共查询到17条相似文献，搜索用时 984 毫秒
1.
针对GAMIT/GLOBK软件解算得到的4 a GPS/PWV时间序列的特征提取问题，提出基于滤波辅助的部分集成经验模态分解（PEEMD）与Hilbert谱分析相结合的特征提取方法。首先，在PEEMD方法的基础上,结合滤波辅助的PEEMD方法与Hilbert谱分析，建立GPS/PWV时间序列特征提取模型；然后，将所提出的方法应用于TNML测站4 a的GPS/PWV长时间序列和7 d的GPS/PWV短时间序列分析中，并将滤波辅助的PEEMD结果与传统的小波分解结果进行对比。结果表明，该特征提取方法能准确有效地提取出 GPS/PWV时间序列中的周年周期和日周期特征分量，滤波辅助的PEEMD分解结果与小波分解结果一致，且提取的特征分量与原始信号更加吻合。 相似文献
2.
介绍了小波分解法改进时间序列预报模型的原理。以IGS发布的2013年VTEC数据为例进行逐点建模,选用db4小波对5 112个格网点VTEC序列进行分解,并对各小波分量进行时间序列预报和重构,进而对VTEC进行预报。对一般方法和改进方法预报偏差的比例变化及全球范围内各格网点的预报值RMSE进行比较。结果表明,改进法预报的高精度点比例及其预报精度均优于一般方法。 相似文献
3.
提出一种基于集合经验模态分解、样本熵和灰色支持向量机相结合的卫星钟差预报方法。首先利用EEMD对钟差序列进行分解,然后采用样本熵对复杂度相似的分量进行叠加组合,进而对各新分量建立高频支持向量机和低频灰色GM(1,1)进行滚动式预报,最后叠加各预报结果得到钟差预报值。用IGS提供的钟差数据作实验,与灰色模型、支持向量机、遗传小波神经网络的多步预报进行对比分析。结果表明,该方法预报精度较高,对于较长时间的钟差预报也能保证较好的预报效果。 相似文献
4.
基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法，构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量，并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加，最终建立多尺度变形预测方法，并应用于大坝变形预测。实验结果表明，改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法，证实了新方法的有效性及可靠性。 相似文献
5.
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
6.
利用经验模态分解（EMD）和整体经验模态分解（EEMD）方法，将BJFS站2000~2015年高程时间序列进行分解，发现其不仅存在1 a、0.5 a、0.25 a、2个月、1个月以及长周期等周期项，还存在以往方法很难探测出来的近似2 a周期信号。与EMD分解结果对比，整体经验模态分解可以明显减弱模式混叠现象。对各分量进行Hilbert 变换（HHT），得到时间-频率-能量的Hilbert 频谱图。结果表明，年周期和2 a周期变化是高程运动的主要贡献项。利用小波变换方法对比验证EEMD的分解结果表明，与小波分析相比，EEMD重构信号与高程序列差异的RMS更小，证明了HHT-EEMD方法在数据资料分析过程中的有效性。对环境负载及GRACE负载造成的测站位移进行功率谱分析得出，环境负载确实会造成IGS站高程时间序列的1 a、0.5 a以及季节性运动，GRACE负载还验证了2 a信号的存在。 相似文献
7.
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
8.
利用小波变换对暴雨过程中GNSS气象要素的初步探索 总被引：1，自引：0，他引：1
利用小波分解对地基GNSS获取的可降水量(PWV)、气压和对流层延迟(ZTD)等时序进行处理和分析,以暴雨的实际降水量作为判别依据。研究结果表明,1 h间隔PWV与ZTD的小波高频分解系数接近,均能够从中提取暴雨预报特征信息,可用高频ZTD代替PWV进行小波分析;频率在30 min-1h之间的ZTD,预报时间信息应在第1~3层级进行搜寻,30 min以下频率的应在第3~5层级进行搜寻;db4小波分解PWV的暴雨预报阈值可设为-1.2,db4小波分解ZTD的暴雨预报阈值可设置为-0.007,db2小波分解ZTD的暴雨预报阈值可设为-0.01。 相似文献
9.
针对单一预测模型的不足,提出EEMD分解与粒子群灰色支持向量机（particle swarm optimization grey support vector machine,PSOGSVM）相结合的基坑位移预测模型。以基坑时间序列的混沌性为基础,利用EEMD分解时间序列,采用相空间重构技术构造样本,应用PSOGSVM模型进行基坑预测,并与GM(1,1)、SVM、遗传小波神经网络进行对比。结果表明,该算法预测精度好,具有良好的稳定性,可有效地应用于基坑位移预测。 相似文献
10.
针对高铁变形监测数据的非线性特征，构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列，通过嵌入维数的确定和高低频数据的相关性分析，将重构后的随机序列作为遗传算法优化SVR模型的输入，对近似序列则采用灰色支持向量机来描述其演变特征，最后将二者预测结果进行耦合叠加，得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例，将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价，结果表明该模型较好地拟合了近似分量，同时避免了细节分量的过拟合，为高铁变形预测提供了新途径。 相似文献
11.
This paper proposes a WD-GA-LSSVM model for predicting the displacement of a deepseated landslide triggered by seasonal rainfall,in which wavelet denoising(WD)is used in displacement time series of landslide to eliminate the GPS observation noise in the original data,and genetic algorithm(GA)is applied to obtain optimal parameters of least squares support vector machines(LSSVM)model.The model is first trained and then evaluated by using data from a gentle dipping(~2°-5°)landslide triggered by seasonal rainfall in the southwest of China.Performance comparisons of WD-GA-LSSVM model with Back Propagation Neural Network(BPNN)model and LSSVM are presented,individually.The results indicate that the adoption of WD-GA-LSSVM model significantly improves the robustness and accuracy of the displacement prediction and it provides a powerful technique for predicting the displacement of a rainfall-triggered landslide. 相似文献
12.
利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。 相似文献
13.
����С��������LSSVM�Ļ��±���Ԥ�� 总被引：2，自引：1，他引：1
??????????????,???????С????????LSSVM????????±???????????????С???任???????????з?????в???????????????????????????????к???????з??????LSSVM????????????????????????????????С????????LSSVM????±????????????????GM(1,1)??AR??????LSSVM?????? 相似文献
14.
以2014-01~03的河北省GPS和PM2.5观测数据为例,利用小波变换方法开展GPS水汽和PM2.5浓度的相关性分析。结果表明,低频系数重构的GPS水汽与PM2.5浓度序列较好地反映了两者之间的正相关特性;D7高频信号（128~256 h）及D7与D6高频信号（64~256 h）重构的GPS水汽与PM2.5浓度的相关性较原始序列的相关性有较大提高;对于持续7 d的重度雾霾过程,由第7层和第6层高频系数重构的GPS水汽序列与PM2.5浓度序列的相关性达到0.890;不同时刻水汽变化对PM2.5浓度观测的影响,在水汽变化波动较大时段,水汽与PM2.5浓度的相关性为正;对于水汽变化波动较小时段,由于水汽与PM2.5浓度峰值时刻的差异,水汽与PM2.5浓度序列的相关性则不明显。 相似文献
15.
《山地科学学报》2015,(1)
In the current study, the efficiency of Wavelet-based Least Square Support Vector Machine(WLSSVM) model was examined for prediction of daily and monthly Suspended Sediment Load(SSL) of the Mississippi River. For this purpose, in the first step, SSL was predicted via ad hoc LSSVM and Artificial Neural Network(ANN) models; then,streamflow and SSL data were decomposed into subsignals via wavelet, and these decomposed sub-time series were imposed to LSSVM and ANN to simulate discharge-SSL relationship. Finally, the ability of WLSSVM was compared with other models in multistep-ahead SSL predictions. The results showed that in daily SSL prediction, LSSVM has better outcomes with Determination Coefficient(DC)=0.92 than ad hoc ANN with DC=0.88. However unlike daily SSL, in monthly modeling, ANN has a bit accurate upshot.WLSSVM and wavelet-based ANN(WANN) models showed same consequences in daily and different in monthly SSL predictions, and adding wavelet led to more accuracy of LSSVM and ANN. Furthermore,conjunction of wavelet to LSSVM and ANN evaluated via multi-step-ahead SSL predictions and, e.g.,DC LSSVM=0.4 was increased to the DC WLSSVM=0.71 in 7-day ahead SSL prediction. In addition, WLSSVM outperformed WANN by increment of time horizon prediction. 相似文献
16.
李潇 《大地测量与地球动力学》2014,34(2):111-114
??????????????????????????±???????????÷????????????????????t??????????????????з?????в????????????????????????????к???????з???????????????????????????????????????????÷???????????GM(1??1)??AR??LSSVM?????? 相似文献
17.
以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。 相似文献