EEMDAN的CORS站高程时间序列分析方法

针对整体经验模态分解(EEMD)方法对连续运行参考站(CORS)高程时间序列分解结果整体平均时,噪声未能完全消除的问题,该文引入一种噪声自适应整体经验模态分解(EEMDAN)方法,在经验模态分解(EMD)处理时添加白噪声分解的模态分量,改进CORS站高程时间序列信号分解的模态混叠,根据平均周期和能量密度乘积指标区分噪声和周期信号,并基于正交性指数及均方根误差指标衡量分解的精度。两个CORS站20年高程时间序列实验结果表明,以正交指数衡量的分解精度EEMDAN比EEMD提高近35%,均方根误差指标提高近22%,实现了对CORS站高程时间序列的精确分解,并改善EEMD整体平均后噪声未完全消除对信号重构的影响。

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。

自适应噪声整体经验模态分解法在CORS站数据处理中的应用

为了有效消除CORS站点高程时间序列噪声,提出采用EEMDAN信号处理方法。该方法可以改进信号在EEMD分解时产生的模态混叠问题。以某市CORS站点高程时间序列为试验数据,选取相关系数、均方根误差、正交性指标以及能量密度与平均周期的乘积等定量指标,验证EEMDAN方法的有效性与优化性。结果表明,经EEMDAN方法处理的IMF分量IO值比EEMD方法处理的IMF分量IO值低53.7%,分解精度更高;EEMDAN重构后的信号均方根误差比EEMD重构后的信号均方根误差减少21.5%,相关系数增加2.1%,说明采用EEMDAN方法重构信号的效果更好。