GPS高程时间序列降噪分析的改进EMD方法

针对经验模态分解(empirical mode decomposition,EMD)降噪过程中不能直接确定分界本征模态函数(intrinsic mode function,IMF)的K值,以及当高频噪声IMF分量个数少于低频IMF分量个数时,利用低频信号重构实现降噪的计算量较大等问题,提出一种新的EMD降噪方法。采用平均周期与能量密度乘积指标的方法来自动确定分界IMF的K值,将高频噪声IMF分量进行重构,然后用原始信号减去重构噪声,从而达到降噪的目的。利用模拟数据和BJFS站的实测GPS高程时间序列数据进行验证。实验结果表明,该方法能够直接确定分界IMF的K值,降低计算量,在GPS高程时间序列降噪中较传统EMD方法更可靠。     

EEMD-多尺度排列熵的GPS高程时间序列降噪方法

针对GPS高程时间序列受各类噪声干扰的影响,导致难以提取有用信息的问题,提出一种基于整体经验模态分解(EEMD)结合多尺度排列熵(MPE)的阈值降噪方法。该方法以EEMD为核心算法,将原始信号分解成一系列本征模态函数(IMF),并采用MPE作为指标将其分类为噪声IMF、混合IMF和信息IMF;然后利用阈值函数处理混合IMF,实现二次降噪;再重构降噪后的数据与信息IMF,获得降噪结果。仿真信号和实例分析结果表明,该方法与相关系数法、MPE法相比,降噪评价指标RMSE、SNR和d_nSNR均为最优,说明该降噪方法效果最好,本文方法获得的降噪结果能够更好地反映出时间序列本身的非线性变化特性,可为GPS高程时间序列分析提供可靠依据。     

顾及GNSS坐标时间序列中季节信号的CEEMD降噪方法

针对互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）在GNSS坐标时间序列降噪过程中需要选取筛选准则的问题,提出一种顾及GNSS坐标时间序列中季节信号的CEEMD降噪方法。首先利用CEEMD方法对GNSS坐标时间序列进行分解,然后计算各本征模态函数（intrinsic mode function,IMF）的平均周期,将平均周期低于120 d的IMF分量作为噪声分量扣除,并重构剩余分量为信号分量。利用该方法对中国大陆227个GNSS垂向坐标时间序列进行降噪,并与以连续均方误差和相关系数为筛选准则的CEEMD降噪方法的结果进行对比。结果表明,本文方法未出现过度降噪,而其他2种方法均导致部分测站的季节信号被扣除;在未过度降噪站点,本文方法GNSS坐标时间序列的RMS、幂律噪声和速度不确定度的平均改正率分别为19.13%、88.29%和86.46%,优于其他2种方法。     

一种基于MAD改进的GNSS高程时间序列粗差探测方法

针对GNSS高程时间序列中不可避免地含有粗差,以及在非线性、不平稳性的高程时间序列中粗差难以探测的问题,在传统MAD方法基础上,构建一种引入小波分析的WT-MAD粗差探测方法.利用模拟数据和LHAZ、BJFS、TWTF三个IGS站的实测高程数据进行实验,将WT-MAD法与基于最小二乘的3σ法、IQR法和MAD法进行对比...     

基于CEEMDAN和小波包多阈值的GNSS高程时间序列去噪方法

为提高GNSS高程时间序列的去噪效果,以仿真信号和拉萨站2000~2020年高程时间序列为例,采用自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）方法将信号分解成若干个特征模态函数（intrinsic mode function,IMF）,对每个IMF分量进行小波包多阈值分解,依据不同节点能量占IMF总能量百分比选择不同的阈值准则,将降噪后的节点重构得到降噪后的IMF分量,进而得到降噪后的时间序列。利用信噪比、均方根误差等指标对比分析本文方法、EMD、CEEMDAN、小波去噪和小波包多阈值去噪等5种方法的去噪效果。结果表明,本文方法效果最优。     

基于Prophet-XGBoost模型的GNSS高程时间序列预测

针对GNSS时间序列非平稳性和非线性等特点,通过分析XGBoost模型与Prophet模型的适用性与特点,构建Prophet-XGBoost预测模型。该模型先通过Prophet模型对GNSS原始时间序列进行分解,然后通过XGBoost模型进行分部预测,等权相加得到预测结果。实验选用ALGO、ALRT、BRST三个IGS站U分量日坐标时间序列数据,采用MAE和RMSE作为评价指标。结果表明,与单一的XGBoost模型和Prophet模型相比,Prophet-XGBoost模型的MAE和RMSE值均得到一定程度优化,说明该模型具备有效性,可用于GNSS时间序列预测。     

LOESS用于GNSS垂向坐标时间序列噪声识别与提取

针对GNSS垂向坐标时间序列噪声复杂、精度较差等特点,采用局部加权回归模型(locally weighted regression, LOESS)对中国大陆构造环境监测网络中289个GNSS站的垂向坐标时间序列进行降噪分析。首先利用LOESS方法对预处理后的时间序列进行降噪处理,得到降噪后的时间序列及噪声序列;然后采用Durbin-Watson(DW)检验对降噪后的噪声序列进行自相关性检验,同时采用Wilcoxon秩和检验方法对降噪前后序列的标准差、噪声项、速度不确定度等指标进行显著性检验;最后采用降噪前后序列的信噪比及前3个指标来定量评价降噪效果。结果表明,各测站降噪后的噪声序列不存在自相关性,采用LOESS方法降噪处理后各评价指标均有显著改正,表明LOESS方法能够有效减少GNSS垂向坐标时间序列中的噪声,进一步提高GNSS垂向坐标时间序列的精度。     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

GNSS变形监测网短基线时间序列噪声特性分析

利用时间跨度为5 a的GNSS短基线时间序列对噪声特性进行分析,发现长周期噪声分量(随机游走噪声)。选取最优噪声模型,评估不同噪声模型对测站周期振幅和线性速度估值的影响。结果表明,短基线时间序列中有色噪声应顾及闪烁噪声和随机游走噪声,对于表现出随机游走噪声的分量,可能与测站的真实运动有关;假设只有白噪声时求得的速度估值与最优噪声模型下求得的速度估值存在0.4～0.6 mm/a的偏差,对周期振幅的影响可以忽略。     

基于DIA的GNSS坐标时间序列异常值探测

为解决GNSS坐标时间序列中存在异常值导致地壳形变分析受到影响的问题,首先将经典数据探测法DIA(detection, identification, adaptation)引入GNSS坐标时间序列分析中,基于谐波模型构造相应的统计量;然后采用计算效率更高的改进DIA算法进行异常值探测;最后采用模拟数据和中国大陆地壳运动观测网络(陆态网络)CMONOC实测数据对DIA算法和传统3σ法进行比较。结果表明,DIA算法能够有效探测出GNSS坐标时间序列中的异常值,准确率高于传统3σ法。相较于传统DIA算法,改进后的DIA算法计算效率显著提高。     

环境负载对GNSS坐标时间序列噪声特性的影响研究

基于中国大陆构造环境监测网络的连续GNSS观测数据,选取云南省25个测站的坐标时间序列研究地表质量变化对建立噪声模型的影响。计算陆地水负载、大气压负载和非潮汐海洋负载引起的测站非线性变化,采用极大似然估计对不同噪声组合进行分析,分别建立负载改正前后各GNSS测站的最优噪声模型,同时估计速度的不确定度。结果发现,云南省GNSS测站各分量的噪声特性主要表现为闪烁噪声+白噪声(FN+WN);环境负载改正能够改变坐标时间序列的最优噪声模型;用加入环境负载改正后建立的最优噪声模型估计各测站的速度不确定度,对于E、N、U分量,分别有72%、80%、68%的测站的速度不确定度变小。     

海潮模型差异对GNSS坐标时间序列周期信号及噪声特性影响分析

选取FES2004、EOT11a、TPXO7.2和Chinasea2010等4种海潮模型分别对23个CMONOC沿海测站进行海潮负荷位移改正,分析不同海潮模型对中国沿海区域测站坐标时间序列的影响。定量比较高频潮波参数模型间差异对周期信号的影响,结果表明,周日、半日潮波参数差异对海潮负荷位移改正后序列长周期信号、周年信号和半周年信号功率的影响最大可达4.3%、2.6%、2.0%和9.1%、0.7%、9.6%。基于Chinasea2010和TPXO7.2海潮模型的OTL改正使WN+FN+RWN测站噪声组合所占比例增至43%,而基于FES2004模型的OTL改正对测站速度不确定度的改善最大,39%的测站得到60%~98%的改善。     

EMD用于GPS时间序列降噪分析

针对GPS位置时间序列噪声成分复杂、建模困难、噪声与信号难以有效分离等特点,用自适应信号分析方法经验模态分解（EMD）对中国区域9个IGS站时间序列的N、E、U方向作降噪处理。首先对各方向分量作EMD分解,获取各方向噪声强度依次降低的一系列本征模态分量及其趋势项;其次利用相关系数辨别出噪声与信号的分界本征模态分量,并按重构方法重构各本征模态分量;最后用相关系数、信噪比、能量百分比等参数评价EMD方法降噪的有效性。结果表明,EMD方法能合理地分离序列中的信号与噪声,有效削弱噪声对GPS位置时间序列的影响,进一步提高GPS位置时间序列的精度。     

中国沿海海洋站GNSS坐标时间序列噪声模型的建立与分析

选取中国沿海海洋站中与验潮室并址的22个GNSS基准站近9 a的观测资料,利用最大似然估计法分析各站时间序列的噪声特性,建立最优噪声模型;然后顾及有色噪声,利用最优噪声模型估计测站速度,并与纯白噪声模型和GLOBK获取的速度及误差进行对比分析。结果表明：1）沿海海洋站的GNSS时间序列均含有有色噪声,各分量的噪声特性不完全一致,E方向和U分量均以白噪声+闪烁噪声为主,N分量以白噪声+闪烁噪声和白噪声+一阶马尔科夫噪声+随机漫步噪声为主。2）全国沿海3个海区N、E分量的白噪声和闪烁噪声基本呈现越往南噪声越大的规律,南海海区U分量的白噪声和闪烁噪声最大。3）顾及有色噪声的速度中误差是仅考虑白噪声和GLOBK估计的速度中误差估计值的5～10倍,这种差异比内陆观测站的要大。4）在对海洋站GNSS时间序列进行速度分析时,为获取正确的速度值,应该先准确判断噪声的类型,再顾及有色噪声的影响估计测站速度。     

基于奇异谱分析的GNSS坐标时间序列粗差探测与噪声估计

考虑到传统谐波模型难以精确描述GNSS坐标时间序列的非线性变化,导致信号和噪声不能很好地分离,进一步影响粗差探测和噪声估计,本文提出一种基于奇异谱分析的粗差探测与噪声估计算法。首先采用奇异谱分析方法分离出GNSS坐标时间序列中的信号与噪声,然后基于IQR准则探测噪声中的粗差,最后采用最小二乘方差分量估计（LS_VCE）方法定量估计各噪声分量。算例表明,相比于传统基于谐波模型的算法,该算法的粗差探测准确率更高,且估计的噪声分量与真值更接近。     

基于SSA-Sn法的GNSS坐标时间序列粗差探测

针对GNSS高程坐标时间序列中含有粗差、高程坐标时间序列不平稳、非线性变化导致异常值探测困难等问题,提出一种奇异谱分析SSA与S_n估计量相结合的粗差探测方法。利用实验模拟数据和实测数据分别对该方法的探测效果同常规3σ法和MAD法进行对比,结果表明,SSA-S_n粗差探测方法的总体探测效果更好,能够满足GNSS坐标时间序列高可靠性的需求。