基于PSO-VMD-SSA的GNSS站坐标时间序列去噪

受设备及环境等因素影响,GNSS(Global Navigation Satellite System)采集的坐标数据不可避免地存在噪声干扰。传统的变分模态分解(Variational Mode Decomposition,VMD)是将原始信号分解为不同中心频率的分量,基于信号分量、噪声分量特性实现噪声抑制。然而此种去噪方法一方面存在参数选取的主观性的问题;另一方面存在将噪声分量中的有用信息剔除的问题。基于此,本文在VMD方法基础上引入粒子群优化(Particle Swarm Optimization,PSO)算法与奇异谱分析(Singular Spectrum Analysis,SSA)方法,构建新的PSO-VMD-SSA组合去噪方法。使用实测GNSS站坐标时间序列进行去噪实验,结果表明,本文提出的方法较VMD方法、SSA方法去噪效果有显著提升,验证了本文方法的有效性与优越性。

基于非线性薛定谔方程的时间序列去噪

针对噪声污染严重的时间序列,提出一种基于动态随机共振效应的去噪方法.通过具体分析非线性光学系统中的动态随机共振效应,推导出非线性薛定谔方程中的非线性扰动项,得到用于描述非线性系统中的信号传播模型,并应用于时间序列去噪.首先将归一化的时间序列信号输入模型系统,然后通过自适应粒子群优化算法确定系统传播方程中的各项参数,最后利用分步傅里叶方法求解传播方程的数值解,作为系统的输出.对于一些典型的时间序列信号,与现有的去噪方法相比,文中方法在信噪比上平均提高0.3~3.7 dB,在均方根误差上平均降低0.03~0.11,该方法在时间序列去噪上具有更好的效果.

小波阈值在GNSS时间序列去噪中的选取研究

针对GNSS变形监测时间序列数据常含有噪声致使无法真实反映被监测物体形变的问题,将小波分析理论中的4种小波阈值应用于GNSS监测数据的去噪,以某桥梁GNSS实测数据作为研究对象,采用试验的方法研究4种小波阈值(极值、启发式、固定和自适应)在GNSS监测数据去噪中的效果,并以信噪比、均方根误差和平滑度对4种阈值的去噪结果进行评价,试验结果显示,4种小波阈值中效果最好的是自适应阈值,其能够在GNSS时间序列信号去噪的同时保留更丰富的信号特征,而固定阈值效果不佳,存在过度去噪现象。

基于Fick-小波包变换方法对土壤CO_2浓度时间序列的去噪处理

土壤CO_2浓度时间序列的数据质量易受到外界环境及土壤监测仪质量的影响,导致不能精确的测定土壤呼吸。针对土壤CO_2浓度时间序列的数据质量问题,本文提出小波包变换和Fick第二定律结合的方法对时间序列进行去噪分析。实验结果显示,无论从均值,信噪比,均方根误差和斜率距离来看,本文算法都优于由传统方法计算得到的结果。同时,在研究区域分别测量了早中晚三个时间段的土壤CO_2浓度,对其进行去噪处理之后,利用Fick第一定律计算获得的土壤碳通量与LI-8100测得的仅相距1μmol/m^2/s左右。说明通过本文算法不仅精确算得了开放型气室内任意时间任意位置的CO_2浓度时间序列,并且通过计算处理后的时间序列获得了与LI-8100相近的土壤碳通量。