CN111443366B - 一种gnss区域网中异常点探测方法及系统 - Google Patents
一种gnss区域网中异常点探测方法及系统 Download PDFInfo
- Publication number
- CN111443366B CN111443366B CN202010349066.7A CN202010349066A CN111443366B CN 111443366 B CN111443366 B CN 111443366B CN 202010349066 A CN202010349066 A CN 202010349066A CN 111443366 B CN111443366 B CN 111443366B
- Authority
- CN
- China
- Prior art keywords
- gnss
- abnormal
- clustering
- strain
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
Abstract
本发明提供一种GNSS区域网中异常点探测方法及系统,包括获取GNSS测站坐标时间序列北方向与东方向的观测值,并获取GNSS测站坐标;建立各测站GNSS坐标时间序列北方向与东方向观测值的速度模型,获取速度估值及其不确定性;利用GNSS成像方法,分别生成研究区域的北方向与东方向的GNSS影像;依据GNSS影像结果,使用聚类分析方法对研究区域进行块体划分;对块体任选3个测站计算欧拉矢量与应变参数,分别形成聚类空间,并分别计算各聚类点至聚类中心的距离;利用异常值探测方法,获取欧拉矢量和应变率参数的异常聚类点,分别记录异常欧拉矢量与异常应变参数对应的测站,并统计各测站出现的次数,大于阈值则认为异常点,对相应异常点集合取交集则获得异常速率点集合。
Description
技术领域
本发明属于GNSS数据精密处理技术领域,具体涉及一种基于GNSS多测站坐标时间序列的异常点探测技术方案。
背景技术
GNSS多测站坐标时间序列反映了测站位置随时间变化的规律及在空间上的分布特征。利用GNSS多测站坐标时间序列进行地学现象空间分布特征已成为现实(Hammond etal.,2016),可构建兼顾时间和空间分辨率的地壳垂向形变影像图。但是,在空间上的异常点会严重影响地壳形变影像图的效果及其地学解释。其中,GNSS为全球导航卫星系统简称。
本发明提供了一种基于GNSS影像的异常点探测方法,以每个测站最临近点的速度及其不确定性作为空间滤波的基础,结合欧拉矢量反演结果,以欧拉矢量和应变量作为关键参数,利用聚类方法(Savage and Simpson,2013)实现对异常点的探测。
发明内容
针对现有技术存在的问题,本发明提供了一种以每个测站最临近点的速度及其不确定性作为空间滤波的基础,结合欧拉矢量反演结果,以欧拉矢量聚类实现异常点探测的技术方案。
为解决上述技术问题,本发明提供的技术方案为一种GNSS区域网中异常点探测方法,包括以下步骤,
步骤1,获取GNSS测站坐标时间序列北方向与东方向的观测值,并获取每个GNSS测站的坐标(Bi,Li),其中,i=1,2,…,n,n为总测站数;Bi,Li为第i个测站在大地坐标系下的纬度与经度;
步骤2,建立各测站GNSS坐标时间序列北方向与东方向观测值的速度模型,获取各测站北方向与东方向的速度估值vni,vei及其不确定性σni,σei,i=1,2,…,n;
步骤3,利用GNSS成像方法,分别生成研究区域的北方向与东方向的GNSS影像;
步骤4,依据步骤3所得北方向与东方向的GNSS影像结果,使用聚类分析方法对研究区域进行块体划分,设得到l个块体,记各块体内测站数量为numo,o=1,2,…,l;
步骤6,基于聚类分析方法,分别形成欧拉矢量与应变参数的聚类空间,设获得第o个块体的欧拉矢量聚类中心CEVo与应变参数聚类中心CStraino,并分别计算聚类空间中各聚类点EVo,p至聚类中心CEVo的距离,计算各聚类点Straino,p至聚类中心CStraino的距离;
步骤7,基于各聚类点至其聚类中心的距离,利用异常值探测方法,获取欧拉矢量和应变率参数的异常聚类点,设获得对应的异常欧拉矢量EVo,q与异常应变参数Straino,r,其中,q=1,…,abno,1;r=1,…,abno,2,abno,1与abno,2为第o个块体中异常欧拉矢量与异常应变参数个数;
步骤8,分别记录异常欧拉矢量与异常应变参数对应的测站,并统计各测站出现的次数,若大于设置的阈值,则认为该测站为可能的异常点,分别获得异常点集合{OutlierEV}和{Outlierstrain};
步骤9,对异常点集合{OutlierEV}与{OutlierStrain}取交集,则获得异常速率点集合{Outlier}。
而且,步骤2中所述建立各测站GNSS坐标时间序列北方向与东方向观测值的速度模型,通过最小二乘估计或极大似然估计方法实现。
而且,步骤3中,利用基于站间相关性空间结构函数构建的GNSS成像方法,分别生成研究区域的北方向与东方向的GNSS影像。
而且,步骤4中,采用k均值聚类方法对研究区域进行块体划分。
而且,步骤6中,基于k均值聚类分别形成欧拉矢量与应变参数的聚类空间。
而且,步骤7中,所述利用异常值探测方法获取欧拉矢量和应变率参数的异常聚类点,是基于拉依达准则或巴尔达准则实现。
而且,步骤8中,阈值优选设置为3。
本发明还相应提供一种GNSS区域网中异常点探测系统,用于如上所述GNSS区域网中异常点探测方法。
与现有技术相比,本发明具有特点:
本发明基于临近点的速度及其不确定性作为空间滤波的基础,形成的GNSS影像是基于实测数据的结果,具有较高的可靠性;而以GNSS影像结果对GNSS测站覆盖区域进行块体划分,很大程度上保证了划分块体的整体变形特征,尽可能减少了由于块体划分不准确所引起的欧拉矢量聚类分析的出错率;与另一重要物理量——应变结合的异常点探测,进一步保证了结果的准确性。
附图说明
图1为本发明实施例方法的具体流程示意图。
具体实施方式
为使本发明目的、技术方案及有益效果更加清楚明白,下面将结合附图及实施例,进一步说明本发明。
参见图1,本发明实施例提供一种GNSS多测站坐标时间序列异常点探测方法,包括步骤:
步骤1,获取GNSS测站坐标时间序列北方向与东方向的观测值,并获取每个GNSS测站的坐标(Bi,Li)(i=1,2,…,n),其中,n为总测站数;Bi,Li为第i个测站在大地坐标系下的纬度与经度;
GNSS测站坐标时间序列反映了测站位置随时间变化的规律特征。具体实施时,可以通过双差定位软件工具、精密单点定位软件工具或IGS分析中心获取积累的GPS测站坐标时间序列观测值。
步骤2,建立各测站GNSS坐标时间序列北方向与东方向观测值的速度模型,获取各测站北方向与东方向的速度估值vni,vei及其不确定性σni,ei(i=1,2,…,n);
具体实施时,可基于现有技术(如最小二乘估计、极大似然估计等),建立各测站GNSS坐标时间序列的速度模型,获取速度估值vni,vei及其不确定性σni,σei。
步骤3,利用GNSS成像方法,分别生成研究区域的北方向与东方向的GNSS影像;
本步骤实现可参见现有技术,例如申请人的发明《基于站间相关性空间结构函数构建的GNSS成像方法》,其中提出一种基于测站对相关系数的空间结构函数的构建方案,实现GNSS成像。该方法包括输入GNSS测站坐标时间序列观测值,以及每个GNSS测站的速度及不确定性;结合研究区域的地质学与大地测量学结果(如地质断层位置信息、基于长期GPS观测的活动块体划分模型等),对GNSS网内的测站进行聚类划分,得到聚类区域;计算各聚类区域内任意两测站所构成测站对之间的相关系数,根据测站间相关系数进行数据池划分,获取每个聚类区域中若干数据池及在各数据池内的GNSS测站对;在每个聚类区域内,计算每个数据池中所有测站对相关系数的中值和绝对中位差,构建各聚类区域的空间结构函数,标准化形成整个GNSS网最终的空间结构函数;依据速度不确定性和空间结构函数,确定研究范围内所有测站的权,利用空间插值方法进行空间插值,形成影像。因此,本发明优选利用该技术,实现构建GNSS的形变影像图。
步骤4,依据步骤3中北方向与东方向的GNSS影像结果,使用聚类分析方法对研究区域进行块体划分,设得到l个块体,记各块体内测站数量为numo(o=1,2,…,l);
具体实施时,可对北方向与东方向的GNSS影像结果取交集,采用现有的聚类分析方法(如k均值聚类)对研究区域进行块体划分。
具体实施时,计算欧拉矢量EVo,p与应变参数Straino,p可采用现有技术,参见文献:许才军等,2006,第6章与第8章。
步骤6,基于稳健的聚类分析方法(如k中心点聚类),分别形成欧拉矢量与应变参数的聚类空间,设获得第o个块体的欧拉矢量聚类中心CEVo与应变参数聚类中心CStraino,并分别计算聚类空间中各聚类点EVo,p与Straino,p至其聚类中心的距离;
欧拉矢量反映的是块体整体的运动,而应变参数则反映块体内部相互作用造成的形变。因此,结合这两种参数,本发明综合考虑了块体的整体与局部特征,对GNSS区域网中异常点进行探测。
步骤7,基于各聚类点至其聚类中心的距离,利用异常值探测方法(如拉依达准则、巴尔达准则),获取欧拉矢量和应变率参数的异常聚类点,即获得对应的异常欧拉矢量EVo,q与异常应变参数Straino,r(q=1,…,abno,1;r=1,…,abno,2),其中,abno,1与abno,2为第o个块体中异常欧拉矢量与异常应变参数个数;
步骤8,分别记录异常欧拉矢量与异常应变参数对应的测站,并统计各测站出现的次数,若大于设置的阈值(优选设为3次),则认为该测站为可能的异常点,最终获得异常点集合;
将分别获得的异常点集合记为{OutlierEV}和{OutlierStrain}。
步骤9,对可能异常点集合{OutlierEV}与{OutlierStrain}取交集,则获得异常速率点集合{Outlier}。
具体实施时,以上流程可采用计算机软件方式实现自动运行流程。运行流程的系统装置也应当在本发明的保护范围内。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种GNSS区域网中异常点探测方法,其特征在于:包括以下步骤,
步骤1,获取GNSS测站坐标时间序列北方向与东方向的观测值,并获取每个GNSS测站的坐标(Bi,Li),其中,i=1,2,…,n,n为总测站数;Bi,Li为第i个测站在大地坐标系下的纬度与经度;
步骤2,建立各测站GNSS坐标时间序列北方向与东方向观测值的速度模型,获取各测站北方向与东方向的速度估值vni,vei及其不确定性σni,σei,i=1,2,…,n;
步骤3,利用GNSS成像方法,分别生成研究区域的北方向与东方向的GNSS影像;
步骤4,依据步骤3所得北方向与东方向的GNSS影像结果,使用聚类分析方法对研究区域进行块体划分,设得到l个块体,记各块体内测站数量为numo,o=1,2,…,l;
步骤6,基于聚类分析方法,分别形成欧拉矢量与应变参数的聚类空间,设获得第o个块体的欧拉矢量聚类中心CEVo与应变参数聚类中心CStraino,并分别计算聚类空间中各聚类点EVo,p至聚类中心CEVo的距离,计算各聚类点Straino,p至聚类中心CStraino的距离;
步骤7,基于各聚类点至其聚类中心的距离,利用异常值探测方法,获取欧拉矢量和应变率参数的异常聚类点,设获得对应的异常欧拉矢量EVo,q与异常应变参数Straino,r,其中,q=1,…,abno,1;r=1,…,abno,2,abno,1与abno,2为第o个块体中异常欧拉矢量与异常应变参数个数;
步骤8,分别记录异常欧拉矢量与异常应变参数对应的测站,并统计各测站出现的次数,若大于设置的阈值,则认为该测站为可能的异常点,分别获得异常点集合{OutlierEV}和{OutlierStrain};
步骤9,对异常点集合{OutlierEV}与{Outlierstrain}取交集,则获得异常速率点集合{Outlier}。
2.根据权利要求1所述GNSS区域网中异常点探测方法,其特征在于:步骤2中所述建立各测站GNSS坐标时间序列北方向与东方向观测值的速度模型,通过最小二乘估计或极大似然估计方法实现。
3.根据权利要求1所述GNSS区域网中异常点探测方法,其特征在于:步骤3中,利用基于站间相关性空间结构函数构建的GNSS成像方法,分别生成研究区域的北方向与东方向的GNSS影像。
4.根据权利要求1所述GNSS区域网中异常点探测方法,其特征在于:步骤4中,采用k均值聚类方法对研究区域进行块体划分。
5.根据权利要求1所述GNSS区域网中异常点探测方法,其特征在于:步骤6中,基于k均值聚类分别形成欧拉矢量与应变参数的聚类空间。
6.根据权利要求1所述GNSS区域网中异常点探测方法,其特征在于:步骤7中,所述利用异常值探测方法获取欧拉矢量和应变率参数的异常聚类点,是基于拉依达准则或巴尔达准则实现。
7.根据权利要求1或2或3或4或5或6所述GNSS区域网中异常点探测方法,其特征在于:步骤8中,阈值设置为3。
8.一种GNSS区域网中异常点探测系统,其特征在于:用于如权利要求1至7所述GNSS区域网中异常点探测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349066.7A CN111443366B (zh) | 2020-04-28 | 2020-04-28 | 一种gnss区域网中异常点探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349066.7A CN111443366B (zh) | 2020-04-28 | 2020-04-28 | 一种gnss区域网中异常点探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111443366A CN111443366A (zh) | 2020-07-24 |
CN111443366B true CN111443366B (zh) | 2022-04-29 |
Family
ID=71650263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010349066.7A Active CN111443366B (zh) | 2020-04-28 | 2020-04-28 | 一种gnss区域网中异常点探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111443366B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389624B (zh) * | 2022-10-27 | 2023-02-10 | 智能网联汽车(山东)协同创新研究院有限公司 | 一种加工用声波测试系统 |
Citations (10)
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 |
CN105806208A (zh) * | 2016-03-11 | 2016-07-27 | 河南理工大学 | 一种基于gnss网形变化的形变异常检测方法 |
CN109059751A (zh) * | 2018-09-10 | 2018-12-21 | 中国科学院国家授时中心 | 一种形变数据监测方法及系统 |
CN109085617A (zh) * | 2018-08-29 | 2018-12-25 | 桂林电子科技大学 | 一种gnss监测站的定位系统及定位方法 |
CN109116391A (zh) * | 2018-07-23 | 2019-01-01 | 武汉大学 | 一种基于改进正交分解的区域划分方法 |
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 |
CN109581441A (zh) * | 2018-12-18 | 2019-04-05 | 武汉大学 | 基于站间相关性空间结构函数构建的gnss成像方法 |
CN109870101A (zh) * | 2019-01-23 | 2019-06-11 | 河北钢铁集团矿业有限公司 | 基于卫星定位的采场边坡形变实时监测系统 |
CN110398753A (zh) * | 2019-06-28 | 2019-11-01 | 武汉大学 | Gnss测站坐标时间序列周期性探测方法及系统 |
CN110411331A (zh) * | 2019-07-18 | 2019-11-05 | 广州吉欧电子科技有限公司 | 一种gnss形变监测系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1811287A1 (en) * | 2006-01-20 | 2007-07-25 | Ecole Polytechnique | Polarimetric raman system and method for analysing a sample |
CN110032709B (zh) * | 2019-01-24 | 2023-04-14 | 太原理工大学 | 一种用于地理坐标转换中异常点的定位与估值方法 |
-
2020
- 2020-04-28 CN CN202010349066.7A patent/CN111443366B/zh active Active
Patent Citations (10)
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 |
CN105806208A (zh) * | 2016-03-11 | 2016-07-27 | 河南理工大学 | 一种基于gnss网形变化的形变异常检测方法 |
CN109116391A (zh) * | 2018-07-23 | 2019-01-01 | 武汉大学 | 一种基于改进正交分解的区域划分方法 |
CN109085617A (zh) * | 2018-08-29 | 2018-12-25 | 桂林电子科技大学 | 一种gnss监测站的定位系统及定位方法 |
CN109059751A (zh) * | 2018-09-10 | 2018-12-21 | 中国科学院国家授时中心 | 一种形变数据监测方法及系统 |
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 |
CN109581441A (zh) * | 2018-12-18 | 2019-04-05 | 武汉大学 | 基于站间相关性空间结构函数构建的gnss成像方法 |
CN109870101A (zh) * | 2019-01-23 | 2019-06-11 | 河北钢铁集团矿业有限公司 | 基于卫星定位的采场边坡形变实时监测系统 |
CN110398753A (zh) * | 2019-06-28 | 2019-11-01 | 武汉大学 | Gnss测站坐标时间序列周期性探测方法及系统 |
CN110411331A (zh) * | 2019-07-18 | 2019-11-05 | 广州吉欧电子科技有限公司 | 一种gnss形变监测系统及方法 |
Non-Patent Citations (2)
Title |
---|
GNSS Spoofing Detection Based on Consistency Check of Velocities;TAO Huiqi et al.;《Chinese Journal of Electronics》;20190331;第28卷(第2期);全文 * |
GNSS坐标时间序列分析理论与方法及展望;姜卫平 等;《武汉大学学报信息科学版》;20181231;第43卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111443366A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108519615B (zh) | 基于组合导航和特征点匹配的移动机器人自主导航方法 | |
Chen et al. | A data-driven inertial navigation/Bluetooth fusion algorithm for indoor localization | |
CN107133269A (zh) | 基于移动目标的频繁位置轨迹生成方法及装置 | |
CN105180938B (zh) | 一种基于粒子滤波的重力采样矢量匹配定位方法 | |
CN103379619A (zh) | 一种定位方法和系统 | |
RU2013129852A (ru) | Оценивание поверхностных данных | |
CN108896040B (zh) | 天空海一体化水下潜器惯性/重力组合导航方法和系统 | |
Panhalkar et al. | Assessment of spatial interpolation techniques for river bathymetry generation of Panchganga River basin using geoinformatic techniques | |
Liu et al. | Focusing matching localization method based on indoor magnetic map | |
JP5915916B1 (ja) | 観測システム | |
WO2015079260A1 (en) | Location finding apparatus and associated methods | |
JP6644970B2 (ja) | 観測システム | |
CN111443366B (zh) | 一种gnss区域网中异常点探测方法及系统 | |
CN104613966A (zh) | 一种地籍测量事后数据处理方法 | |
Tao et al. | Precise displacement estimation from time-differenced carrier phase to improve PDR performance | |
CN105737850A (zh) | 基于粒子滤波的变尺度单方向重力采样矢量匹配定位方法 | |
CN111722250B (zh) | 基于gnss时间序列的地壳形变影像共模误差提取方法 | |
JP6683195B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び、プログラム | |
CN111339483B (zh) | 一种基于去趋势互相关分析的gnss影像生成方法 | |
WO2018131546A1 (ja) | 情報処理装置、情報処理システム、情報処理方法、および情報処理プログラム | |
Takenga et al. | On the accuracy improvement issues in GSM location fingerprinting | |
CN114924270A (zh) | 基于GNSS的InSAR形变监测基准建立方法及装置 | |
JP5058594B2 (ja) | 測位点推定装置および測位点推定方法ならびにそのプログラムと記録媒体 | |
Zhang et al. | A Geomagnetic Positioning Model Based on Naive Bayes Classifier | |
CN112255647A (zh) | 弹道测量信息事后融合处理优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |