边坡安全监测GPS-RTK信号的降噪算法研究

全球定位系统实时动态差分技术(global positioning system-real time kinematic, GPS-RTK)是解决路基边坡安全监测问题的重要手段,但GPS-RTK信号易受到多路径误差和共模误差的影响。基于小波变换(wavelet transform, WT)和主成分分析(principal component analysis, PCA)分别可以有效去除多路径误差和共模误差,提出WT-PCA算法去除信号误差。首先设置仿真信号,通过参数调优进一步提高单一算法的降噪效果。其次提出组合算法WT-PCA改进单一算法的缺陷,并与其他组合算法进行对比分析。最后,对十天高速路基边坡的GPS-RTK监测数据进行实例分析。结果表明,WT-PCA算法的信噪比和均方根误差较于WT-VMD优于66%和50%左右,算法可以有效地消除GPS-RTK信号的多路径误差和共模误差影响。提高边坡位移监测信号处理精度,进一步评估边坡结构形变及安全状态。

连续GPS站坐标序列共性误差的提取与形变分析

如何去除连续GPS站点坐标时间序列中的共性误差,提高站点坐标精度,对形变分析具有重要作用。使用主成分分析(PCA)和Karhunen-Loeve展开(KLE)方法可以很好地从连续GPS网观测站的坐标时间序列中分离出共性误差。用该方法处理了南加州6个跨圣安德烈斯断层的连续GPS网观测站近5年的坐标时间序列,结果表明这些站坐标序列中存在显著的共性误差。去除共性误差后,站坐标序列的均方差有了显著提高,并且形变分析结果的精度得到改进。

区域GPS网三种时空滤波方法的比较

用堆栈(Stack ing)、主分量分析(PCA)和Karhunen-Loeve展开(KLE)等3种区域滤波方法分别处理了南加州12个GPS连续观测站5年的坐标时间序列。结果显示,3种方法都能有效地提取出坐标时间序列中存在的共性误差,使站点坐标的精度显著提高,但优缺点及适用范围各有不同。

GPS坐标时间序列中非构造噪声的剔除方法研究进展

GPS台站坐标解算中包含多种地球物理参量造成的不确定性、系统误差和随机噪声.回顾了GPS台站坐标噪声分析的研究进展,包括功率谱分析、最大似然估计、区域叠加滤波、主成分变换以及质量负荷下的地壳弹性形变模拟等,并讨论了各种方法在分析噪声的类型和强度、共模误差(common-mode errors)的物理起源等方面的作用及局限性,展望了下一阶段的研究思路.

PCA和KLE在高采样率GPS定位中的应用

为抑制多路径误差和随机噪声以提高定位精度,引入主成分分析(PCA)和KLE变换方法对定位坐标序列随机噪声水平进行评价、提取和消除多天坐标序列中的多路径误差。对比分析结果表明,主成分系数比值能有效地反映出强随机噪声对某天定位坐标序列的影响,PCA方法能有效地提取和消除多天定位坐标序列中的多路径误差,显著提高定位精度。KLE变换对随机噪声污染不敏感,对多路径误差的滤波能力较PCA略弱,但其对随机噪声以及局部异常具有较好的抑制作用。

主成分分析在GPS高程拟合中的应用

为了合理确定多项式的阶数,克服参数间的相关性,提高GPS高程拟合的精度,提出采用主成分分析法,对相同的数据点分别采用常规多项式拟合与主成分分析拟合.苏通大桥首级施工控制网的GPS高程拟合计算结果表明,主成分分析法受参数个数与相关性影响小,计算结果稳定,而且能有效降低数据冗余度,是一种比较好的拟合方法.

基于PCA方法的GPS台站时间序列分析

基于10a以上的全球GPS台站数据,利用主成分分析法及其他数据处理方法,对台站时间序列进行预处理和结果分析,研究其中的非线性周期规律,探讨时间序列的主要影响机制。结果表明,主成分分析法可以将台站残差时空矩阵分解成若干正交成分,GPS台站时间序列的东西方向具有线性漂移趋势,全球大部分GPS台站都存在非线性周期规律,周年项和半周年周期占据主导地位。

区域GPS网共模误差的提取与分析

区域GPS网坐标时间序列中存在共模误差,掩盖了测站自身的形变特征.通过主成分分析和小波谱分析对山东CORS内15个站点组成的区域GPS网进行了空间滤波,提取其共模误差并得到共模误差的频率特征.滤波后各测站相对ANQI站的相关系数在N、E、U三个坐标分量上分别平均下降了74%、85%和75%.结果发现,共模误差序列中存在年周期、半年周期、季节性周期和月周期信号,各周期信号的强度和信号出现的时间也不尽相同;电离层、对流层、潮汐等原因引起的误差是共模误差产生主要原因.

GPS坐标时序共模误差提取方法研究

针对GPS坐标时序数据中存在的共模误差(CME),研究利用堆栈滤波(SF)、网络反演滤波(NIF)和主成分分析(PCA)三种方法进行剔除,以提高GPS监测区域地表位移的精度.通过构建GPS坐标时序模型,去除明显构造运动,提取噪声残差时序,将隐含在噪声残差时序中的区域CME利用SF、NIF、PCA方法提取出来.以日本房总半岛2019—2021年GPS坐标时序为例,比较三种方法和GPS站点空间分辨率对CME提取的影响,分析CME去除前后慢滑移地表位移的变化.研究结果表明:SF、NIF、PCA方法提取CME的结果基本一致;GPS站点空间分辨率降低,提取的CME离散度增大;CME对慢滑移地表水平位移的大小和方向均会产生影响,需进行剔除.

基于克里金插值的GPS坐标时间序列共模误差滤波法

GPS坐标时间序列中存在时空相关的共模误差,该误差是GPS坐标时间序列的主要误差来源,去除共模误差对于探测淹没在噪声中的微弱信号有重要意义。本文在共模误差时空相关的基础上提出了一种基于克里金插值的滤波方法,经实测数据分析,证明了该方法能够有效地提取GPS坐标时间序列的共模误差,且相较于区域叠加滤波方法与主成分分析法,该方法提取共模误差的效果整体提高了5.07%。

主成分分析在GPS噪声剔除中的应用分析

基于主成分分析的基本原理,应用此方法,对GPS观测数据进行处理分析,结果表明,GPS单日解序列中存在的噪声得到了有效的剔除或减弱,提高了GPS站点坐标的精度与可靠性,对GPS的应用具有一定的参考价值。

哈尔滨城区乘用车行驶工况的构建

以哈尔滨市乘用车作为研究对象,利用GPS设备对哈尔滨主城区运行的乘用车工况数据进行了测试,将采集到的车速数据曲线分割为多个短行程片段,提取了片段中最具有代表性的11个工况特征参数,利用主成分分析法和聚类分析法对特征参数进行了降维和分类处理。利用相关系数提取了代表性行驶工况片段,进而构建了具有代表性的哈尔滨市主城区乘用车典型行驶工况,并与NEDC和Japan10-15乘用车道路工况进行了对比分析。分析结果表明:哈尔滨城区乘用车工况的平均车速为15 km/h,低于NEDC和Japan10-15乘用车行驶工况;加速、减速特征参数比例分别为33.57%和29.70%,高于NEDC和Japan10-15乘用车行驶工况的相关参数;现有的欧洲和日本道路工况参数与构建的哈尔滨市城区乘用车行驶工况具有较大的差异,利用基于运行数据构建的行驶工况可以更好地反映地方乘用车的运行特征。

基于小波滤波和PCA组合的多路径改正方法

针对高频随机噪声特征,提出基于小波与主成分分析(PCA)相结合的GPS噪声消除方法。实测数据分析表明,该组合方法较单一滤波方法能更有效地削弱多路径效应及高频随机噪声,提高定位精度。

共模误差PCA与ICA提取方法的比较

为消除共模误差CME,目前广泛应用的主成分分析法(PCA)基于观测数据的二阶统计量(方差和协方差)将观测网残差分解成一组不相关的随时间变化的模态和对应的空间响应,而GPS时间序列分布具有非高斯特征,二阶统计量不能完全描述其随机特性。本文假设区域网CME与其他误差相互统计独立,则可以采用独立分量分析(ICA)法。采用模拟数据对ICA提取CME的精确性和有效性进行验证,并与PCA结果进行对比。结果表明,ICA能够有效地提取观测网CME。

尾叶香茶菜不同部位挥发性成分比较分析

本文采用气流吹扫微萃取法对尾叶香茶菜根、茎、叶挥发性成分进行分析比较。采用GC-MS对挥发性成分进行分离检测,与标准谱库对比进行定性,采用面积归一化法计算各化合物的相对含量。尾叶香茶菜共检测到149个峰,与标准谱库比对,根、茎、叶分别鉴定出80、85、79种挥发性成分,占各部位挥发油总量的93. 66%、88. 05%和72. 62%。采用化学方法结合主成分分析法对尾叶香茶菜根、茎、叶的挥发性成分进行分析,结果显示根、茎、叶的挥发性成分在组成和含量上均存在一定差异,本研究为尾叶香茶菜的进一步开发利用提供参考依据。

基于神经网络的快速识别手写数字研究

针对神经网络模型中结构层次复杂、模型参数过多、手写数字识别时间长等问题,提出了一种快速识别手写数字的方法.之后结合传统人工神经网络和卷积神经网络的优点,利用主成分分析方法对数据集进行降维,重构了一种可以缩短手写数字识别时间的神经网络模型BP-CNN.经过测试BP-CNN在MNIST手写数据集的应用中,能够稳定缩短40%以上的模型训练时间.随着数据集或训练迭代次数的增加,重构神经网络提高手写数字识别效率也随之提高.

GPS时间序列中异常周期信号影响机制分析

采用功率谱分析和主成分分析的方法对GPS坐标时间序列的周期性变化进行了探讨,对IGS站的部分时段的观测资料进行了处理,分析了台站时间序列潜在的周期性质。证实了异常周期项(1.04 cpy)的存在,对探测出的异常周期信号分别从构造信号、共模误差、地表质量负荷等影响因子展开讨论,分析其来源及影响机制。结果表明,上述影响因素未能对异常周期信号做出合理解释,该异常信号与GPS观测技术本身,即未模型化的GPS系统误差相关。对其影响因素做了初步探讨,为进一步建立相应的误差改正模型,增强GPS观测技术的稳健性提供了一些参考。

主成分分析在GPS水准数据处理中的应用

在GPS水准二次曲面拟合过程中,由于系数阵具有很强的复共线性,使法方程严重病态,在求逆过程中产生过大的扰动误差。为了减小误差影响,本文将主成分分析法运用到了法方程解算中,并通过内符合精度和外符合精度说明该方法的有效性。

GPS坐标时间序列共模误差分离方法比较及其对噪声模型建立的影响

为快速有效地分离GPS坐标时间序列中的共模误差(common mode error,CME),采用区域堆栈滤波法、加权堆栈滤波法、相关加权叠加滤波法、距离加权滤波法、主成分分析(principalcomponentanalysis,PCA)5种滤波方法对GPS坐标时间序列进行CME处理;基于MATLAB设计了相应的GPS坐标时间序列CME分离工具。并以8个GPS基准站的坐标序列为对象,对去除CME后的GPS坐标序列进行噪声模型分析。结果表明,这5种方法能有效降低各站点坐标时间序列的不确定性,提高坐标序列精度,相比其他方法,PCA法滤波效果更好;此外,去除CME后的时间序列最佳噪声模型发生了改变,且GPS站坐标序列噪声模型呈现出多样性并存在个体差异。

基于PCA和自适应神经模糊网络的风电机组执行器主动容错控制

风电机组执行器的发电机转矩失效会导致系统无法工作在最大功率跟踪点,严重时甚至会引发机组停机,最终造成严重的经济损失和复杂的维修工作。为此,提出一种基于PCA和自适应神经模糊检测的风电机组执行器主动容错控制策略,以确保执行器故障时的高效运行。首先对风电发电机组进行建模,然后引入Luenberger观测器来估计执行器的转矩值,借助主动抗扰控制来抵消转矩执行器故障的影响。在诊断过程中使用PCA和自适应神经模糊算法来检测和分析执行器转矩测量值和观测值之间的差异,进而实现执行器故障的精确诊断。最后搭建实验样机平台对所提方案进行验证,实验结果表明所提PCA和自适应神经模糊检测算法可以实现整体95.2%的执行器故障诊断n准确率,n并在执行时故障发生时及时实现故障隔离。