共查询到19条相似文献，搜索用时 171 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
为了更好地消除混杂在变形序列中的噪声,利用完备经验模态分解（CEEMD）将形变信号自适应分解为不同尺度的振动模态。针对分解分量中信号和噪声区分标准不唯一的问题,构造一种CEEMD与自相关分析相结合的去噪算法,实现有效信号和随机信号的分离。将该算法应用在仿真实验和GNSS变形监测实测数据处理中,并与传统的小波去噪方法进行比较。结果表明,该算法避免了小波基选择带来的影响。 相似文献
4.
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。 相似文献
5.
利用麻雀搜索算法(sparrow search algorithm, SSA)优化变分模态分解(VMD),然后结合小波分解(WD),提出一种GNSS坐标时间序列降噪方法IVMD-WD。利用仿真信号和10个基准站的实测数据进行GNSS坐标时间序列降噪实验。结果表明,IVMD-WD方法的降噪效果优于经验模态分解(EMD)、集合经验模态分解(EEMD)和WD,能够更加有效地剔除GNSS坐标时间序列中的噪声。 相似文献
6.
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dnSNR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。 相似文献
7.
针对目前地心运动序列包含复杂噪声、真实信号难以有效提取等问题,提出一种结合局部加权回归(locally weighted regression, LOESS)和经验模态分解(empirical mode decomposition, EMD)的降噪方法LOESS-EMD。该方法首先对地心运动序列进行局部加权回归拟合,得到拟合后的时间序列和残差序列;然后对残差序列进行经验模态分解,从中提取出低频信号;最后将拟合的时间序列和残差中的低频信号进行重构,得到降噪后的时间序列。在仿真实验中,相比于LOESS方法,LOESS-EMD方法降噪结果的均方根误差减小31%,信噪比和剩余能量百分比分别提高16%和0.16百分点。利用该方法对国际GNSS服务IGS第三次重处理(3rd reprocessing campaign, Repro3)提供的地心运动序列进行降噪分析,结果表明,LOESS-EMD方法能够有效减少地心运动序列的噪声。 相似文献
8.
针对经验模态分解(empirical mode decomposition,EMD)降噪过程中不能直接确定分界本征模态函数(intrinsic mode function,IMF)的K值,以及当高频噪声IMF分量个数少于低频IMF分量个数时,利用低频信号重构实现降噪的计算量较大等问题,提出一种新的EMD降噪方法。采用平均周期与能量密度乘积指标的方法来自动确定分界IMF的K值,将高频噪声IMF分量进行重构,然后用原始信号减去重构噪声,从而达到降噪的目的。利用模拟数据和BJFS站的实测GPS高程时间序列数据进行验证。实验结果表明,该方法能够直接确定分界IMF的K值,降低计算量,在GPS高程时间序列降噪中较传统EMD方法更可靠。 相似文献
9.
《东北石油大学学报》2020,(4)
为对混沌信号进行降噪,提出基于变分模态分解(VMD)的混合去噪(VMD-SG-WT)方法,首先基于各分量间的最小巴氏距离确定VMD分解模态参数,通过VMD将混沌信号分解成多个本征模态函数(IMFs);然后分别计算各个IMF分量与原始信号间的相关因数,根据相关关系指标确定IMF分量的含噪程度,对有效成分主导的信息分量重构进行Savitzky-Golay平滑滤波,对噪声主导的噪声分量重构进行小波降噪处理;最后利用平滑的信息分量与小波去噪的噪声分量进行重构,得到最终去噪的信号。采用VMD-SG-WT去噪法对Lorenz系统产生的仿真信号和实测的太阳黑子数序列进行降噪处理,并与局部投影去噪法、小波去噪法、经验模态分解(EMD)去噪法和单一VMD去噪法进行对比。结果表明:VMD-SG-WT去噪法能够有效对混沌信号进行降噪,去噪效果相对优于其他去噪方法的去噪效果。 相似文献
10.
运用经验模态分解（EMD）、集合经验模态分解（EEMD）和完备总体经验模态分解（CEEMD）3种方法对原始基线时间序列进行分解,得到各自时间序列的本征函数模态分量（IMF）、相关系数及周期性强度,进而确定其季节项分量,同时通过比较季节项和原始基线时间序列的叠加功率谱图优选分解方法。结果表明,CEEMD方法对基线时间序列季节项提取和重构效果最佳。 相似文献
11.
基于CEEMDAN的GNSS变形监测去噪方法 总被引：1，自引：0，他引：1
为了提高GNSS变形监测数据去噪的有效性和可靠性,提出一种自适应完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)去噪方法。首先将GNSS变形序列经CEEMDAN分解为若干特征模态函数;其次引入排列熵理论确定高低频分界值K,利用小波分析对高频分量进行去噪,去噪后与低频分量重构得到去噪序列;最后通过仿真和实测边坡GNSS变形监测数据,利用信噪比、均方根误差、相关系数等指标对比分析CEEMDAN、EMD和小波去噪方法。结果表明,CEEMDAN方法的去噪效果和精度优于EMD和小波去噪方法,证明了本文所提方法的有效性和可靠性。 相似文献
12.
采用合成孔径雷达时序分析方法,利用2016-12～2017-05(12 d为一个周期)连续13景哨兵卫星雷达影像对淮南矿区内的居民区杨聚庄进行形变监测。根据矿区形变特征,提出一种基于灰色支持向量机（GM-SVR）的组合预测模型对矿区形变进行预测,并与传统的单一灰色模型和支持向量机预测模型进行对比。结果表明,时序InSAR技术和GM-SVR模型的结合,可以实现对矿区形变的快速监测和灾害预防,为矿区灾害监测与预警提供了一种可靠手段。 相似文献
13.
针对GPS/BDS实时监测坐标序列中多路径误差的周日重复特性和高频随机噪声,分别采用EMD以及EMD与小波阈值去噪相结合的方法对现有坐标序列构建多路径时序模型,并通过恒星日滤波削弱后续坐标序列中具有强相关性的多路径误差。实测数据的处理结果表明,EMD可以很好地去除GPS/BDS实时监测序列中的高频随机噪声并削弱多路径误差的影响,提高实时监测精度50%左右,EMD和小波组合方法较单EMD效果稍好。 相似文献
14.
跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变... 相似文献
15.
引入一种改进的集合经验模式分解方法（improved ensemble empirical mode decomposition,IEEMD）进行多路径误差的建模。与EEMD方法相比较,IEEMD方法可以有效地克服模态分量数目不一致和分解不彻底等问题,并将原始序列分解为不同尺度的模态分量。同时,考虑到不同模态分量中高斯白噪声的能量密度与平均周期之积为常数,设计一种自动选择尺度与重构的方法,用于模态分量的选择与重构,进而构建GPS多路径误差模型。在此基础上,采用恒星日滤波技术,进行邻近周日GPS坐标序列中多路径误差的实时削弱。实验结果表明,采用同样的尺度选择方法和恒星日滤波技术,使用IEEMD方法可以得到比EEMD方法精度更高的GPS坐标序列。 相似文献
16.
为准确掌握滑坡变形发展规律,基于滑坡变形监测成果构建滑坡预警预测模型,即先利用MF-DFA模型开展滑坡变形数据的多重分形特征分析,并进一步利用M-K分析构建双重判据（Δa指标判据和Δf(a)指标判据）进行滑坡预警研究;另外,在利用集成经验模态分解法对滑坡变形数据信息进行分离处理基础上,通过GOA-RNN-CT模型实现滑坡变形的分项组合预测。结果表明,h(q)值随波动函数q值减小而减小,说明滑坡变形数据具有多重分形特征,且预警分级研究表明,滑坡预警等级为Ⅱ级,即滑坡变形趋向不利方向发展;同时,通过变形预测分析认为,分项组合预测在滑坡变形预测中具有较优的预测效果和稳定性,且外推预测结果显示,滑坡变形会继续增加;最后,将多重分形特征研究结果和变形预测分析结果进行联合响应综合得出,滑坡现有预警等级相对不利,且后续变形仍会进一步增加,趋向不稳定方向发展,建议对滑坡采取必要防治措施。 相似文献
17.
根据卡尔曼滤波理论以及抗差理论,本文推导出了相邻历元误差相关的抗差卡尔曼滤波模型,其对观测值中含有粗差有良好的抗差性。通过对含有粗差的变形监测数据分析,与相邻历元误差相关的卡尔曼滤波模型进行比较,采用本文构造的抗差卡尔曼滤波模型处理数据,无论是否有粗差存在观测值里,变形计算结果与实际结果大体一致,粗差对计算结果的影响不敏感。在对变形监测数据分析时,可得出卡尔曼滤波方法估计的状态向量,没有寄存大量的以往观测数据,而是使用最近的观测数据,经过不断的预测和改正,把新的状态展示在系统中。 相似文献
18.
?????С?????????????????????μ???????????????С???任????????????????????μ??????????????????????????????????????????ι????????????н??????????????????????????Ч???????????????????淽???? 相似文献
19.
将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型.利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型... 相似文献