论文部分内容阅读
全球卫星导航系统(GNSS)以其简单高效、全天候观测和精度高的优点,被广泛应用到变形监测等诸多领域中。对于小范围变形监测利用差分技术可以有效削弱卫星钟差、电离层误差、对流层误差和接收机钟差等系统误差,GNSS监测坐标序列仅受多路径误差和随机噪声的影响,有必要研究其误差特征及削弱技术,以提高变形体监测精度,进而对其作出科学解释。本文以GNSS变形序列为研究对象,以多路径误差的提取与特征分析和变形信息的实时提取为目标,进行了相关研究,具体研究内容和结论为:1)介绍了目前应用较广泛的三种主要GNSS时间序列降噪方法:经验模态分解(EMD)、小波(WAVELET)、盲源分离(BSS),分析三种不同方法在GNSS时间序列降噪过程中主要的优势和存在的问题。引进EMD降噪方法的最新成果改进的自适应噪声完备经验模态分解(ICEEMDAN),通过仿真对比实验,表明EMD及其改进算法中ICEEMDAN方法在降噪过程中对模态混叠和端点效应有了较大的改进;选用不同的小波基和小波分解层数寻找小波阈值降噪方法最合理的小波基和小波分解层数,表明选用小波基haar小波、分解层数3能兼顾小波降噪效果和计算效率;盲源分离方法主要选择独立分量分析(ICA)和特征值分解(EVD)两种分解方法,ICA降噪方法降噪效果更优,EVD降噪效果较稳定。2)基于三种不同降噪方法的优点提出了 EMD-WAVELET-BSS耦合模型,充分利用EMD方法的自适应分解能力,将时间序列分解成一系列的内稟模态函数(IMF),分离出IMF中的高频和低频部分,然后充分利用小波方法对高频部分的降噪能力和盲源分离对低频部分的盲分离降噪能力分别对分解信号中的高频和低频部分降噪,主要采用将不同方法分离的噪声作为第二通道,进行双通道的时间序列降噪,通过仿真实验和实测数据的对比实验,表明ICEEMDAN-WAVELET-ICA方法在GNSS时间序列降噪中效果更好。3)分析了 GNSS时间序列中的多路径误差的主要特性,利用多路径的周日重复性,建立基于坐标域的恒星日滤波多路径模型,建立全球定位系统(GPS)系统的多路径模型。研究深度学习中的支持向量机(SVM),建立基于遗传算法的支持向量机(GASVM)参数优化的预测网络模型,预测GNSS多路径误差时间序列。通过恒星日滤波多路径预测模型与支持向量机建立的多路径预测模型对比实验,表明GPS单系统支持向量机多路径误差预测模型与恒星日滤波误差模型预测效果基本相当;GNSS多系统的多路径误差周日重复特性难以确定,但可以利用GASVM对多路径误差建模,通过对统计结果的分析表明多系统多路径建立的模型比单系统的多路径误差建立的模型精度略低,但预测精度基本达到预期。4)在实测的基础上对GNSS时间序列加入变形信息,基于GASVM构建平稳状态下GNSS时间序列的预测模型,该模型只会预测未发生变形状况下的时间序列发展情况,通过求取预测残差的方式获取变形信息。利用统计量对求取的变形信息分析,结果表明该实验方案可行。图[29]表[9]参[89]