顾及序列非平稳性的InSAR形变序列噪声分离与精化

地表形变序列提取是多时相合成孔径雷达干涉测量技术(Multi-temporal Interferometric Synthetic Aperture Radar, MT-InSAR)的最主要目的之一.受到随机噪声误差的影响, MT-InSAR获取的形变时间序列需要进一步精化.由于形变类型多种多样, 传统序列滤波处理方法容易出现单一模型不适用、滤波窗口难以确定、提取效果难以评估等问题, 难以实现海量监测目标的形变序列批量处理.针对这些问题, 本文提出了一种顾及序列非平稳性的广域InSAR形变序列噪声分离与精化方法.新方法构建了大范围区域的形变拟合模型库, 随后通过综合考虑拟合优度和残差平稳性, 对序列进行两次拟合, 充分分离出形变序列中的趋势性变化信号, 实现序列由非平稳向平稳的转化.最后对残余序列进行大窗口滤波, 实现对残余形变信号的提取, 最终完成含噪序列中的形变时间序列信号高精度分离与精化.本文利用传统三角滤波方法和新方法对规则形变序列和不规则形变序列进行了形变分量滤波提取对比实验, 实验结果表明, 相较于传统方法, 新方法对规则形变序列的形变分量提取精度较传统方法提高了40.69%, 不规则形变序列中提高了27.54%, 同时, 新方法也表现出了较为准确的模型识别能力.另外, 论文对新方法在滤波窗口选择、抗噪能力以及优化效果评价等方面的优越性进行了深入的分析和讨论.

时序非平稳性ADF检验法的理论与应用

数据非平稳问题是经典和非经典计量经济学的分水岭,在经典计量经济学领域内,假设变量是平稳的,因此不考虑变量的非平稳性,而实际上大多数经济数据又是非平稳的.研究表明,用非平稳变量进行回归分析降低了检验的功效,结果常常是虚假回归,所以对变量进行平稳性检验是避免虚假回归的前提.参数检验的ADF法作为常用的数据非平稳性的检验方法,有其自身的理论发展脉络和应用价值.通过对香港向内地输入的影响因素的分析,发现香港对内地输入与其影响因素——中国的GDP以及港币汇率均是I(1)变量,且三者具有协整关系而且是非线性函数关系.随着面板数据使用的增加,ADF检验法将逐渐更广泛地应用于面板数据的分析和检验过程中.

基于EMD的BP神经网络海水温度时间序列预测研究

为提高非线性和非平稳海水温度时间序列的预测能力,提出了一种基于经验模态分解(Empirical Mode De-composition,简称EMD)的BP神经网络预测方法。该方法首先对原始序列进行经验模态分解,将其分解为多个平稳性得到很大改善的本征模态函数(Intrinsic Mode Function,简称IMF)之和,然后对每个本征模态函数进行预测,最后再根据EMD方法的完备性把预测结果相加得出原始序列的预测结果。预测试验结果表明,基于EMD的BP神经网络预测的精度比单纯用BP神经网络预测有很大提高。