中国内地GPS坐标时间序列噪声模型特征及其对站点速率影响

为了进一步评估全球定位系统(GPS)时间序列噪声模型水平和垂直速率的大小,及其对误差的影响,选取中国内地227个GPS连续基准站2010—2020年南北、东西和垂直3个方向的坐标时间序列,采用6种噪声模型或噪声组合模型对其进行噪声分析。结果表明,中国内地GPS坐标时间序列噪声模型存在多样性,且部分站点在不同方向的噪声模型也存在差异,主要以一阶高斯马尔可夫+随机漫步噪声(GGMWN)和闪烁噪声+白噪声(FNWN)为主;在100°E附近的GPS站点噪声特性差异最为显著;噪声模型与速率之间的关系分析表明噪声模型对水平向速率的大小和误差影响较小,在现实计算中可不考虑噪声对水平速度的影响,但对垂向速率的大小和误差影响显著;考虑噪声模型可有效提高垂向速率的精度,同时也可能会改变部分站点的垂向运动方向,所以在现实计算中须考虑噪声对垂向速率的影响。

一种CEEMDAN的坐标时间序列降噪方法

针对全球卫星导航系统(GNSS)站坐标时间序列信号成分复杂、噪声难以分离的问题,提出一种基于自适应噪声完备经验模态分解方法(CEEMDAN)的降噪方法:通过CEEMDAN分解将信号分解为多个不同频率的信号;再以相关系数作为评判标准进行噪声与信号的分离。实验结果表明:与经典经验模态分解方法(EMD)降噪方法相比,CEEMDAN的降噪方法能够获得更精确的坐标时间序列,且不受噪声大小的影响,稳定性更高。

EMD与VMD组合站坐标时间序列降噪方法

针对全球卫星导航系统(GNSS)站坐标时间序列成分复杂难分离,而传统经验模态分解(EMD)方法存在模态混叠问题,提出一种EMD与变分模态分解(VMD)组合降噪方法,可更好地提取有用信号。该方法以EMD方法确定VMD方法的分解层数,首先采用EMD降噪方法分离高频噪声与低频信号,接着采用VMD降噪方法从高频噪声中再次提取信号分量,两次降噪的信号分量之和为降噪后站坐标时间序列。以模拟数据和20个实测站坐标时间序列进行实验分析,多种传统评价指标进行定量评估,结果表明:EMD与VMD的组合降噪方法其降噪效果在一定程度上优于传统EMD降噪方法。

全球卫星定位系统——CPS

全球卫星定位系统是一种新的导航定位测试系统,它能为全球提供全天候、连续、快速、实时、高精度的三维坐标、三维速度和准确的时间定位信息,在地球上任何一点、任何时间只要配备一台CPS接收机便可得到精确的定位信息。 美国Rockwell公司是国际知名的大型综合电子于产品公司,年营业额200亿美元。

全球定位系统(GPS)在现代汽车上的应用

在’96北京国际汽车展览会上,“上海大众”的一辆桑塔纳2000轿车安装了GPS系统,引起了众多参观者的浓厚兴趣,纷纷驻足详细了解该项新技术。可以说,这是国产轿车首次与卫里技术联系在一起,直接将高科技应用到现代交通管理的成功尝试。 GPS实际是种全球、全天候、全高度、可向载体提供三维坐标位置(经度、纬度、高度)、三维速度、时间信息的全球定位系统。其基本原理基于卫星导航和无线电导航的组合。即它把无线电导航搬至卫星上。

基于时间序列的GPS定位误差分析

在现代海战场的环境监测中,针对全球定位系统(GPS)的缺陷,采用时间序列分析的方法建立定位误差模型。首先将获得的数据进行平稳化处理,通过依据样本数据的自相关函数和偏相关函数的统计特性确定采用自回归滑动平均(ARMA)模型,然后根据参数的最小二乘估计和AIC准则建立ARMA(4,2)模型。通过对模型的残差分析,得出残差符合白噪声要求,与实际模型拟合程度较高,最后采用预报器对模型进一步预测,根据预报结果修正误差,明显提高了定位的精度。仿真结果表明了时间序列方法可以有效提高GPS的定位精度的有效性。

基于时间序列分析的动态精确定位算法

对卫星导航定位系统的应用前景进行深入分析,针对目前存在定位精度漂移和站点报站漏报或司机人工操作繁琐与复杂等问题,采用求解平均值、均方差和估计值等数理统计理论,建立基于时间序列分析的动态精确定位数学模型,进行动态求解,精确定位,并利用扁平多叉树动态向二叉树转换的自动站点匹配模型设计了比较优化可靠的算法,保证匹配算法的复杂度为O(n),减少计算资源的占用,提高数据处理的实时性;且通过实时的GPS数据采集进行实际反复验证,能满足定位精度和智能自动报站的时间与位置要求,实际测试结果证明该算法性能稳定、运行可靠,且应用范围广阔。

改进BIC的GNSS站坐标时序有色噪声特性分析

为了有效解决传统的极大似然估计方法存在的未知数多导致结果不准确的问题,提出一种改进BIC的GNSS站坐标时序有色噪声特性分析方法:选取全球范围内100个基准站2008—2022年坐标时序及仿真的100组坐标时序,采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)、改进的贝叶斯信息准则(BIC_tp)对不同有色噪声模型进行噪声特性分析,获取基准站坐标序列的最优噪声模型及速度参数;探讨BIC_tp对噪声模型及速度估计的影响。结果表明,基准站坐标序列噪声模型呈现出多样性特征,在北(N)和东(E)方向主要表现为闪烁噪声+白噪声(FNWN)模型,天顶(U)方向主要表现为幂律噪声+白噪声(PLWN)模型;相比于AIC和BIC噪声模型估计准则,BIC_tp方法对有色噪声模型估计具有较高的准确性,尤其是闪烁噪声+随机游走噪声(RW)+白噪声(FNRWWN)模型对全球卫星导航系统(GNSS)站速度不确定度的影响在N与E方向远大于U方向;正确获取模型参数估计的实际不确定度及改正噪声分量对于合理应用GNSS坐标时间序列数据具有重要意义。

基于多变量LSTM的GPS坐标时间序列预测模型

针对全球定位系统(GPS)坐标时间序列预测中存在精度不足的问题,提出一种基于多变量长短时记忆(LSTM)的GPS坐标时间序列预测模型。利用灰色关联度方法对同一地区不同观测站的GPS坐标时间序列数据进行关联度分析,找出与待预测数据(佘山站U向历史数据)关联度较强的数据。将待预测数据和与之关联度较强的其它数据作为多变量预测模型的输入,利用LSTM能够将现有的输入信息与历史输入信息相结合的特性,建立多变量LSTM模型。通过与ARIMA、单变量LSTM模型预测结果比较,证明该方法有更好的预测效果。

顾及三维方向的GNSS坐标时间序列粗差探测方法

针对GNSS坐标时间序列中粗差为三维位置粗差的特点,提出综合三维坐标的迭代最小二乘粗差探测方法。通过实验模拟数据,分别利用3倍中误差(3σ)准则和四分位距(interquartile range,IQR)准则对单方向和综合N、E、U三方向的粗差进行探测。结果表明,2种判别准则中,综合考虑3个方向的探测效果远好于单方向的探测效果,且探测效率均超过95%;3σ准则的探测效率稍高于IQR准则,但误判率也较高。在实测数据中的应用表明,SOPAC(Scrips Orbit and Permanent Array Center)提供的部分raw类型全球IGS站时间序列中粗差占0.1%~4.7%;运用IQR准则综合3个方向的粗差探测得到的时间序列要比cleaned trend类型更加干净。

GEONET网络GPS坐标时间序列噪声模型建立与分析

针对全球定位系统(GPS)连续站坐标时间序列噪声模型已在中国大陆构造环境监测网络(CMONOC)中得到广泛的研究与应用,但有关日本地区全球定位系统永久性跟踪站网(GEONET)噪声模型的研究甚少的问题,基于GEONET基准站资料,利用极大似然估计和保守估计准则,建立日本地区最佳噪声模型,并分别利用U检验和速度误差理论,就噪声模型对速度及误差的影响进行详细了分析。结果表明,GEONET各坐标分量具有不同的噪声特性,东(E)、北(N)分量主要表现白噪声与闪烁噪声组合、白噪声与幂律噪声组合;垂直(U)分量主要表现白噪声与幂律噪声组合;相关噪声模型对速度影响较小,在95%置信度下,白噪声与相关噪声估计的速度相等;忽略相关噪声会使速度误差的估计过于乐观,且不同的相关噪声模型估计的速度误差存在一定时变差异性,随着坐标序列跨度的递增而逐步增大。同时,利用相关噪声参数建立的速度误差模型表明,建立日本亚毫米级GPS速度场,E、N分量坐标序列跨度不应低于3 a,U分量不应低于8 a。

联合LMD与EMD的GNSS站坐标时间序列去噪方法

针对GNSS站坐标时间序列信噪不易分离的问题,在传统EMD去噪方法的基础上,本文提出了一种联合LMD与EMD的坐标时间序列去噪方法。该方法首先采用LMD分解原始坐标时间序列,基于连续均方误差(CMSE)原则分离高频噪声与低频信号,保持低频分量不变;然后对高频分量进行EMD去噪;最后以2次分解所得低频信号之和作为去噪后时间序列。以仿真数据与8个GNSS基准站实测数据进行试验,通过多种评价指标进行精度评估。结果表明,与传统EMD方法相比,联合LMD与EMD的方法能够更加精确地去除坐标时间序列中的噪声。

GPS坐标时间序列粗差剔除方法比较分析

为了更加有效地探测和剔除GPS台站位移序列的粗差,对几种常见的GPS坐标时间序列粗差剔除方法进行比较分析:分别采用GPS坐标时间序列中常用的粗差探测方法如5倍中误差法(5σ)、3倍中误差法(3σ)、中位数绝对偏差法、四分位距法对GPS坐标时间序列进行粗差处理分析;并以40个GPS基准站坐标序列为对象进行粗差剔除比较;最后对去除粗差后的GPS坐标序列进行噪声模型分析,总结粗差剔除前后坐标时间序列的最佳噪声模型。实验结果表明,4种粗差探测和剔除方法都能检测出时间序列中的粗差,且以四分位距法的效果最为明显。

全球GPS基准站坐标序列噪声模型估计及其对站速度的影响分析

针对全球定位系统(GPS)基准站坐标序列噪声模型的复杂性及其对站速度估计的不利影响,选取全球范围内的1443个GPS基准站,采用3种常用组合噪声模型并增加广义高斯-马尔科夫(GGM)与白噪声(WN)组合模型来估计GPS站速度参数,并利用改进贝叶斯信息量准则精确识别最优噪声模型。对不同噪声模型假设下的站速度参数进行分析的结果表明:GPS基准站的噪声特性存在多样性,3种常用组合噪声模型都有一定占比,GGM+WN模型占比虽小,但该模型背景下站速度精度较高;而随机游走特性(RW)则会放大站速度不确定度的影响,精确识别两种噪声特性对于站速度精确估计具有重要意义;此外,噪声模型的改变对站速度影响显著,在E、N方向的影响较大,U方向的影响较小。

中国地壳运动观测网络基准站GPS观测的位移时间序列结果

对中国地壳运动观测网络基准网于 1998年 9月～ 2 0 0 1年 10月GPS连续观测结果所获得的位移时间序列进行了初步分析 ,讨论了适用于地震分析预报的位移时间序列生成中的基准选择。选东部长期相对水平位移很小的 9个站组成的一组稳定点作为基准 ,得到水平位移时间序列 ;选分布于不同区域相对垂直位移较小的 7个站为稳定点组 ,得到垂直位移时间序列。 2 0 0 0～ 2 0 0 1年我国西部的基准站出现 2次明显的水平与垂直位移异常变化 ,这种异常变化有可能与南北地震带上云南地区发生的

L1范数与IQR统计量组合的GNSS坐标序列粗差探测算法

GNSS坐标时间序列中不可避免地含有粗差,未剔除的粗差将会导致参数估计有偏。因此,粗差探测与剔除是GNSS坐标序列分析中一项重要的数据预处理工作。针对GNSS坐标时间序列特点,提出了一种将L1范数(L1-norm)估计与四分位距统计量IQR(interquartile range)组合的移动开窗粗差探测算法,称之为L1_Mod IQR。该方法的主要思想是,首先利用L1范数估计得到较"真实"的残差,然后再对残差采用IQR统计量进行粗差探测。将L1_Mod IQR法与"3σ"法、基于最小二乘的τ检验法等粗差探测算法进行了模拟计算与对比,验证了该算法的有效性。进一步采用L1_Mod IQR算法对中国区域10个IGS站的高程时间序列进行了分析,结果表明中国区域IGS站高程序列的粗差剔除率最小为0.1%,最大为2.6%。并且以WUHN站为例与SOPAC提供的结果进行了对比,结果表明SOPAC提供的"Clean"数据仍含有大量的粗差,而L1_Mod IQR算法能够有效地剔除粗差。

GPS广播星历的时间序列分析

选取6颗GPS卫星近15年的广播星历进行研究,分析每颗卫星的轨道长半轴、扁率、参考时刻的轨道倾角、升交点赤经、近地点角距和真近点角距等开普勒六参数的时间序列,统计其最值及趋势项,通过功率谱分析,计算每个序列的主要周期项。结果表明:卫星轨道长半轴、扁率、轨道倾角、近地点角距有明显的趋势项,升交点赤经每周会产生一次7°左右的跳变,真近点角没有明显的趋势项。功率谱分析表明开普勒六参数均具有明显的周期项。

缺失GPS时间序列的神经网络补全

在GPS时间序列数据补全问题中,针对在空间点位分布稀疏、观测值连续缺失情况下传统补全效果不佳的问题,提出了一种基于深度学习的补全方法。针对时间序列中存在连续大量缺失的情况,设计了基于长短时记忆神经网络的补全模型;使用待补全站时间序列中可用的数据训练模型,合并使用日期数据增强训练效果,使模型学习到隐式蕴含在序列中的时空相关知识,预测序列缺失处的值。用IGS基准站SHAO的1999—2017年有缺失的时间序列进行实验;并与时间序列预测的传统经典方法 Seasonal ARIMA进行了比较。实验结果表明:在待补全站观测值缺失较多时,提出的方法依然可以取得很好的补全效果;在补全较长连续缺失时,无论是在预测精度还是对原始序列形态的模拟上,表现均优于Seasonal ARIMA。

一种基于混沌理论和LSTM的GPS高程时间序列预测方法

为了进一步提高全球定位系统(GPS)进行噪声分析或形变监测的可靠性,根据高程时间序列的特点,提出1种基于混沌理论和长短期记忆神经网络(LSTM)的混合预测模型:对时间序列进行经验模态分解(EMD)并降噪,去除序列包含的白噪声部分;求取时间序列的延迟时间,嵌入维数以及李雅普诺夫指数,证明GPS高程站心坐标时间序列具有混沌特性;然后重构序列相空间;最后将相空间每1维特征向量作为LSTM的时间步输入网络进行训练,建立预测模型。实验结果表明,该方法能够提高预测的可靠性,且模型具有一定的泛化能力。

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.