基于CEEMDAN的GNSS变形监测去噪方法

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。

2018年8月磁暴期间北斗GEO卫星电离层TEC时空变化分析

基于北斗GEO卫星独有的静地特性,本文利用其观测数据提取电离层TEC进行磁暴期间电离层TEC时空变化研究。同时利用全球电离层格网图GIM值进行试验对比,结果表明:北斗GEO卫星提取的TEC与GIM模型值变化趋势一致,并且前者可更有效地监测电离层的细微扰动变化。在此次磁暴发生期间,亚太地区电离层TEC变化及扰动响应特征在纬度方向差异明显。其中南北半球较高纬度区域,电离层TEC在磁暴主相阶段主要表现为正响应扰动,而赤道及北半球较低纬度区域,电离层TEC在磁暴主相及恢复相阶段均产生了强度更大、持续时间更长的正响应扰动。结合现有研究,认为造成此次电离层异常扰动的激励因素主要为东向快速穿透电场的增强及热层中性成分的变化。试验结果也证明了GEO卫星可以精准有效地监测在磁暴发生时电离层TEC的变化规律及不同空间位置处TEC产生的扰动响应特征。

EOF-LSTM神经网络的电离层TEC预报模型

为有效利用电离层总电子含量序列的时间信息,提出一种经验正交函数分解与长短期记忆神经网络组合的预报模型,利用IGS提供的云南地区TEC格网数据,分别对不同地点和不同时段的电离层进行建模预报。实验结果表明,该模型在同一时段预报5 d的TEC值均方根误差最优达1.83 TECu,较单一模型减小16%,其平均相对精度最优达91.56%,较单一模型增加7%;在同一地点预报5 d的TEC值均方根误差最优达1.86 TECu,较单一模型减小25%,其平均相对精度最优达90.74%,较单一模型增加7%。

基于SSA-Elman神经网络的电离层TEC短期预报模型

针对基于神经网络的电离层TEC短期预报存在精度较低、易陷入局部最优的问题,利用CODE中心提供的TEC数据及地磁活动指数,建立基于麻雀搜索算法(SSA)改进Elman神经网络的电离层TEC短期预报模型,并通过BP模型、Elman模型及SSA-Elman组合模型分别对电离层平静期和扰动期中低纬度TEC进行5 d连续预报。实验结果表明,利用优化后的Elman神经网络模型对TEC进行连续5 d预报时,单个年积日的均方根误差最优可达1.443 TECu,相关系数最优可达0.976,优于BP模型和Elman神经网络模型。