立了GPS/INS紧组合定位模型,改正惯性器件误差及电离层折射误差,对不同组合观测量的误差影响进行了分析,构造不同观测值组合,提出了基于惯性信息辅助的GPS周跳自适应探测方法,分析了INS定位误差对周跳探测的影响,给出了周跳探测误报率及修复成功率评价指标,提出了一种周跳检测阈值自适应确定方法。利用实测组合导航试验数据验证本文的算法,文中模拟了不同的单历元多周跳及信号失锁条件,结果表明,在GPS信号完全失锁20 s内,该方法能准确检测和修复所有周跳,中断时间的延长降低了周跳修复的成功率;GPS信号部分失锁时,在模拟的90 s中断时段内仍能修复所有周跳;模拟了170历元的5 s间隔密集周跳,周跳探测成功率为100%,正确修复率为99.41%。     

GPS时间序列噪声特性分析——尼泊尔与藏南为例

选取喜马拉雅地震带上尼泊尔与藏南地区16个IGS台站近三年的GPS时间序列数据,通过编程计算进行详细分析。利用GPS单站、单日解观测序列James L.Davis周期模型对所有IGS台站进行线性变化速率,周期、半周期系数及残差序列的提取。对残差序列中存在数据缺失的时间段,采用3次样条差值拟合方法补齐缺失数据,按照3倍中误差限差原则剔除孤立点。对提取的残差序列所包含的非构造运动引起的时空相关噪声,应用主成分PCA/KLE方法对整个测区的共模误差(CME)进行分析,对剔除CME后的噪声采用功率谱分析方法确定该地区的噪声类型为"闪烁噪声+白噪声"。     

顾及共模误差的大区域GPS网坐标时间序列噪声分析

噪声分析对GPS时间序列分析有着重要影响,然而针对时间跨度较长的大尺度GPS网的共模误差相关研究较少。本文选取了平均基线长度大于2000 km的欧洲地区9个GPS台站2006-2014年的数据,使用主成分分析法剔除坐标时间序列的共模误差,同时利用极大似然估计的方法对滤波前后的时间序列进行了噪声分析。结果表明,欧洲地区广域GPS网的噪声模型存在多样性,各个分量具有不同的噪声特性,主要表现为白噪声+闪烁噪声、白噪声+幂率噪声,少部分台站N、E两个方向含有随机漫步噪声。经过空间滤波后,部分台站最优噪声模型发生改变,但仍以白噪声+闪烁噪声、白噪声+幂率噪声为主。滤波对N、E方向速度场影响为0.2 mm/a,U方向速度场影响为0.5 mm/a。     

AR模型中AO类异常值探测及其在GPS卫星钟差预报中的应用

基于EM算法,提出一种AR模型中AO类异常值(additive outlier)探测的算法。该算法可同时进行AR模型拟合与AO类异常值探测,并可有效地解决成片AO类异常值探测时所产生的掩盖和淹没问题。最后,将本文算法应用于GPS卫星钟差预报之中。本文算法可以准确探测出钟差历史观测序列中的AO类异常值,并可对卫星钟差进行精确预报。