基于相空间重构和高斯过程回归的对流层延迟预测

天顶对流层延迟(zenith tropospheric delay,ZTD)是影响GPS定位精度的关键因素,为了提高ZTD的预测精度,提出一种基于相空间重构的高斯过程回归预测模型.针对ZTD时间序列的混沌特性,利用国际GNSS服务(International GNSS Service,IGS)站提供的ZTD数据,采用C...     

GPS时间序列分析软件CATS的安装与使用

介绍了GPS时间序列分析方法与理论,并对时间序列分析软件CATS的安装、使用及其基本原理进行了详细阐述。CATS主要使用的两种计算方法:频谱分析法和最大似然估计法;不同的噪声模型(主要是白噪声加有色噪声)来分析时间序列中的噪声以及它们对速度误差的影响。利用CATS可以方便的为研究者获得参数,进行上层研究。     

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。     

缺失GPS时间序列的神经网络补全

在GPS时间序列数据补全问题中,针对在空间点位分布稀疏、观测值连续缺失情况下传统补全效果不佳的问题,提出了一种基于深度学习的补全方法。针对时间序列中存在连续大量缺失的情况,设计了基于长短时记忆神经网络的补全模型;使用待补全站时间序列中可用的数据训练模型,合并使用日期数据增强训练效果,使模型学习到隐式蕴含在序列中的时空相关知识,预测序列缺失处的值。用IGS基准站SHAO的1999—2017年有缺失的时间序列进行实验;并与时间序列预测的传统经典方法 Seasonal ARIMA进行了比较。实验结果表明:在待补全站观测值缺失较多时,提出的方法依然可以取得很好的补全效果;在补全较长连续缺失时,无论是在预测精度还是对原始序列形态的模拟上,表现均优于Seasonal ARIMA。     

GPS坐标时间序列共模误差分离方法比较及其对噪声模型建立的影响

为快速有效地分离GPS坐标时间序列中的共模误差（common mode error,CME）,采用区域堆栈滤波法、加权堆栈滤波法、相关加权叠加滤波法、距离加权滤波法、主成分分析（principalcomponentanalysis,PCA）5种滤波方法对GPS坐标时间序列进行CME处理;基于MATLAB设计了相应的GPS坐标时间序列CME分离工具。并以8个GPS基准站的坐标序列为对象,对去除CME后的GPS坐标序列进行噪声模型分析。结果表明,这5种方法能有效降低各站点坐标时间序列的不确定性,提高坐标序列精度,相比其他方法,PCA法滤波效果更好;此外,去除CME后的时间序列最佳噪声模型发生了改变,且GPS站坐标序列噪声模型呈现出多样性并存在个体差异。     

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。     

基于滑动L2优化准则的GPS坐标时间序列重构

GPS坐标时间序列中不仅包含白噪声,还包含闪烁噪声、随机漫步噪声等有色噪声,这些噪声将影响GPS应用的可靠性,甚至可能对一些地球物理现象做出错误的解释,因此降低GPS坐标时间序列中有色噪声的影响、提高GPS精度是一个重要和基本的问题。提出了一种滑动L₂优化估计方法(ML₂),通过选取合适的窗口建立L₂优化模型,再利用交替迭代乘子法求解每段时间序列的优化问题,并逐年滑动得到整段GPS坐标时间序列的估计。实验结果表明,ML₂方法与奇异谱分析、小波分解、滑动普通最小二乘法相比具有更好的重构效果。     

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"。     

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.     

云南地区GPS垂向时间序列周期项信号的SSA提取

针对传统的GPS时间序列最小二乘(LS)谐波函数模型方法不能精确提取GPS垂向时间序列的周期项信号问题,该文以云南地区2011年1月—2017年6月连续观测的27个GPS基准站数据为例,使用主成分分析(PCA)获得27个测站的共模误差,然后分别使用奇异谱分析(SSA)和LS方法对PCA滤波前后的测站时间序列进行周期项信号提取.实验结果表明,原始时间序列分别减去SSA、PCA-SSA、LS和PCA-LS提取周期项信号的RMS减少百分比平均为25.66％、17.23％、16.76％、16.76％;原始时间序列与4种方法提取周期项信号的相关系数平均为0.66、0.55、0.54、0.54,说明SSA提取的周期项信号要优于其他3种方法,将SSA应用于云南地区GPS垂向时间序列的周期项信号提取是可行和有效的.     

融合小波变换和自适应Kalman滤波在GPS监测中的应用研究

针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。     

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。     

基于经验模态分解的GPS基线解算模型

非建模系统误差是影响高精度GPS基线解算精度的一个重要因素,文章给出基于经验模态分解的GPS基线解算模型,有效消弱系统误差对基线解的影响。在现有经验模态分解理论的基础上,定义经验模态分解的多尺度分解与重构结构,并由此给出基于经验模态的系统趋势分离模型,依据累积标准化模量的均值随尺度的变化确定系统误差与噪声分离尺度的选择标准。给出基于经验模态分解的GPS基线解算的技术路线,首先计算GPS相位双差观测方程的浮点解残差序列,分离出系统误差并用于修正GPS双差观测值,重新计算双差浮点解,采用Lambda算法固定整周模糊度,计算固定基线解,从而消弱系统误差对基线解算的影响,提高基线固定解的可靠性。并采用实测GPS数据验证模型,F-ratio指数与W-ratio指数表明系统误差消弱后,基线固定解可靠性得到明显提高,重新计算的残差序列表明系统误差得到很好的消弱。     

GPS变形监测系统中消除噪声的一种有效方法

GPS变形监测系统的观测资料可看成为与时间有关的数据序列，应用小波分析理论，研究了时间序列观测数据的误差消除问题。结果表明，借助于小波分解与重构，可有效地从强噪声干扰的观测数据序列中提取变形特征。该方法解决了传统处理技术对非平稳、非等时间间隔观测数据序列滤波的局限性问题。     

震后GPS坐标时序中对数弛豫时间的估计

全球定位系统（global positioning system, GPS）坐标时序去除同震形变和震前稳态速度场后,采用加权非线性最小二乘估计震后对数弛豫时间,可更准确地提取震后对数弛豫项,从而可以分析震后弛豫项对测站位移的独立物理贡献,并为震后余滑和黏滞性松弛效应等现象的分析提供参考。以日本2009—2019年GPS坐标时序为例,估计2011年Mw 9.0地震震后对数弛豫时间,发现不同站点的对数弛豫时间与其震中距关系显著,且服从高斯分布。据此,构建高斯函数加常数模型,可由震中距概略估计震后对数弛豫时间。高斯分布曲线的峰值、峰值位置、半宽度信息、最低位置分别为3.5 a、0 km、262 km、0.5 a,由此得出震后对数弛豫项影响时间大于0.5 a的站点主要集中在震中距约524 km范围内。震后弛豫效应区域分布的差异性显著,对数弛豫时间越长的区域,弛豫项水平位移表征越大,其中存在两个平均弛豫时间2.5 a的中心区域,与震后余滑的中心区域及时间相吻合。     

主成分分析模型及在变形监测中的应用

随机误差和多径效应作为GPS变形监测中的主要误差源,严重影响着GPS测量精度。针对这一问题,本文将主成分分析(Principal Component Analysis,PCA)模型引入GPS变形监测领域,首先利用传统PCA方法将测量数据转换至特征空间,通过剔除小特征值对应的特征向量实现对高斯分布随机噪声的抑制,然后将多径噪声作为色噪声进行分析,提出一种广义PCA方法利用多径噪声的时间相关性对其进行滤除,基于实际工程测试数据的实验结果表明,相对于传统的小波噪声抑制方法,所提方法可以获得更好的噪声抑制性能。     

利用ARMA模型改进GPS高程时间序列的研究

ARMA可用于时间序列建模,本文利用ARMA模型改进了部分IGS连续跟踪站GPS高程时间序列。计算了改进前后时间序列的线性速度,可以发现时间序列线性速度变化不明显,但精度却提高很多。通过研究表明利用ARMA模型有利于降低GPS高程时间序列噪声,可用于GPS高程时间序列的分析和研究。     

基于EMD的桥梁GPS动态监测数据处理

采用GPS监测运营期大跨度桥梁时,受到交通载荷和观测噪声的影响,GPS监测序列中的振动信号(mm级)完全被湮没,如何从监测序列中提取桥梁变形信息及其振动特性是桥梁健康检测的重要内容。文中利用EMD方法对GPS监测序列进行处理,得到一定数量的本征模态函数(IMF),选取特定的IMF做信号重构和功率谱分析,得到桥梁变形信息和振动特性,相较于传统FFT方法,能准确识别结构振动频率,同时提取变形特征。     

The autocorrelation of waveforms generated from ocean-scattered GPS signals

A "waveform" is generated by cross-correlating local copies of a global positioning system (GPS) signal with an ocean-reflected GPS signal, over a range of carrier frequencies and code delays. The shape of this waveform can be inverted to obtain estimates of the ocean surface roughness. To assess the accuracy of these retrievals, a stochastic model for the waveform time series measurements was developed in a previous publication. In this letter, this model is validated by comparing the predicted autocorrelation function of the waveform against the autocorrelation computed from experimental waveforms collected from an airborne receiver. A 1-ms coherent integration time was used at first. Then, blocks of these measurements were concatenated to produce equivalent integration times of up to 5 ms to compare the dependence of model predictions on integration time. Correlation time was estimated by fitting a model Gaussian function to the magnitude or the real part of the autocorrelation function. The magnitude and phase of the complex autocorrelation function from the model were also studied to show the location of the first , and better explain cases in which the Gaussian function did not fit well. The autocorrelation is found to be weakly dependent upon the surface roughness, over a range of moderate wind speeds.