变分模态分解和机器学习融合的GNSS-IR土壤湿度反演

针对如何有效去除GNSS-IR土壤湿度反演中卫星信号噪声比例高、地表粗糙度带来的散射影响等问题,建立了一种将变分模态分解与BP神经网络相结合的模型,该模型利用变分模态分解自适应与非递归的特点来替代传统的多项式拟合法,从而有效提高反射信号提取精度;并利用BP神经网络的非线性映射能力进行后期预测,与传统线性回归进行对比分析。利用PBO H₂O的土壤湿度作为参考依据,以2016年PBO 783测站的GNSS数据为基础建立模型并评估分析。实验结果表明：结合变分模态分解与BP神经网络的土壤湿度模型反演结果与参考数据在大体趋势上基本一致,其均方根误差为0.014,决定系数R²为0.951,对比单星线性回归模型提升了42.79%,证明了该方法确实能够有效提高反射信号质量及抑制地表粗糙度影响从而提高土壤湿度反演精度。     

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...     

基于EMD方法的地心运动时间序列分析

针对时间序列混有的高频信息会影响地心运动规律分析的问题,采用网平移法对IGS提供的GNSS周解进行解算,得到2007-2017年地心运动时间序列,对其进行分解重构,剔除高频项,并利用重构时序对地心运动规律作进一步分析探讨。结果表明：本文解算的地心运动在T_x、T_y和T_z方向的精度均为毫米级。EMD方法重构的时序保留了原序列的基本信息,且抑制了高频项的影响,提高了周期贡献率,3个方向的贡献率分别提高了12.3%、16.7%及6.3%。通过分析重构后的时序发现,周年项振幅为各周期对应振幅的最大值,分别为2.32、1.89和2.07 mm;T_y和T_z方向长期变化趋势较T_x更为明显,分别为0.13和-0.27 mm/a;半年项较小,且在T_x和T_y方向上具有时变性。此外,还发现了一些其他较小的年际变化。     

EMD-IVMD方法在验潮站水位序列降噪中的应用

针对验潮站水位变化序列非线性、非平稳特点,采用一种基于优化参数的变分模态分解和经验模态分解相结合的降噪方法。该方法先经过EMD分解原始信号后,得到低频和高频信号两个部分,再采用IVMD方法处理高频噪声部分,最后将两部分有效低频信号重构作为最终降噪信号。采用1组模拟数据和4个验潮站实测水位序列数据进行实验,并采用信噪比和均方根误差评价降噪效果,结果表明,EMD-IVMD方法明显优于EEMD和传统的EMD方法,该方法在信噪比精度指标上分别提升1.67%和1.52%,在均方根误差精度指标上分别提升9.59%和13.51%,验证该方法的有效性和可靠性。     

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.     

GA-VMD与多尺度排列熵结合的GNSS坐标时序降噪方法

为了精确剔除全球导航卫星系统（global navigation satellite system, GNSS）坐标时间序列中的噪声,提出一种联合遗传算法（genetic algorithm, GA）和变分模态分解（variational mode decomposition, VMD）的降噪方法 GA-VMD。该方法首先利用GA优化VMD参数,然后引入多尺度排列熵（multi-scale permutation entropy, MPE）作为噪声分量的筛选标准,最后将剩余分量重构得到降噪后的信号。通过仿真信号和实测数据的降噪实例,并与小波降噪（wavelet denoising, WD）、经验模态分解（empirical mode decomposition, EMD）等方法对比,分析GA-VMD的降噪效果。实验结果表明：对于仿真信号而言,GA-VMD方法相较于WD、EMD方法,信噪比分别提高了5.18 dB和2.91 dB,互相关系数分别提高了0.05和0.02;对于实测数据而言,GA-VMD方法对测站的速度不确定度和闪烁噪声的平均改正率分别为79.89%和84.46%,优于其他两...     

利用白噪声分解特征的EEMD阈值降噪方法

经验模态分解算法基于待分解数据本身,避免了小波分解时选取合适小波基函数的困难,具有自适应性。然而传统的经验模态分解降噪是一种强制降噪算法,容易将高频部分的有用信号与噪声一起滤除,从而造成信号失真。针对该问题,在分析白噪声EMD分解特性的基础上,提出了一种EEMD阈值降噪法。利用4组具有不同频谱特征的仿真数据,证明了该算法优于传统的EMD强制降噪法;在消除随机噪声的同时,能够有效保留信号中的高频细节分量,从而缓解了信号的失真。     

联合VMD和Bi-LSTM的GNSS坐标时序降噪

针对GNSS坐标时间序列中的噪声难以有效去除等问题,构建了一种联合变分模态分解和双向长短期记忆模型的方法用以去除GNSS坐标时间序列中的噪声。将GNSS坐标时间序列分解为k个本征模态函数分量,并根据样本熵选择出有效的模态分量,分别通过双向长短期记忆网络处理,最后将信号进行合成。以BJFS等12个具有较长时间序列且数据完整性较好的GNSS站点坐标数据为例,对坐标时间序列进行降噪。将该方法与传统的分解方法进行对比分析,发现在E、N、U方向上,相比于单一变分模态分解,速度不确定度改正率分别提高了11.03%、4.60%、7.39%,相比于经验模态分解分别提高了31.70%、27.70%、24.42%。结果表明该方法能够更好地去除信号中的噪声,且优于传统分解方法,可提高信号可靠性。     

基于变分模态的变形监测数据重构方法

针对变分模态分解(variational modal decomposition, VMD)有效模态分量辨识标准不完备的问题,引入FLANDRIN准则,构建了一种变形监测数据重构方法。首先,利用VMD将变形数据分解为N个模态分量,并对各模态分量进行功率谱分析,根据各模态形态及功率谱分析结果,剔除趋势项;然后,基于FLANDRIN准则,计算各模态分量的能量密度和平均周期之积,寻找数值突变点,剔除数值突变点前的高频模态;最后,将剩余模态分量累加重构为有效变形信号,并利用希尔伯特黄变换(hilbert-huang transform, HHT)分析变形时频特征。通过风荷载作用下变形数据验证,所提方法能够精准辨识有效模态,重构后的变形数据经过希尔伯特-黄变换能准确提取瞬时频率,最大风振瞬时频率为18.60 Hz。     

基于最优分解模态和GRU模型的库岸滑坡位移预测研究

在滑坡位移综合预测研究中,常因滑坡随机位移分量无法准确提取、最优训练数据集及时效性无法确定等,造成多源监测数据利用不充分、位移预测结果不稳定。鉴于此,引入变分模态分解,在滑坡位移时序分析的基础上,结合门控循环单元递归神经网络,提出一种新型滑坡位移综合预测模型。以三峡库区白水河滑坡为例,选取2003-07—2012-12的位移监测数据和同时期库水位及降雨数据进行分析研究,综合模型预测结果的均方根误差为9.715 mm,判定系数为0.967。对比实验分析表明,该模型在保证高预测精度的同时,在有效预测时长和时效性上同样优势明显,在库岸滑坡位移预测研究中具有很强的应用和推广价值。     

维持中国地心坐标系的基准站数据处理

本文介绍了中国地心坐标系维持数据处理过程。基于"中国地壳运动观测网络"工程1999-2005年共7年的24个GPS连续运行基准站观测数据,并联合47个国际IGS核心站,获得了这些点于2000.0历元在ITRF2000框架中的坐标及速度,以及其相对于NNR-NUVEL1A板块模型的速度,以此作为维持中国地心坐标系的基准点。     

利用经验模态分解的侧扫声纳噪声抑制方法

针对海道测量中侧扫声纳声强数据中的噪声问题,分析侧扫声纳海底杂波的统计模型,提出基于ping数据的经验模态分解抑制噪声方法。结果表明,从ping声强数据中减掉周期小于4的模态后,声强数据可较好地服从Gamma分布,并保持声图中的细节信息。     

局部均值分解和奇异值分解在GNSS站坐标时间序列信号降噪中的应用

为了有效地提取GNSS站坐标时间序列的有用信息，降低噪声干扰，本文提出一种局部均值分解和奇异值分解相结合的信号降噪方法，并利用5个测站的实测坐标时间序列对新方法进行了验证。首先通过局部均值分解将坐标时间序列分解成一系列PF分量和余项，然后利用连续均方误差方法确定高频分量与低频分量的分界点，保持低频分量不变，运用奇异值分解方法对高频分量进行降噪重构，最后将重构的高频分量与低频分量叠加得到最终的降噪坐标时间序列，并对降噪效果进行对比分析。结果表明，与单纯的奇异值分解方法相比，局部均值分解和奇异值分解相结合方法能够自适应地选择合适的奇异值个数进行信号重构，提高了降噪效果。     

广义相对论框架中有关时间的定义与应用

在完整后牛顿近似下的太阳系质心参考系和地球质心参考系的定义及其转换关系的基础上，研究了在广义相对论框架下各种时间系统(太阳系质心坐标时、地球质心坐标时、太阳系动力学时和地球时)的定义、以及它们的具体实现和相互之间的转换关系，为空间大地测量学的研究提供了明确的时间概念和理论依据。     

桥梁GNSS-RTK变形监测数据的多滤波联合去噪处理

针对桥梁GNSS-RTK变形监测中多路径效应和随机噪声的影响,提出了一种基于Chebyshev滤波和自适应噪声的完备集合经验模态分解（CEEMDAN）,以及小波阈值（WT）降噪技术的多滤波联合降噪方法。该方法首先对监测信号实施Chebyshev滤波抑制多路径效应;然后进行CEEMDAN分解,基于自相关性分析,对噪声IMF分量进行WT降噪去除随机噪声。本文以天津海河大桥GNSS-RTK变形监测作为试验,对监测数据进行多滤波降噪处理。结果表明：本文所提的多滤波降噪方法能有效抑制多路径效应和随机噪声,GNSS-RTK与多滤波降噪相结合的方法能够准确识别桥梁真实动态位移,为桥梁GNSS-RTK监测数据降噪处理提供了一种良好的途径。     

FFT在变形监测中的应用与分析

在变形监测中获取的观测数据可以看作是时间与空间上的一组变形信号,一般该信号都会呈现趋势性,隐藏其中的周期性不易被发现;利用FFT对其拟合后的残差和小波分解后的高频信号进行变换与分析,通过时间序列分析对其分析结果建模得到短期的预测、预报,效果比较理想。     

欧洲地区共模误差提取及分析

针对跨度较长时间序列共模误差噪声特征研究较少,选择空间滤波的方法对较长时间序列进行分析以满足参考框架建立的需要。选取欧洲地区58个IGS基准站2001—2011年的坐标时间序列,采用区域叠加滤波法、分区区域叠加滤波法和相关系数加权叠加滤波法求取共模误差,并以滤波后时间序列相关系数和残差时间序列标准差为标准对其进行对比分析;进而,利用极大似然估计的方法对每个区域共模误差及滤波前后坐标时间序列进行噪声分析。结果表明:分区区域叠加滤波法最适合欧洲地区共模误差的提取;共模误差主要成分是闪烁噪声,也包含白噪声、随机漫步噪声等;当时间序列长度较长时,N、E方向受共模误差影响较小,可忽略,U方向受共模误差影响较大,需要考虑。     

改进的启发式分割算法在GNSS坐标时间序列阶跃探测中的应用

针对全球卫星导航系统(global navigation satellite system, GNSS)基准站坐标时间序列中有色噪声影响测站运动参数估计精度的问题, 提出了一种以小波包变换为基础、利用信息熵理论剔除有色噪声的方法。首先, 以有色噪声中的闪烁噪声为例, 对包含闪烁噪声的仿真时间序列进行噪声估计, 检验闪烁噪声的估计精度。然后, 对仿真时间序列的残差序列分别进行离散小波变换和小波包变换, 利用信息熵理论剔除闪烁噪声, 并比较两种方法的去噪效果。最后, 采用KMIN站的坐标时间序列作为实测数据, 进一步验证小波包系数信息熵的去噪效果。实验结果表明, 利用小波包系数信息熵剔除的有色噪声与原有色噪声在频域以及时域均具有较好的一致性, 所提方法能够有效地剔除残差序列中的有色噪声, 仅余白噪声。