基于ARMA模型判别气压传感器故障

我国现有的自动气象站设备缺乏能够反映其自身运行状态的参数信息,导致对设备运行监控能力不足,无法快速定位设备故障。为了判别气压传感器的工作状态,从观测数据出发,提出了基于ARMA模型的气压预测方法,利用已测气压值,对当前时刻气压值进行合理的预测,并给出该预测值的置信区间。利用气压传感器的实测值与此预测值进行比较,如果实测值偏离了该预测值的置信区间,可以认为气压传感器或相关数据采集单元出现故障。通过实例计算和比较,模型ARMA(2,1)对于自动气象站气压值的一步预测误差为0,具有较好的预测效果,可以有效判别气压传感器的工作状态。     

高边坡变形非线性时变统计模型研究

基于高边坡长期变形监测资料,深入分析了边坡变形的影响因素,建立边坡非线形时变统计监控模型,并将模型应用于锦屏一级水电站边坡工程。通过典型测点长期监测资料的分析,确定时效和降雨是影响边坡变形的2个主要因素,并给出了各自的表述形式,在Matlab平台上,采用非线性回归方法得到边坡非线性时变统计模型的参数。在此基础上,根据边坡变形拟合残差时序,采用ARMA模型方法进行拟合和预测,对边坡非线性时变模型的拟合和预测进行修正。结果表明,模型能较好地描述高边坡的变形特征,并且具有很好的拟合和预测精度。     

基于高阶累积量ARMA模型线性非线性结合的地震子波提取方法研究

在地震子波非因果、混合相位的假设下,本文应用自回归滑动平均(ARMA)模型对地震子波进行参数化建模,并提出利用线性(矩阵方程法)和非线性(ARMA拟合方法)相结合的参数估计方式对该模型进行参数估计.在利用矩阵方程法确定模型参数范围的基础上,利用累积量拟合法精确估计参数.理论分析和仿真结果表明,该方式有较好的适应性：一方面提高了子波估计精度,避免单独使用矩阵方程法在短数据地震记录情况下可能带来的估计误差;另一方面提高了子波提取运算效率,降低了ARMA模型拟合方法参数范围确定的复杂性,避免了单纯使用滑动平均（MA）模型拟合法估计过多参数所导致的运算规模过大问题.初步应用结果表明该方法是有效可行的.     

时间序列分析在地铁沉降观测中的应用

为了避免地铁建设过程中危险事故发生,需要在施工过程中进行沉降观测。本文研究采用时间序列分析对不同地质条件下地铁拱顶沉降点观测数据进行平稳化处理,求出自相关系数及偏相关系数,确定预测模型和误差残差值及置信区间。实验结果表明,拟合预测值与原始观测数据的差值在合理的误差范围内,能够对沉降值进行预测,实现对地铁沉降进行监测的目的。     

ARMA滤波在加速度法反演地球重力场中的应用

探讨了根据ARMA模型构造白化滤波器对卫星加速度进行去相关滤波的方法。给出了加速度法和去相关最小二乘解算的基本原理,推导了基于加速度法整体求解加速度计尺度因子、偏差参数和重力场位系数的计算公式。在此基础上,讨论了利用ARMA去相关滤波法抑制卫星加速度有色噪声的具体处理方案。实验结果验证了所提方法的有效性。     

基于ARMA模型的GPS基准站坐标时间序列分析

由于利用GAMIT/GLOBK软件对连续运行多年的GPS基准站数据进行处理的原始结果存在一定的噪声,本文利用ARMA模型对GPS基准站坐标进行时间序列分析,其中采用Pandit-Wu方法确定ARMA模型的阶数.试验结果表明,采用Pandit-Wu方法能够准确地确定ARMA模型的阶数,并且基于ARMA的时间序列有效地消除了一定量的噪声,让GPS基准站随着时间的变化规律与趋势更加明显,说明ARMA模型在GPS基准站坐标时间序列分析中剔除噪声及突显变化量与趋势具有良好的效果.     

基于卡尔曼滤波重建的GPS点位修正

由于单点定位的结果受卫星星历误差、卫星钟误差以及卫星信号传播过程中大气延迟误差的影响较为显著,因此解算出的定位结果在真值附近上下浮动。文中采用ARMA模型建立卡尔曼滤波的观测方程和状态方程,并对定位结果进行滤波;采用一次滤波后的坐标值作为初值,建立ARMA模型并二次滤波。实验表明,滤波有效防止了定位结果偏差过大情况的发生,使滤波收敛值与准确值最大偏差不超过3cm,表明采用一次滤波后的坐标值建立的模型更为合理,从而为单点定位结果的时间序列模型的建立提供一种新方法。     

时间序列分析及其在测绘领域的应用初探

时间序列分析是通过对研究对象随时间变化的过程来反映其变化规律并进行预测和分析。目前时间序列分析在统计、金融、贸易等学科领域应用较多,但在测绘领域的应用才刚刚开始。本文对时间序列的基本概念、常用建模方法等进行了概要总结和描述,并通过一个SPSS(Statistical Productand Service Solution,统计产品和服务解决方案)实例的分析,显示时序分析模型的应用过程,对时间序列分析在测绘领域的应用潜力进行了初步探索,为今后的深入研究积累了一定的经验。     

Artificial neural networks for predicting DGPS carrier phase and pseudorange correction

Artificial neural networks (ANNs) were used to predict the differential global positioning system (DGPS) pseudorange and carrier phase correction information. Autoregressive moving average (ARMA) and autoregressive (AR) models were bounded with neural networks to provide predictions of the correction. The neural network was employed to realize time-varying implementation. Online training for real-time prediction of the carrier phase enhances the continuity of service of the differential correction signals and, therefore, improves the positioning accuracy. When the correction signal from the DGPS was lost, the artificial neural networks predicted the correction data with good accuracy for the navigation system during a limited period. Comparisons of the prediction results using the two models are given.