小波和傅里叶变换在坐标时间序列分析中的应用

正确提取坐标时间序列中的特征信息是非线性变化分析的前提．根据傅里叶变换和小波变换各自的特点,提出将两种方法结合起来对时间序列在时域和频域上进行分析的算法．首先采用小波函数db4对坐标时间序列分解5层得到高频和低频部分,进而分析各次谐波的时域波形以及可能存在的突变信息和区间,再在快速傅里叶变换的基础上求得各次谐波的准确频率和幅值．研究结果表明,低频分析可以直观地得到“周年项”和“两年周期项”,而高频分析能够较准确提取“半周年项”、“一季项”等短周期．与单独采用傅里叶变换或小波变换相比,基于小波变换与傅里叶变换相结合的方法能够有效地提取坐标时间序列中的特征信息,具有较高的研究价值.      

小波时间序列分析在高铁沉降变形中的应用

采用小波时间序列预测模型,建立基本思想和实现步骤,结合某高铁沉降监测数据,利用db3小波对原始数据进行去噪,在此基础上,建立了AR(2)模型,与运用时间序列方法所求出的预测值,进行比较分析,结果表明,采用小波时间序列预测模型,求出的预测值精度更高,具有很强的实用性。     

时间序列分析在变形监测数据处理中的应用

从时间序列分析的基本原理及方法出发,详细论述了如何使用这种方法对变形监测数据进行识模、建模、与预报.并通过实例计算验证了此种方法具有较高的拟合和预报精度,较好地描述了变形监测点的变化规律.     

小波变换在遥感影像道路特征提取中的应用

遥感影像中的信息提取一直是图像处理的研究热点之一,阐述了在道路特征提取方面的一些经验.鉴于小波变换是检测边缘的良好工具,并结合边界跟踪,最终成功完成了道路特征的提取.     

小波时间序列在地铁沉降监测中的应用

本文结合小波理论和时间序列的基本原理,提出了小波时间序列模型,并应用于某市地铁沉降的预测中,将其结果与常规时间序列模型对比,表明该模型具有在粗差探测、剔除等方面的优点,同时比常规模型预测更具应用价值。     

时间序列分析在地铁变形监测中的应用

本文基于平稳时间序列数据的分析处理方法,研究了利用ARMA(p,q)模型进行地铁变形数据处理和预报的方法与步骤,应用统计软件SPSS19.0对实测变形数据进行了处理。结果表明:应用ARMA(p,q)模型分析处理变形数据十分有效、可靠;同时充分利用现有的统计软件SPSS进行建模具有操作简便、计算准确可靠、预测精度高等优点。     

联合区域叠加滤波法与小波变换去除GPS站坐标时间序列噪声

GPS站坐标时间序列中存在的周期性与非周期性误差严重影响了对测站运动特征的分析及其非线性变化的物理机制解释。因此,为削弱噪声的影响,本文首先利用区域叠加滤波法去除了南加利福尼亚地区16个测站时间序列的共模误差,以此削弱时间序列中存在的包括周年和半周年误差在内的周期性误差。为去除滤波后残留的噪声,对滤波后的信号进行静态离散小波变换,提取了周期为半周年以上的信号。结果表明,联合区域叠加滤波法与小波变换对GPS站坐标时间序列进行处理,既能够削弱周期性误差对信号的影响,又能较好地提取测站的非线性运动信号。     

基于小波变换的GPS动态变形分析

介绍了小波滤波去噪的原理并讨论在动态环境下GPS多路径效应的重复性问题。首先利用小波方法对静态观测数据的残差进行去噪,提取具有系统性的多路径误差改正模型。然后,根据多路径误差重复性的特点,对后续动态观测的数据进行改正。通过实验证明:经重复性模型改正后残余的多路径噪声符合正态分布的特点。然后采用小波软阈值去噪方法,消除剩余的多路径误差,可进一步提高动态变形监测的精度。     

时间序列分析在变形监测数据处理中的应用

在变形监测数据处理中,为了提高预报的精度,本文引入了时间序列分析中的ARMA模型,通过工程实例对该模型的预报精度进行检测,该工程实例的变形监测数据共有30期,本文通过前25期的数据进行ARMA建模并对第26至30期的变形量进行预报,与相应的实际观测值进行对比求差。对比结果显示预报结果良好,一步预报最大残差值在1mm,时间序列分析方法在变形监测数据处理领域应用效果良好。     

含缺值GNSS基准站坐标序列的非插值小波分析与信号提取

受多种因素影响,GNSS基准站坐标序列通常都含有缺值,传统小波分析需要对缺值数据进行内插或补零处理。本文基于小波系数与时间序列观测数据的重构关系,提出了一种非插值的二进小波变换的最小范数解法,导出了相应的计算式,并严格证明了传统的补零处理算法与本文的最小范数解法等价。最后利用中国地壳运动观测网络一期27个基准站实测数据以及模拟数据进行了验证分析。结果表明,本文的非插值算法与插值算法提取的信号差异较小,27个基准站坐标序列的平均残差中误差仅相差2.01%(North),0.54%(East)和1.26%(Up),两种算法提取的信号之差与信号平均方差比仅相差1.16%(North),0.54%(East)和1.62%(Up)。     

小波变换在变形监测中的应用研究

根据小波变换的特征,对四川二滩大坝变形监测数据进行了消噪和不同频带分离,达到了平滑滤波的目的,对变形体变形作出了几何分析和物理解释.研究结果表明,在变形监测数据处理分析中小波变换是一种有效的分析方法.     

基于IGS连续跟踪站的GPS高程时间序列分析

对全球分布的IGS连续跟踪站GPS高程分量时间序列,进行了小波多分辨率分析,发现各台站高程时间序列大都存在着季节性变化,这种以半周年项和周年项为主的季节性变化是由多种地球物理现象引起的,我们从多个方面分析了原因,并着重分析了大气压强的影响。利用分析的结果讨论了地壳垂直变化的规律,得出地球存在以半年和周年为周期的整体性扩张与收缩振荡运动,同时南北半球的变化规律存在差异的结论。     

结合模平方的双树复小波变形监测数据滤波

针对变形监测数据的去噪问题,该文在分析离散小波变换去噪不足的基础上,提出了一种基于模平方的双树复小波变形监测数据滤波方法。该方法利用双树复小波变换的完全重构、近似平移不变性和较好的方向选择性等特点,通过最小尺度空间的小波系数得到噪声强度,并结合模平方处理法确定各层的阈值,经重构阈值处理后的各层小波系数即得到去噪后的信号;经算例,并与传统离散小波变换对比分析。结果表明:双树复小波变换的分解效果优于传统离散小波变换,能较好地表现出细节部分的频率信息,使变形信号的周期性变化特征更为明显。该方法去噪更彻底,进一步提高了消噪的精度和可靠性,可作为变形监测数据降噪处理的新方法。     

GPS动态监测数据优化分析及变形特征的提取

GPS变形监测系统中的监测点的观测资料是与时间有关的信号序列,本文研究应用小波分析优化流程,结合苏通大桥GPS变形监测系统获取的监测点数据序列进行分析。结果表明,选择合适的小波基函数,对数据信号进行小波分解与重构,可以有效地从受到强噪声干扰的监测数据序列中提取有用的特征信号,较好解决了传统处理技术对GPS动态观测数据去噪以及特征信息提取的局限性。     

小波时间序列对非平稳信号中突变点的辨识与处理

本文利用小波时间序列模型找出非平稳信号中突变的位置,通过分析把突变点分为两类;若对两类突变点作适当的插值处理,既可保留原始数据发展趋势的真实性也可提高预测模型的精度。文中把迭代模型的预测值去逼近突变点值和单纯地用Pchip插值、spline插值、linear插值作为内插值进行了对比研究,得出了各自的优缺点。     

利用小波变换进行GPS振动观测值的异常探测

本文利用小波变换技术进行GPS振动观测值的异常探测,将GPS振动观测值序列视为一组观测信号,先利用小波低频分解提取信号趋势,再利用小波高频分解探测异常值的位置,提出结合观测体自身变形趋势判断异常值是否存在,再通过小波高频分解和小波阈值去噪找到异常值准确位置的探测方法。结合某GPS振动平台上的振动观测实验数据进行仿真分析,获得准确的异常探测结果。实践证明文中研究的异常值探测方法是可行的和有效的,为GPS振动观测值的异常探测提供新思路。     

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。     

基于时间序列分析的桥梁变形监测预报研究

时间序列分析方法对短期建筑物变形预报具有较高的模型拟合及预报精度.本文从时间序列预测算法原理出发,阐述了使用此方法对所获得的桥梁变形监测数据进行模式识别、模型建立及预报的过程,并利用MATLAB实现了编程代码.通过对某桥梁变形监测预报的应用表明,该方法实用性较强,可以及早为桥梁变形做出预警,以避免或减少灾害的发生..     

基于极大熵和小波的时间序列数据预测研究

在极大熵准则的基础上,以苏州虎丘塔的历史形变观测数据为例,进行时序数据的预测分析。研究不同的样本数据选择原则对预测效果的影响。然后在一致的样本基础上,得到基于不同的模型参数估计方法的时序数据预测曲线,并通过小波的去噪分析进行不同曲线之间优劣的比较。结果表明,在1985年到2000年期间,塔体的变形周期在不断的延长,但总体而言,塔体的变形是在不断的加剧。而基于极大熵参数估计法的AR(p)模型能对实际的观测曲线有很好模拟和预测效果,选择均匀步长的样本数据对提高模型预测精度是很重要的。