CN104200036B - 区域gps基准站坐标时间序列的噪声模型获得方法 - Google Patents
区域gps基准站坐标时间序列的噪声模型获得方法 Download PDFInfo
- Publication number
- CN104200036B CN104200036B CN201410462401.9A CN201410462401A CN104200036B CN 104200036 B CN104200036 B CN 104200036B CN 201410462401 A CN201410462401 A CN 201410462401A CN 104200036 B CN104200036 B CN 104200036B
- Authority
- CN
- China
- Prior art keywords
- noise model
- noise
- combination
- model
- reference station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供了一种区域GPS基准站坐标时间序列的噪声模型获得方法,包括步骤:步骤1,收集数据;步骤2,根据噪声模型覆盖噪声频率整个频段的基本原则选择多组组合噪声模型;步骤3,采用极大似然估计法按照各组合噪声模型分别对GPS基准站坐标时间序列和环境负载修正后的GPS基准站坐标时间序列进行噪声分析,获得各组合噪声模型在GPS基准站坐标时间序列分量下的MLE值;步骤4,根据组合噪声模型的MLE值获得GPS基准站坐标时间序列分量的最优噪声模型。本发明可有效建立顾及非线性运动的区域GPS基准站最优噪声模型,较已有模型能更好地表征测站的实际运动,合理地解释坐标时间序列所反映的噪声信号。
Description
技术领域
本发明属于卫星导航定位技术与应用领域,尤其涉及一种区域GPS基准站坐标时间序列的噪声模型获得方法。
背景技术
随着各研究领域对大地测量成果精度要求越来越高,大地点位的非线性时变越来越受到关注,研究GPS基准站坐标时间序列的非线性变化具有重要的理论意义及应用价值。除地球物理效应及GPS技术系统误差外,各种随机因素的影响同样可能造成GPS基准站坐标时间序列的非线性变化,这类影响定义为噪声。针对GPS基准站坐标时间序列建立适当的随机噪声模型,实现形变信号与噪声的有效分离,是GPS数据处理领域的热点问题。对于建立正确的函数模型,掌握准确的测站运动趋势至关重要,其结果可用于精化速度场,为板块运动引起的线性构造形变以及各种非线性形变的分离提供准确的基础数据。
迄今为止,国内外学者普遍认为GPS基准站坐标时间序列噪声特性的随机模型为白噪声+闪烁噪声(Zhang et al.,1997;Mao et al.,1999;Williams,2003;Williams etal.,2004;乔学军等,2003;黄立人,2006;朱文耀等,2003;韩英等,2003)。严格来说,基准站的噪声特性实际较为复杂,存在多样性,且不同区域表现不同的噪声特征(袁林果等,2008;Langbein,2008;蒋志浩等,2009;2010,田云锋等,2010)。
随着时间推移,GPS基准站坐标时间序列不断增长,噪声的长周期分量(例如谱指数=2的RW噪声)将更加显著,为探测低频噪声的存在提供了有利的条件。因此,对GPS基准站坐标时间序列进行更为全面的噪声分析,获取能更准确代表GPS基准站随机特性的噪声模型意义重大。此外,GPS数据处理模型、策略及地球物理效应建模的不断完善同样可能导致GPS基准站噪声特性的改变。针对重新处理获得的GPS坐标时间序列建立噪声模型有利于确定噪声的本质来源,为噪声控制提供依据,从而进一步研究提高GPS观测值精度的方法。
发明内容
针对目前噪声模型无法适用于不同区域GPS基准站的坐标时间序列,本发明提供了一种区域GPS基准站坐标时间序列的噪声模型获得方法,采用该方法获得的噪声模型能更准确代表GPS基准站坐标时间序列噪声的随机特性。
为解决上述技术问题,本发明采用如下的技术方案:
一种区域GPS基准站坐标时间序列的噪声模型获得方法,包括步骤:
步骤1,收集GPS基准站坐标时间序列、GPS基准站信息和地球物理数据;
步骤2,根据噪声模型覆盖噪声频率整个频段的基本原则,选择多组组合噪声模型;
步骤3,采用极大似然估计法按照各组合噪声模型分别对GPS基准站坐标时间序列和环境负载修正后的GPS基准站坐标时间序列进行噪声分析,获得各组合噪声模型在GPS基准站坐标时间序列分量下的MLE值;
步骤4,根据组合噪声模型在GPS基准站坐标时间序列分量下的MLE值获得GPS基准站坐标时间序列分量的最优噪声模型,本步骤进一步包括子步骤:
4.1将待求参数数量相同的组合噪声模型分为同一类,按待求参数数量从少到多将组合噪声模型类分别命名为第一、二、三类组合噪声模型;
4.2取第一类组合噪声模型中MLE值最大的组合噪声模型为零假设;
4.3将第二类组合噪声模型的MLE值分别与零假设的MLE值作差,获得第二类组合噪声模型的MLE差值;若各第二类组合噪声模型的MLE差值均大于对应阈值,则以MLE值最大的第二类组合噪声模型为当前最优噪声模型;若第二类组合噪声模型的MLE差值均不大于对应阈值,则以零假设为当前最优噪声模型;若部分第二类组合噪声模型的MLE差值大于对应阈值,则以该部分第二类组合噪声模型中MLE值最大的组合噪声模型为当前最优噪声模型;本子步骤中的对应阈值为第二类组合噪声模型优于零假设噪声模型的阈值;
4.4将第三类组合噪声模型的MLE值分别与当前最优噪声模型的MLE值作差,获得第三类组合噪声模型的MLE差值;若第三类组合噪声模型的MLE差值均大于对应阈值,则以MLE值最大的第三类组合噪声模型为当前最优噪声模型;若第三类组合噪声模型的MLE差值均不大于对应阈值,保持当前最优噪声模型不变;若部分第三类组合噪声模型的MLE差值大于对应阈值,则以该部分第三类组合噪声模型中MLE值最大的组合噪声模型为当前最优噪声模型;本子步骤中的对应阈值为第三类组合噪声模型优于当前最优噪声模型的阈值;
上述对应阈值基于模拟实验获得。
上述多组组合噪声模型包括闪烁噪声+白噪声组合噪声模型、闪烁噪声+可变白噪声组合噪声模型、随机漫步噪声+白噪声组合噪声模型、闪烁噪声+随机漫步噪声+白噪声组合噪声模型、非整数谱指数幂律噪声+白噪声组合噪声模型、一阶高斯马尔科夫+随机漫步噪声+白噪声组合噪声模型和带通幂律噪声+白噪声组合噪声模型中的多种或全部。
上述环境负载修正后的GPS基准站坐标时间序列采用如下方法获得:
采用负荷格林函数与环境负载模型做卷积,获得不同环境负载引起的基准站负载位移,从GPS基准站坐标时间序列里扣除对应时刻的基准站负载位移,获得环境负载修正后的GPS基准站坐标时间序列。所述的环境负载模型包括大气压负载模型、非潮汐海洋负载模型和水文负载模型。
步骤4中所述的对应阈值采用如下方法获得:
(1)根据GPS基准站位置变化特征模拟GPS基准站坐标时间序列,将步骤2所述的多组组合噪声模型中的组合噪声模型A设为模拟的GPS基准站坐标时间序列的噪声模型;
(2)采用步骤2所述的多组组合噪声模型分别对模拟的GPS基准站坐标时间序列进行噪声分析,获得各组合噪声模型的MLE值;
(3)将除组合噪声模型A以外的其他组合噪声模型的MLE值分别与组合噪声模型A的MLE值做差,即为其他组合噪声模型优于组合噪声模型A的阈值;
(4)将步骤2所述的多组组合噪声模型逐一设置为模拟的GPS基准站坐标时间序列的噪声模型,并重复执行步骤(1)~(3)。
本发明主要针对目前适合于不同区域GPS基准站坐标时间序列的随机噪声模型尚未确定这一不足,提供了一种获得区域GPS基准站坐标时间序列各分量最优噪声模型的方法,能获取更能准确代表GPS基准站随机特性的噪声模型,合理解释坐标时间序列所反映的噪声信号。同时,本发明可以建立地球物理效应与基准站噪声特性之间的数值联系,有助于确定噪声的本质来源,为噪声控制提供依据,进一步提高GPS观测值精度。
和现有技术相比,本发明的有益效果如下:
1、可体现区域GPS基准站坐标时间序列的噪声模型的多样性,及各方向分量的不同噪声特性,较已有的闪烁噪声+白噪声组合模型更能合理解释坐标时间序列所反映的信号。
2、更为准确地确定复杂噪声模型对测站速度及速度不确定度影响。
3、反映环境负载造成的测站噪声特性变化,合理解释噪声的本质来源,为噪声控制提供依据,进而有利于提高GPS观测值精度方法的研究。
附图说明
图1为本发明的具体流程图;
图2为环境负载修正前中国区域IGS基准站坐标时间序列分量的最优噪声模型分布示意图;
图3为环境负载修正后中国区域IGS基准站坐标时间序列分量的最优噪声模型分布示意图;
图4为环境负载修正前IGS基准站坐标时间序列分量在最优噪声模型下的速度及速度不确定度值与SOPAC的差值,其中,图(a)和图(c)分别为在相同和不同最优噪声模型下环境负载修正前GPS基准站坐标时间序列分量的速度与SOPAC提供的速度的差值,图(b)和图(d)分别为在相同和不同最优噪声模型下环境负载修正前GPS基准站坐标时间序列分量的速度不确定值与SOPAC提供的速度不确定值的差值;
图5为环境负载修正造成的所有GPS基准站坐标时间序列分量在最优噪声模型下速度及速度不确定度值,其中,图(a)为环境负载修正造成的所有GPS基准站坐标时间序列分量在最优噪声模型下速度;图(b)为环境负载修正造成的所有GPS基准站坐标时间序列分量在最优噪声模型下速度不确定度值。
具体实施方式
下面将结合附图对本发明技术方案进行详细说明。
本发明区域GPS基准站坐标时间序列噪声模型的构建方法的具体步骤如下:
步骤1,数据收集。
分别收集待分析区域的原始数据,所述的原始数据包括待分析区域内GPS基准站坐标时间序列、GPS基准站信息和地球物理数据,其中,GPS基准站信息包括接收机信息、天线跳变时刻、地震时段等,地球物理数据包括大气压负载模型、非潮汐海洋负载模型及水文负载模型,水文负载模型用来反映积雪深度和土壤湿度引起的地表储水量的变化。大气压负载模型、非潮汐海洋负载模型和水文负载模型即构成环境负载模型。
步骤2,根据噪声模型覆盖噪声频率整个频段的基本原则,选择多组组合噪声模型。
根据噪声模型覆盖噪声频率整个频段的基本原则,本发明选取了7组组合噪声模型应用于噪声分析,包括闪烁噪声+白噪声组合噪声模型(FN+WN组合噪声模型)、闪烁噪声+可变白噪声组合噪声模型(FN+VW组合噪声模型)、随机漫步噪声+白噪声组合噪声模型(RW+WN组合噪声模型)、闪烁噪声+随机漫步噪声+白噪声组合噪声模型(FN+RW+WN组合噪声模型)、非整数谱指数幂律噪声+白噪声组合噪声模型(PL+WN组合噪声模型)、一阶高斯马尔科夫+随机漫步噪声+白噪声组合噪声模型(FOGM+RW+WN组合噪声模型)以及带通幂律噪声+白噪声组合噪声模型(BPPL+WN组合噪声模型),带通幂律噪声包括带通噪声BP和幂律噪声PL。
步骤3,采用极大似然估计法按照各组合噪声模型分别对GPS基准站坐标时间序列进行噪声分析,获得各组合噪声模型在GPS基准站坐标时间序列各分量下的极大似然估计值,即MLE值。
极大似然估计法(Maximum Likelyhood Estimation,MLE)可以估计残差坐标时间序列包含的白噪声及相关噪声的振幅。顾及幂律噪声的影响,对日解坐标分量时间序列建立下列参数模型:
式(1)中,ti为坐标时间序列日解历元,以年为单位;a为基准站时间序列的平均值,b为线性速度;c、d为年周期项系数,e、f为半年周期项系数;gi为由于各种原因引起的阶跃式坐标突变,Thj为发生坐标突变的历元;j及nj分别表示发生坐标突变的历元次序及历元总数;H为海维西特阶梯函数(Heaviside step function),突变前H为0,突变后H值为1;为观测噪声,假设观测噪声由振幅分别为aw和bκ的白噪声和幂律谱噪声组成,则观测噪声协方矩阵C表示为:
C=aw 2I+bκ 2Jκ (2)
式(2)中,I为单位矩阵;Jκ对应谱指数为κ的幂律谱噪声协方差矩阵,Jκ=KKT,T表示矩阵倒置运算。
转换矩阵K的表达式如下:
式(1)中,N表示基准站时间序列包括的历元数,n表示历元次序。
n>0时,n=0时,κ=-1时,表示闪烁噪声,κ=-2时表示随机漫步噪声。
转换矩阵K表示采样间隔,当采样不等间隔时,将转换矩阵K各列分别乘相应的系数Kj=|tj-tj-1|,j表示采样时刻对应的历元次序,tj-1和tj表示不等采样间隔对应的相邻时刻。
式(1)中,a、b、c、d、e、f、gi和噪声分量振幅aw、bκ为待求参数。由于噪声模型未知,无法采用最小二乘法求解,于是采用极大似然估计法同时确定上述待求参数,即分别确定各不同组合噪声模型下噪声分量大小,使坐标时间序列的残差与观测噪声协方差C的联合概率密度值达到最大:
联合概率密度值达到最大等价于联合概率函数值的对数达到最大:
步骤4,根据统计假设检验方法分别评价各组合噪声模型,获得GPS基准站坐标时间序列分量的最优噪声模型。
本发明按照待求参数数量将组合噪声模型分为三类:第一类为FN+WN组合噪声模型和RW+WN组合噪声模型,第一类组合噪声模型包含两个待求参数;第二类为PL+WN组合噪声模型与FN+RW+WN组合噪声模型,第二类组合噪声模型包括三个待求参数;第三类为BPPL+WN组合噪声模型和FOGM+RW+WN组合噪声模型,第三类组合噪声模型包括四个待求参数。
需要注意的是,经计算发现各基准站分量FN+VW组合噪声模型的MLE值明显大于其他组合噪声模型,发明人认为FN+VW组合噪声模型仅能反应基准站分量质量好坏,并不能作为基准站的最优噪声模型(Williams,personal communication,2010)。为确保结果的可靠性,本发明在确定最优噪声模型时不考虑FN+VW组合噪声模型。
按照本发明提出的最优噪声模型评价准则评价各组合噪声模型,从而获得最优噪声模型:
首先,分别计算第一类组合噪声模型中两组组合噪声模型在GPS基准站坐标时间序列各分量下的MLE值,选取MLE值较大的组合噪声模型作为零假设。
然后,将第二类组合噪声模型中各组合噪声模型在GPS基准站坐标时间序列各分量下的MLE值分别与零假设作差,得到MLE差值,MLE差值大于阈值β的组合噪声模型优于零假设。若第二类组合噪声模型中各组合噪声模型均不优于零假设,则接受零假设,以零假设为当前最优噪声模型;若第二类组合噪声模型中各组合噪声模型均优于零假设,则选择MLE值最大的组合噪声模型为当前最优噪声模型;若第二类组合噪声模型中一组组合噪声模型优于零假设、而另一组组合噪声模型不优于零假设,同样拒绝零假设,将优于零假设的组合噪声模型作为当前最优噪声模型。
最后,将第三类组合噪声模型中各组组合噪声模型的MLE值与当前最优噪声模型比较,若BPPL+WN组合噪声模型与当前最优噪声模型的MLE差值大于阈值β,则BPPL+WN组合噪声模型优于当前最优噪声模型;若FOGM+RW+WN组合噪声模型与前最优噪声模型的MLE差值大于阈值γ,则FOGM+RW+WN组合噪声模型优于当前最优噪声模型。若第三类组合噪声模型中各组组合噪声模型均优于当前最优噪声模型,则拒绝当前最优噪声模型,选MLE值较大的组合噪声模型为最终的最优噪声模型;若第三类噪声模型中各组组合噪声模型均不优于当前最优噪声模型,以当前最优噪声模型为最终的最优噪声模型;若第三类噪声模型中一组组合噪声模型优于当前最优噪声模型、而另一组组合噪声模型不优于当前最优噪声模型,同样拒绝当前最优噪声模型,将优于当前最优噪声模型的组合噪声模型作为最终的最优噪声模型。本具体实施中,阈值β设为2.6,阈值γ设为5.2。
基于极大似然估计原理,不同的组合噪声模型将获得不同的MLE值,MLE值越大,结果越可靠。然而,组合噪声模型包含的未知参数越多,其MLE值越大。为确保结果可靠,不能简单选择MLE值最大的组合噪声模型作为最优噪声模型。本发明根据实际GPS观测数据进行模拟试验,以获取量化MLE法应用于GPS基准站坐标时间序列噪声分析敏感度的统计特性,使MLE法能可靠地应用于中国区域IGS基准站坐标时间序列随机模型的最优估计。采用极大似然估计法获得的结论与Langbein的统计结果相似(Langbein,2004;2008),从而进一步论证了本发明方法的正确性及有效性。
阈值β和阈值γ基于模拟实验确定,模拟试验步骤如下:
a)根据中国区域IGS基准站位置变化特征模拟100个IGS基准站坐标时间序列,并将IGS基准站坐标时间序列的组合噪声模型设置为FN+WN组合噪声模型。
b)按照步骤2提出的7种组合噪声模型分别对模拟的IGS基准站坐标时间序列进行噪声分析,获得各组合噪声模型的MLE值。
c)分别将各组合噪声模型与FN+WN组合噪声模型的MLE值做差,获得优于FN+WN组合噪声模型的阈值。
模拟的100个IGS基准站坐标时间序列本身噪声模型已知,因此,可根据坐标时间序列已知的噪声模型进行噪声分析获得本身噪声模型的MLE值。将本身噪声模型的MLE值与其他组合噪声模型MLE值做差即可获得优于本身噪声模型的阈值。
d)将步骤a)中的FN+WN组合噪声模型替换为其他组合噪声模型,重复步骤b)~c),获得优于其他组合噪声模型的阈值。
步骤5,获得修正环境负载的GPS基准站坐标时间序列。
采用法雷尔(Farrell)定义的负荷格林函数与独立环境负载模型分别做卷积,获得不同环境负载引起的基准站负载位移时间序列,从GPS基准站坐标时间序列里扣除基准站负载位移影响,获得修正环境负载后的GPS基准站坐标时间序列。
具体实施中,采用Farrell格林函数按照公式(6)分别计算不同环境负载,包括大气压负载、非潮汐海洋负载、水文负载引起的基准站负载位移(Farrell,1972;Tregoningand van Dam,2005;李英冰,2003;张诗玉,2004)。
式(6)中,θ和φ分别表示测站的经度和纬度;dune(θ,φ)代表测站处环境负载造成的U(垂直)、N(水平北)、E(水平东)方向位移;i、j分别为经度方向和纬度方向的负载格网点,nlon和nlat分别表示经度方向和纬度方向的单位负载格网数;ΔPi,j为格网点不同质量负载的变化量,为U、N、E方向的Farrell格林函数,Ai,j为单位负载格网面积。
计算大气压负载所需的全球地表气压由美国国家环境预测中心(NationalCenters for Environmental Prediction,即NCEP)再分析数据提供,时间分辨率为6小时,空间分辨率为2.5度×2.5度。非潮汐海洋负载使用美国国家海洋合作计划(NationalOceanographic Partnership Program,即NOPP)制定的海洋环流及气候估值(Estimatingthe Circulation&Climate of the Ocean,即ECCO)模型提供的全球海底压力格网数据计算,时间分辨率为12小时,空间分辨率为1度×(0.3-1.0度)。水文负载考虑积雪深度和土壤湿度引起的地表储水量变化,同样由NCEP再分析数据提供,空间分辨率为1.875度×(1.8889~1.9048)度。
获得不同环境负载造成的基准站负载位移时间序列后,首先,分别对基准站的负载位移时间序列重采样,获得与GPS基准站坐标时间序列时间分辨率相同的负载位移时间序列;然后,将同一时刻下不同环境负载造成的基准站的负载位移求和,获得总负载位移;最后,从GPS基准站坐标时间序列中直接扣除对应时刻的总负载位移,即获得环境负载修正后的GPS基准站坐标时间序列。
步骤6,采用步骤3~4对环境负载修正后的GPS基准站坐标时间序列各分量进行噪声分析,获得GPS基准站坐标时间序列各分量的最优噪声模型。
下面结合实施例及附图进一步本说明。
本实施例拟对国际全球卫星定位导航服务(The International GNSS Service,IGS)组织在中国区域(包含台湾地区)的所有GPS基准站(即IGS基准站)构建最优噪声模型,流程图见图1,包括步骤:
步骤1,以ITRF2005框架下中国区域11个IGS基准站1995~2010年的坐标时间序列为研究对象,深入分析其噪声特性,坐标时间序列相关信息见表1;并获取全球大气压负载、非潮汐海洋负载及水文负载数据。
步骤2,根据噪声模型覆盖噪声频率整个频段的基本原则,选取FN+WN、FN+VW、RW+WN、FN+RW+WN、PL+WN、FOGM+RW+WN以及BPPL+WN七种组合噪声模型进行噪声分析。
步骤3,采用MLE法按照上述七种组合噪声模型分别对GPS基准站坐标时间序列进行噪声分析,并获得各组合噪声模型对应的MLE值。
步骤4,基于统计假设检验方法,按照本发明提出的最优噪声模型评价准则评价各组合噪声模型,获得GPS基准站坐标时间序列各分量的最优噪声模型,其比例分布见图2。
表1中国区域IGS基准站坐标时间序列概况
步骤5,采用Farrell定义的负荷格林函数与独立环境负载模型分别做卷积,获得不同质量负载引起的基准站负载位移时间序列,从GPS基准站坐标时间序列里扣除基准站负载位移时间序列,得到修正环境负载后的GPS基准站坐标时间序列。
步骤6,采用步骤3所述的七种组合噪声模型对环境负载修正后的GPS基准站坐标时间序列重新进行噪声分析,得到环境负载修正后区域代表性GPS基准站坐标时间序列各分量的最优噪声模型,其比例分布见图3,环境负载修正前后各基准站坐标时间序列分量的最优噪声模型见表2。
以美国SOPAC数据处理中心提供的速度及速度不确定度为基准,比较环境负载修正前GPS基准站坐标时间序列分量在最优噪声模型下的速度及速度不确定度值与SOPAC提供的速度及速度不确定值的差值,见图4。
分析环境负载对IGS基准站速度及速度不确定度的影响,环境负载修正前后各GPS基准站坐标时间序列分量在最优噪声模型下的速度及速度不确定度的差值分布见图5。
表2环境负载修正前后各测站坐标时间序列分量的最优噪声模型
通过本发明方法建立了ITRF2005框架下中国区域11个IGS基准站坐标时间序列的最优噪声模型,并获得如下结论:
1)中国区域IGS基准站坐标时间序列的噪声模型存在多样性,且各方向分量表现出不同的噪声特性。环境负载修正前3%基准站坐标时间序列分量的最优噪声模型表现为FOGM+RW+WN组合噪声模型,PL+WN组合噪声模型与FN+RW+WN组合噪声模型型各占9%,BPPL+WN组合噪声模型占24%,剩余55%的基准站坐标时间序列分量采用FN+WN组合噪声模型描述最为合适;
2)对于FN+WN组合噪声模型而言,不同复杂噪声模型对基准站坐标速度的影响约为0.01~0.3mm/a,但少数基准站坐标U方向分量超过1mm/a。速度不确定度受组合噪声模型的影响较大,量级约为亚毫米/年。建立毫米级参考框架及板块运动分析时需顾及这种差异;
3)环境负载会造成基准站的噪声特性变化,环境负载修正后最优噪声模型为FN+WN组合噪声模型的基准站比例增大(64%),最优噪声模型为FOGM+RW+WN组合噪声模型和FN+RW组合噪声模型的基准站各占基准站总量的3%,最优噪声模型为PL+WN组合噪声模型的基准站占9%,21%的基准站分量噪声特性采用BPPL+WN组合噪声模型描述最为合适。
4)环境负载对基准站的线性速度及速度不确定度具有一定影响,76%的基准站速度(包括三个分量)表现出速度减小现象,速度不确定度则没有显著增大或减小趋势。由此可推测现有机构提供的测站线性速度成果可能包括环境负载造成的测站线性速度(主要体现在U、N分量,约为1/10-1/100mm/year量级,E方向影响较小),做板块运动分析时需扣除其引起的线性速度部分。
上述实例仅是对本发明方法的举例说明。采用本方法,研究人员可获得任意选定区域的最优噪声模型。
Claims (3)
1.一种区域GPS基准站坐标时间序列的噪声模型获得方法,其特征是,包括步骤:
步骤1,收集GPS基准站坐标时间序列、GPS基准站信息和地球物理数据;
步骤2,根据噪声模型覆盖噪声频率整个频段的基本原则,选择多组组合噪声模型;所述的多组组合噪声模型包括闪烁噪声+白噪声组合噪声模型、闪烁噪声+可变白噪声组合噪声模型、随机漫步噪声+白噪声组合噪声模型、闪烁噪声+随机漫步噪声+白噪声组合噪声模型、非整数谱指数幂律噪声+白噪声组合噪声模型、一阶高斯马尔科夫+随机漫步噪声+白噪声组合噪声模型和带通幂律噪声+白噪声组合噪声模型中的多种或全部;
步骤3,采用极大似然估计法按照各组合噪声模型分别对GPS基准站坐标时间序列和环境负载修正后的GPS基准站坐标时间序列进行噪声分析,获得各组合噪声模型在GPS基准站坐标时间序列分量下的MLE值;
步骤4,根据组合噪声模型在GPS基准站坐标时间序列分量下的MLE值获得GPS基准站坐标时间序列分量的最优噪声模型,本步骤进一步包括子步骤:
4.1将待求参数数量相同的组合噪声模型分为同一类,按待求参数数量从少到多将组合噪声模型类分别命名为第一、二、三类组合噪声模型;
4.2取第一类组合噪声模型中MLE值最大的组合噪声模型为零假设;
4.3将第二类组合噪声模型的MLE值分别与零假设的MLE值作差,获得第二类组合噪声模型的MLE差值;若各第二类组合噪声模型的MLE差值均大于对应阈值,则以MLE值最大的第二类组合噪声模型为当前最优噪声模型;若第二类组合噪声模型的MLE差值均不大于对应阈值,则以零假设为当前最优噪声模型;若部分第二类组合噪声模型的MLE差值大于对应阈值,则以该部分第二类组合噪声模型中MLE值最大的组合噪声模型为当前最优噪声模型;本子步骤中的对应阈值为第二类组合噪声模型优于零假设噪声模型的阈值;
4.4将第三类组合噪声模型的MLE值分别与当前最优噪声模型的MLE值作差,获得第三类组合噪声模型的MLE差值;若第三类组合噪声模型的MLE差值均大于对应阈值,则以MLE值最大的第三类组合噪声模型为当前最优噪声模型;若第三类组合噪声模型的MLE差值均不大于对应阈值,保持当前最优噪声模型不变;若部分第三类组合噪声模型的MLE差值大于对应阈值,则以该部分第三类组合噪声模型中MLE值最大的组合噪声模型为当前最优噪声模型;本子步骤中的对应阈值为第三类组合噪声模型优于当前最优噪声模型的阈值;
上述对应阈值基于模拟实验获得;
步骤4中所述的对应阈值采用如下方法获得:
(1)根据GPS基准站位置变化特征模拟GPS基准站坐标时间序列,将步骤2所述的多组组合噪声模型中的组合噪声模型A设为模拟的GPS基准站坐标时间序列的噪声模型;
(2)采用步骤2所述的多组组合噪声模型分别对模拟的GPS基准站坐标时间序列进行噪声分析,获得各组合噪声模型的MLE值;
(3)将除组合噪声模型A以外的其他组合噪声模型的MLE值分别与组合噪声模型A的MLE值做差,即为其他组合噪声模型优于组合噪声模型A的阈值;
(4)将步骤2所述的多组组合噪声模型逐一设置为模拟的GPS基准站坐标时间序列的噪声模型,并重复执行步骤(1)~(3)。
2.如权利要求1所述的区域GPS基准站坐标时间序列的噪声模型获得方法,其特征是:
所述的环境负载修正后的GPS基准站坐标时间序列采用如下方法获得:
采用负荷格林函数与环境负载模型做卷积,获得不同环境负载引起的基准站负载位移,从GPS基准站坐标时间序列里扣除对应时刻的基准站负载位移,获得环境负载修正后的GPS基准站坐标时间序列。
3.如权利要求2所述的区域GPS基准站坐标时间序列的噪声模型获得方法,其特征是:
所述的环境负载模型包括大气压负载模型、非潮汐海洋负载模型和水文负载模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410462401.9A CN104200036B (zh) | 2014-09-11 | 2014-09-11 | 区域gps基准站坐标时间序列的噪声模型获得方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410462401.9A CN104200036B (zh) | 2014-09-11 | 2014-09-11 | 区域gps基准站坐标时间序列的噪声模型获得方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200036A CN104200036A (zh) | 2014-12-10 |
CN104200036B true CN104200036B (zh) | 2018-05-15 |
Family
ID=52085329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410462401.9A Active CN104200036B (zh) | 2014-09-11 | 2014-09-11 | 区域gps基准站坐标时间序列的噪声模型获得方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200036B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765055A (zh) * | 2015-04-14 | 2015-07-08 | 武汉大学 | Gps测站坐标时间序列周期性探测方法及系统 |
CN106772498B (zh) * | 2016-11-21 | 2019-05-10 | 华东交通大学 | 一种gps位置时间序列噪声模型建立方法 |
CN106597484B (zh) * | 2016-12-12 | 2018-11-23 | 武汉大学 | 热膨胀效应对gps坐标时间序列影响的精确量化方法 |
CN108205148A (zh) * | 2016-12-19 | 2018-06-26 | 千寻位置网络有限公司 | 快速建立全国坐标框架基准的方法及其装置 |
CN106814378B (zh) * | 2017-01-17 | 2019-05-10 | 华东交通大学 | 一种gnss位置时间序列周期特性挖掘方法 |
CN108759827B (zh) * | 2018-03-21 | 2022-11-25 | 千寻位置网络(浙江)有限公司 | 一种构建速度场模型的方法及装置、定位方法及系统 |
CN110488332B (zh) * | 2018-05-14 | 2021-09-10 | 广州市中海达测绘仪器有限公司 | 基于网络rtk技术的定位信息处理方法和装置 |
CN109188466A (zh) * | 2018-09-29 | 2019-01-11 | 华东交通大学 | 一种顾及非线性变化的gnss基准站地壳运动速度场估计方法 |
CN109709586B (zh) * | 2018-12-19 | 2020-09-08 | 中铁第四勘察设计院集团有限公司 | 基于奇异值分解的gps基准站网坐标时间序列三维噪声模型的建立方法及使用方法 |
CN111965670B (zh) * | 2020-08-14 | 2023-05-12 | 长江空间信息技术工程有限公司(武汉) | 量化gnss时间序列高频观测墩热膨胀信号混叠的方法 |
CN112698323B (zh) * | 2020-12-10 | 2024-03-19 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于α-β-γ滤波器的全自动着陆雷达引导噪声抑制方法 |
CN113486287B (zh) * | 2021-06-15 | 2023-07-04 | 中铁第四勘察设计院集团有限公司 | 一种卫星站速度的估计方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6453238B1 (en) * | 1999-09-16 | 2002-09-17 | Sirf Technology, Inc. | Navigation system and method for tracking the position of an object |
CN103823993A (zh) * | 2014-03-13 | 2014-05-28 | 武汉大学 | 基于相关系数的削弱坐标时间序列中cme影响的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713820B (zh) * | 2009-10-29 | 2012-05-23 | 北京航空航天大学 | 基于gps软件接收机的gps硬件接收机动态环境性能测试系统 |
CN102096086B (zh) * | 2010-11-22 | 2012-09-05 | 北京航空航天大学 | 一种基于gps/ins组合导航系统不同测量特性的自适应滤波方法 |
-
2014
- 2014-09-11 CN CN201410462401.9A patent/CN104200036B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6453238B1 (en) * | 1999-09-16 | 2002-09-17 | Sirf Technology, Inc. | Navigation system and method for tracking the position of an object |
CN103823993A (zh) * | 2014-03-13 | 2014-05-28 | 武汉大学 | 基于相关系数的削弱坐标时间序列中cme影响的方法 |
Non-Patent Citations (3)
Title |
---|
"Noise in GPS displacement measurements from Southern California and Southern Nevada";John Langbein等;《JOURNAL OF GEOPHYSICAL RESEARCH》;20080530;第113卷(第B05期);第620-628页 * |
"Noise in two-color electronic distance meter measurements revisited";John Langbein;《JOURNAL OF GEOPHYSICAL RESEARCH》;20040414;第109卷(第B4期);正文第5-6页第3.2节,第9-11页第5节 * |
"中国区域IGS基准站坐标时间序列噪声模型建立与分析";李昭等;《测绘学报》;20120830;第41卷(第4期);正文第497-498页第1,2节,第499页第3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104200036A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200036B (zh) | 区域gps基准站坐标时间序列的噪声模型获得方法 | |
CN110516279B (zh) | 基于经验订正的风浪流耦合海洋环境数值预报方法 | |
CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
CN111651941A (zh) | 一种全球电离层电子总含量预测的算法 | |
CN102004856B (zh) | 高频观测资料实时数据的快速集合卡曼滤波同化方法 | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 | |
CN104992068B (zh) | 一种表层土壤氮素分布的预测方法 | |
Gusev et al. | Numerical simulation of the world ocean circulation and its climatic variability for 1948–2007 using the INMOM | |
CN115204618B (zh) | 一种ccmvs区域碳源汇同化反演方法 | |
CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
CN106597484B (zh) | 热膨胀效应对gps坐标时间序列影响的精确量化方法 | |
CN109544038A (zh) | 一种基于生命周期分析的生物质碳排放估算系统和方法 | |
CN105631191A (zh) | 一种获取卫星效能的方法及系统 | |
Li et al. | Long-term and inter-annual mass changes of Patagonia Ice Field from GRACE | |
Tohjima et al. | Estimation of CH4 emissions from the East Siberian Arctic Shelf based on atmospheric observations aboard the R/V Mirai during fall cruises from 2012 to 2017 | |
Vichi et al. | Skill assessment of the PELAGOS global ocean biogeochemistry model over the period 1980–2000 | |
CN115561176A (zh) | 一种基于特征自适应运算和机器学习融合的水质反演方法 | |
Löptien et al. | Effects of parameter indeterminacy in pelagic biogeochemical modules of Earth System Models on projections into a warming future: The scale of the problem | |
CN114724647A (zh) | 一种高时空分辨率co2通量反演系统及方法 | |
CN104198998A (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN116541681A (zh) | 一种基于协同克里金插值的复合灾害空间变异性识别方法 | |
CN115860189A (zh) | 一种低碳目标下土地利用空间格局优化方法及系统 | |
Patra et al. | Sensitivity of optimal extension of CO2 observation networks to model transport | |
CN113496083B (zh) | 一种gps流动站垂向速度场优化方法及装置 | |
Fu et al. | GIS and ANN-based spatial prediction of DOC in river networks: a case study in Dongjiang, Southern China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |