排序方式: 共有63条查询结果,搜索用时 46 毫秒
1.
结合模平方的双树复小波变形监测数据滤波 总被引:1,自引:0,他引:1
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。 相似文献
2.
起算点精度对GPS基线解算质量的影响 总被引:1,自引:0,他引:1
基线处理时要求知道一个点的坐标,其精度对GPS基线的解算结果有影响。采用实测数据研究起算点精度对GPS基线解算质量的影响,得出了其影响规律,同时给出了提高起算点精度的方法。 相似文献
3.
在无气象数据的条件下,提出一种基于集合经验模态分解(EEMD)和季节性自回归移动平均模型(SARIMA)的对流层延迟(ZTD)预报新方法,并分别选取长春、上海、乌鲁木齐3个地区4个季节的ZTD数据进行预测分析。结果表明,基于EEMD-SARIMA的ZTD改正预报模型能够满足不同地区、不同季节下的ZTD估计需求,是一种高精度的ZTD预报方法。 相似文献
4.
大气加权平均温度(Tm)是全球导航卫星系统(GNSS)水汽监测的关键参数。针对中国区域地形起伏较大的特点,本文构建了顾及精细季节变化的Tm垂直递减率函数模型,在此基础上,利用2007—2014年的Global Geodetic Observing System(GGOS)atmosphere格网数据建立了中国区域的Tm格网新模型(简称为CTm模型)。以2015年GGOS格网数据和无线电探空资料为参考值,对CTm模型进行精度检验,并与常用的Bevis公式和GPT2w模型进行比较分析。结果表明:①以GGOS格网数据为参考值,CTm模型的年均偏差和均方根误差(RMS)分别为-0.52 K和3.28 K,相比于GPT2w-5和GPT2w-1模型,精度(RMS值)分别提高了27%和13%;②以探空数据为参考值,CTm模型的年均偏差和RMS误差分别为0.26 K和3.75 K,相对于GPT2w-5和GPT2w-1模型,精度分别提高了21%和16%,尤其在中国西部地区,CTm模型表现出更为显著的优势。此外,将CTm模型用于GNSS水汽计算,其引起的水汽计算RMS误差和相对误差分别为0.29 mm和1.36%。CTm模型不需要实测气象参数,因此,在中国区域的GNSS实时高精度水汽探测中具有重要的应用。 相似文献
5.
6.
从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。 相似文献
7.
提出一种GPS/BDS双系统组合的土壤湿度多星线性回归反演模型,并以GNSS接收机实测数据为例,对比分析不同GPS和BDS卫星组合反演土壤湿度的效果。实验表明:1)GPS和BDS双系统组合相对于单系统在短观测时间内可以提高有效卫星数,通过多元线性回归原理可实现双系统多卫星的有效融合,提高土壤湿度反演的精度;2)当GPS和BDS组合卫星数达到6颗以上时,反演效果趋于稳定,反演结果与土壤湿度的相关系数均优于0.90,RMSE相对于单星至少提高25.8%。 相似文献
8.
利用ERA5大气再分析资料研究ZTD高程尺度因子的精细时间变化特征,构建顾及高程尺度因子精细时间变化的云贵川地区ZTD垂直剖面格网模型(YZTD-H模型)。以云贵川地区探空站分层ZTD数据作为参考值,检验YZTD-H模型的精度,并将其与GPT2w模型和GPT3模型进行比较。结果表明,顾及精细时间变化和垂直剖面变化的YZTD-H模型在时间维度和垂直剖面维度上均表现出较好的稳定性。 相似文献
9.
10.
针对大坝变形预测的影响因素过多且无法精准预测的问题,将主成分分析方法、多元宇宙算法、BP神经网络协同应用于大坝水平位移预测中,构建出PCA-MVO-BP预测模型。通过PCA来降低原始输入参数的维度,消除变量间相关性,并结合多元宇宙算法的快速收敛、泛化能力强的特性,解决BP神经网络预测模型中的权值和阈值的优化问题。以丰满大坝监测数据为测试样本,将组合模型与常规预测模型进行对比。结果表明:相较于常规LSSVM、RF、SVM算法,组合预测模型的平均误差、标准误差、平均绝对百分比误差值均较小,其预测精度较于单一BP神经网络提高了28.85%。表明了PCA-MVO-BP模型在大坝水平位移预测中的现实性。 相似文献