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。     

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。     

优化EWT-NLM的自适应GNSS高程时间序列降噪方法

提出一种引入样本熵（SE）优化的经验小波变换（EWT）结合非局部均值（NLM）滤波的组合自适应降噪方法。该方法使用SE确定全部经验模态分量中低频有效信号界限,叠加其余中高频分量后进行NLM滤波处理,之后重构滤波信号与有效信号为最终降噪信号,从而达到滤除高频噪声的目的。模拟数据与实测数据的实验结果表明,优化的EWT-NLM方法整体优于EMD、EWT方法,RMSE分别降低13.41%/10.63%（实测数据/模拟数据）、7.13%/5.78%,信噪比分别提升22.03%/22.54%、9.72%/7.42%。     

天山地区GPS连续站高程时间序列分析

利用UNAVCO提供的天山地区境内外GPS连续站的观测数据,处理得到各站高程时间序列。进行最小二乘线性拟合,提取速度场,并消除原始序列的线性趋势。然后对时间序列进行谱分析以及小波多分辨率分析。可以看出,天山地区在过去10余年间呈现整体隆升趋势,各个观测站之间抬升的一致性较好,并且各站都表现出明显的季节性变化。     

一种削弱信噪混叠的EMD降噪方法

针对经验模态分解(empirical mode decomposition,EMD)降噪过程中存在信号与噪声模态混叠及直接将分界本征模态函数(intrinsic mode function,IMF)分量归入高频噪声造成真实信号被“湮没”等问题,提出一种改进的EMD降噪方法。该方法将经EMD得到的第2个IMF分量至分界IMF分量进行重构,对重构信号进行下一次EMD,获取其中的“真实”信号,多次重复此操作,最后将所有获得的低频信号累加,从而达到降噪的目的。利用2种模拟数据和1种GPS实测高程数据进行实验,模拟数据与实测数据采用不同的评价指标评价降噪效果,结果表明,改进的EMD方法较传统EMD方法降噪效果更佳,验证了该方法的可靠性。     

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...     

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。     

基于PCA方法的GPS台站时间序列分析

基于10 a以上的全球GPS台站数据,利用主成分分析法及其他数据处理方法,对台站时间序列进行预处理和结果分析,研究其中的非线性周期规律,探讨时间序列的主要影响机制。结果表明,主成分分析法可以将台站残差时空矩阵分解成若干正交成分,GPS台站时间序列的东西方向具有线性漂移趋势,全球大部分GPS台站都存在非线性周期规律,周年项和半周年周期占据主导地位。     

HHT-EEMD用于IGS站高程时间序列分析

利用经验模态分解（EMD）和整体经验模态分解（EEMD）方法,将BJFS站2000~2015年高程时间序列进行分解,发现其不仅存在1 a、0.5 a、0.25 a、2个月、1个月以及长周期等周期项,还存在以往方法很难探测出来的近似2 a周期信号。与EMD分解结果对比,整体经验模态分解可以明显减弱模式混叠现象。对各分量进行Hilbert 变换（HHT）,得到时间-频率-能量的Hilbert 频谱图。结果表明,年周期和2 a周期变化是高程运动的主要贡献项。利用小波变换方法对比验证EEMD的分解结果表明,与小波分析相比,EEMD重构信号与高程序列差异的RMS更小,证明了HHT-EEMD方法在数据资料分析过程中的有效性。对环境负载及GRACE负载造成的测站位移进行功率谱分析得出,环境负载确实会造成IGS站高程时间序列的1 a、0.5 a以及季节性运动,GRACE负载还验证了2 a信号的存在。     

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。     

基于模型和空间相关性的GPS时间序列插值方法

针对GPS时间序列的空缺,根据数据固有特性和空间特性,提出基于模型和噪声空间相关性的GPS时间序列插值方法,并以陕西省GPS连续站为例验证该方法对长空缺插值的优势。通过实验分析不同情况的空缺和插值对GPS时间序列速度、周期项以及噪声特性的影响。结果表明,空缺对速度影响较小,较少的观测也可以较好地反映地壳线性运动;空缺对周期项影响较大,利用GPS分析周期性运动时必须考虑空缺的影响;噪声频谱分析显示离散空缺比长空缺影响大,噪声特性分析时应注意。     

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。     

华北地区GPS基准站坐标时间序列噪声特征研究

利用华北地区GPS连续运行基准站网络2008-08~2013-04观测数据,分析36个基准站坐标时间序列的噪声特征。利用区域堆栈滤波方法对GPS单日解坐标时间序列进行共性误差剔除,使用极大似然估计准则定量估计坐标时间序列的噪声特性,并分析有色噪声对测站计算速度的影响。结果表明,华北地区GPS基准站坐标时间序列的共性误差在N、E和U方向分别约为1 mm、1 mm和3 mm,且共性误差具有类似闪烁噪声的特性;共性误差剔除前,坐标时间序列的噪声特性可以用可变白噪声加闪烁噪声模型或可变白噪声加幂律噪声模型来描述;共性误差剔除后降低了坐标时间序列噪声中闪烁噪声的成分,突出了本地效应部分噪声,坐标时间序列的噪声特性可以用可变白噪声加闪烁噪声和随机漫步噪声模型或可变白噪声加幂律噪声模型来描述;最优噪声模型计算的速度误差比仅考虑可变白噪声所计算的速度误差增大5~8倍;剔除共性误差,可使测站速度的精度获得40%左右的提高。