CN112184778B - 基于gnss动态定位时间序列分割的短期位移探测方法 - Google Patents
基于gnss动态定位时间序列分割的短期位移探测方法 Download PDFInfo
- Publication number
- CN112184778B CN112184778B CN202011017143.5A CN202011017143A CN112184778B CN 112184778 B CN112184778 B CN 112184778B CN 202011017143 A CN202011017143 A CN 202011017143A CN 112184778 B CN112184778 B CN 112184778B
- Authority
- CN
- China
- Prior art keywords
- displacement
- segmentation
- value
- possible change
- time sequence
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000011218 segmentation Effects 0.000 title claims abstract description 57
- 230000008859 change Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000004091 panning Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
Abstract
本发明属于位移探测技术领域,公开了基于GNSS动态定位时间序列分割的短期位移探测方法,首先通过GNSS动态定位获得原始坐标时间序列;然后利用检测窗口进行时间序列分割,获得可能变化点的集合;针对每个可能变化点,获得可能变化点的统计值,根据统计值及预设阈值判断可能变化点是否为变化点;最后针对每个变化点,获得变化点对应的历次位移估计值,基于历次位移估计值获得最终位移估计值。本发明解决了现有技术无法在短时间内有效地检测和提取位移的问题,能够在短时间内有效地检测和提取位移。
Description
技术领域
本发明涉及位移探测技术领域,尤其涉及基于GNSS动态定位时间序列分割的短期位移探测方法。
背景技术
位移测量对于地质灾害、矿山安全、结构健康安全监测以及工业测量领域具有积极的作用。在过去的二十年里,人们对利用全球导航卫星系统(GNSS)进行位移监测的研究激增。与传统位移监测技术相比,GNSS具有不受天气影响,监测点之间不需要通视,高精度,多时间尺度等优势。此外,随着GNSS技术的不断发展,接收机成本不断降低,而且定位精度不断提高。GNSS成为位移监测最有效的手段之一。
目前,在这些应用领域,基于GNSS的位移监测研究大多集中于长期位移分析,而对短期监测的研究较少。
近二十年来的研究为基于GNSS的位移监测提供了重要的信息,但大多只适用于离线应用。到目前为止,对短期位移检测的研究还很少。虽然利用GNSS坐标差可以直接得到位移,但由于测量误差的影响,如何在短时间内有效地检测和提取位移仍然存在挑战。目前,大多数已有的位移检测方法都是逐历元进行的,容易受到粗差和观测噪声的影响。
发明内容
本发明通过提供基于GNSS动态定位时间序列分割的短期位移探测方法,解决了现有技术无法在短时间内有效地检测和提取位移的问题。
本发明提供基于GNSS动态定位时间序列分割的短期位移探测方法,包括以下步骤:
步骤1、通过GNSS动态定位获得原始坐标时间序列;
步骤2、利用检测窗口进行时间序列分割,获得可能变化点的集合;
步骤3、针对每个可能变化点,获得可能变化点的统计值,根据统计值及预设阈值判断可能变化点是否为变化点;
步骤4、针对每个变化点,获得变化点对应的历次位移估计值,基于所述历次位移估计值获得最终位移估计值。
优选的,所述步骤1中还包括:对所述原始坐标时间序列进行去噪处理,得到去噪后的坐标时间序列;所述步骤2中,利用检测窗口对所述去噪后的坐标时间序列进行分割,获得可能变化点的集合。
优选的,所述步骤1中,所述GNSS动态定位为相对实时定位或精密单点实时定位。
优选的,采用小波分析方法对所述原始坐标时间序列进行分解和重构,得到重构的坐标时间序列,所述重构的坐标时间序列作为所述去噪后的坐标时间序列。
优选的,所述小波分析方法包括以下子步骤:
确定小波母函数;
采用离散小波变换对所述原始坐标时间序列进行分解,得到分解的近似分量参数;
基于所述近似分量参数进行小波重构,得到所述重构的坐标时间序列;
其中,对所述原始坐标时间序列进行分解表示为:
其中,x(t)表示原始坐标时间序列,m表示缩放因子,n表示平移因子,ψ(·)表示小波母函数,ψ*(·)表示小波母函数的共轭,a0表示指定的固定步长参数,b0表示大于0的位置参数。
优选的,所述小波母函数采用Daubechies db1小波函数。
优选的,所述步骤2中,在时间序列分割中,根据被τ分割的两个部分的统计信息构造目标函数,所述目标函数表示为:
其中,J(τ)表示目标函数,τ表示检测窗口的分割点,xi、xj表示检测窗口中点的坐标值,n表示检测窗口的长度;
通过使所述目标函数最小化获得可能变化点,表示为:
优选的,所述步骤3中,对于一个历元,在一个大小为n的检测窗口中,该历元参与窗口分割的次数为n次;在窗口分割过程中,将第i个历元被划分为可能变化点的次数记为counti,counti作为该可能变化点的统计值;若该可能变化点的统计值大于预设阈值,则将该历元视为变化点。
优选的,所述步骤4中,对于counti次被划分为可能变化点的第i个历元,存在counti次的位移估值,表示为:
Δhij=hij0-hij1,1≤j≤counti
其中,Δhij表示第i个历元对应的第j次分割的位移估值,counti表示第i个历元被划分为可能变化点的次数,hij0表示第i个历元对应的第j次分割的前半窗口中的坐标均值,hij1表示第i个历元对应的第j次分割的后半窗口中的坐标均值;
基于counti次的位移估值划分位移区域,采用如下公式:
binik=div(min(Δhij),max(Δhij),s),1≤k≤s
其中,binik表示第i个历元对应的第k个位移区间,div(.)操作符表示根据counti次的位移估值中的最大值和最小值均匀划分为指定的份数,s表示份数;
基于落入位移估值最多的位移区间,获得最终位移估计值,表示为:
其中,Δhi表示最终位移估计值,count(binik)表示Δhij落入binik的数量,f为从位移区间到位移的映射函数。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在发明中,首先通过GNSS动态定位获得原始坐标时间序列;然后利用检测窗口进行时间序列分割,获得可能变化点的集合;针对每个可能变化点,获得可能变化点的统计值,根据统计值及预设阈值判断可能变化点是否为变化点;最后针对每个变化点,获得变化点对应的历次位移估计值,基于历次位移估计值获得最终位移估计值。本发明能够在短时间内有效地检测和提取位移,且位提取的位移精度较高。
附图说明
图1为本发明实施例提供的基于GNSS动态定位时间序列分割的短期位移探测方法的流程示意图;
图2为本发明实施例提供的基于GNSS动态定位时间序列分割的短期位移探测方法中基于时间序列分割的位移检测原理图;
图3为本发明实施例提供的基于GNSS动态定位时间序列分割的短期位移探测方法中GNSS动态定位以及小波重构的结果示意图;
图4为本发明实施例提供的基于GNSS动态定位时间序列分割的短期位移探测方法中窗口分割可能变化点的示意图;
图5为本发明实施例提供的基于GNSS动态定位时间序列分割的短期位移探测方法中可能变化点统计计数图;
图6为本发明实施例提供的基于GNSS动态定位时间序列分割的短期位移探测方法中可能变化点位移统计结果图。
具体实施方式
本发明旨在探索一种基于GNSS动态定位时间序列分割的短期位移探测方法,以GNSS动态定位获得的当前历元坐标和前一个历元坐标形成的坐标时间序列作为分割的基本处理单元。将从检测窗口中得到的分割点视为潜在的变化点,并对潜在变化点进行统计检验以确定分割点是否为变化点。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了基于GNSS动态定位时间序列分割的短期位移探测方法,主要包括以下步骤:
步骤1、通过GNSS动态定位获得原始坐标时间序列。
优选的方案中还包括对所述原始坐标时间序列进行去噪处理,得到去噪后的坐标时间序列。例如,采用小波分析方法对所述原始坐标时间序列进行分解和重构,得到重构的坐标时间序列,所述重构的坐标时间序列作为所述去噪后的坐标时间序列。
步骤2、利用检测窗口进行时间序列分割,获得可能变化点的集合。
具体的,在时间序列分割中,根据被τ分割的两个部分的统计信息构造目标函数,所述目标函数表示为:
其中,J(τ)表示目标函数,τ表示检测窗口的分割点,xi、xj表示检测窗口中点的坐标值,n表示检测窗口的长度。
通过使所述目标函数最小化获得可能变化点,表示为:
若步骤1中进行了去噪处理,则利用检测窗口对所述去噪后的坐标时间序列进行分割,获得可能变化点的集合。
步骤3、针对每个可能变化点,获得可能变化点的统计值,根据统计值及预设阈值判断可能变化点是否为变化点。
具体的,对于一个历元,在一个大小为n的检测窗口中,该历元参与窗口分割的次数为n次;在窗口分割过程中,将第i个历元被划分为可能变化点的次数记为 counit,counti作为该可能变化点的统计值;若该可能变化点的统计值大于预设阈值,则将该历元视为变化点。
步骤4、针对每个变化点,获得变化点对应的历次位移估计值,基于所述历次位移估计值获得最终位移估计值。
具体的,对于counti次被划分为可能变化点的第i个历元,存在counti次的位移估值,表示为:
Δhij=hij0-hij1,1≤j≤counti
其中,Δhij表示第i个历元对应的第j次分割的位移估值,counti表示第i个历元被划分为可能变化点的次数,hij0表示第i个历元对应的第j次分割的前半窗口中的坐标均值,hij1表示第i个历元对应的第j次分割的后半窗口中的坐标均值。
基于counti次的位移估值划分位移区域,采用如下公式:
binik=div(min(Δhij),max(Δhij),s),1≤k≤s
其中,binik表示第i个历元对应的第k个位移区间,div(.)操作符表示根据counti次的位移估值中的最大值和最小值均匀划分为指定的份数,s表示份数。
基于落入位移估值最多的位移区间,获得最终位移估计值,表示为:
其中,Δhi表示最终位移估计值,count(binik)表示Δhij落入binik的数量,f为从位移区间到位移的映射函数。
下面对本发明做进一步的说明。
参见图1,本实施例提供的基于GNSS动态定位时间序列分割的短期位移探测方法主要包括以下几个步骤:动态定位获得坐标时间序列、去噪处理、窗口分割探测可能变化点、判定变化点,提取变化点的位移。
下面对本实施例的几个主要部分进行解释说明。
1.1通过GNSS动态定位获得坐标时间序列。
坐标时间序列GNSS动态定位获得坐标组成,预测更新根据前一历元的状态估值来预测当前历元的状态估值,测量更新根据新的测量值对状态估值进行更新,在GNSS动态定位中将状态估值中的坐标分量的预测更新权重设置很小以确保定位结果的动态特性。动态定位方式包括相对实时定位,精密单点实时定位等实时定位模式。
1.2去噪处理。
对于以上通过GNSS动态定位构造的坐标时间序列处理单元,如果突变信号不明显,选择一定的方法对处理单元进行去噪,目的是削弱噪声影响,突出突变信号。这里以小波分析为例,选择合适的小波函数,进行小波变换提取信号中的突变成分,这里选择Daubechies小波函数。其中,db1小波的正则系数与信号在突变处的Lipschitz 指数具有最大的相似性,可以最有效地刻画突变。确定小波母函数之后,采用离散小波变换对原始信号进行分解。
其中,x(t)是需要分析的坐标时间序列;m和n分别是缩放和平移因子。ψ(·)是所选择的小波母函数,ψ*(·)是小波母函数的共轭。a0是指定的固定步长参数,通常大于1;b0是大于0的位置参数。对于选择的db1小波母函数,一般将分解层级设置为 5-7层,将最终的分解的近似分量参数进行小波重构。
1.3窗口分割探测可能变化点。
(1)基于时间序列分割的位移检测。
时间序列表示为x1,x2,…xn。对于经典的时间序列分割问题,假设时间序列中存在m个变化点,则将发生时间记录为τ=[τ1,τ2,…τm]。整个时间序列通过这些m个变化点被分成m+1段。各段的统计平均值表示如下:
其中,τ0和τm+1分别定义为τ0=1,τm+1=n+1。
对于使用GNSS进行的滑坡短期位移检测,更多的是关注变化发生的时间和程度,而不是对整个时间序列进行分段。此外,多变化点检测通常是计算密集型的,不适合在线实现。因此,如图2所示的检测窗口被定义用于短期位移检测。被τ分割的两个部分的平均值和方差分别表示为h0,h1和ρ2 0,ρ2 1。变化点前后的位移估计为:
Δh=h0-h1
在定义了这样一个检测窗口之后,需要找到最可能的变化点(PCP)。因此,下面介绍检测指标。
(2)检测窗口分割指标。
对于所定义的检测窗口的分割指标不局限于本发明提到的方法。在时间序列分割中,根据各分割部分的统计信息构造目标函数,最常用的统计值是方差:
其中,J(τ)为目标函数。
对于位移探测问题,目标函数简化为:
其中,τ为检测窗口的分割点,xi、xj表示检测窗口中点的坐标值,n表示检测窗口的长度。
可能变化点的探测问题变化为:对于任何检测窗口,都可以找到一个τ使下面的公式最小化。
下面需要进一步根据可能变化点的统计值来进一步确定变化点。
1.4判定变化点。
对于一个历元,在一个大小为n的检测窗口中,该历元数据参与窗口分割的次数是从进入检测窗口开始到完全离开检测窗口结束,共n次。在窗口分割过程中,如果一个历元的数据被划分为可能变化点的次数越多,就越有可能成为变化点,因此,将统计值counti定义为历元i被划分为可能变化点的次数。该统计值大于某一阈值的历元被视为变化点(CP)。
1.5提取变化点的位移。
对于counti次被划分为变化点的第i个历元,存在counti次的位移估值,表示为:
Δhij=hij0-hij1,1≤j≤counti
其中,Δhij是第i个历元对应的第j次分割的位移估值,hij0表示第i个历元对应的第j次分割的前半窗口中的坐标均值,hij1表示第i个历元对应的第j次分割的后半窗口中的坐标均值。
由于可能分割点对应于多个分割窗口,因此不可能使用全局指标来评估这些位移的可靠性。此处认为位移估值越集中,越接近真实值。在此基础上,根据以上counti次位移估计范围划分位移区间,采用如下公式:
binik=div(min(Δhij),max(Δhij),s),1≤k≤s
其中,binik表示第i个历元对应的第k个位移区间,div(.)操作符表示根据counti个估值中的最大值和最小值均匀划分为指定的份数,s表示份数。例如,可设计为100 份,即s取100。
然后,基于落入位移估值最多的位移区间获得最终位移估计值,表示为:
其中,Δhi表示最终位移估计值,count(binik)表示Δhij落入binik的数量,f为从位移区间到位移的映射函数,此实施例中采用位移区间的中值。
为了验证本发明的效果,下面结合实验结果进行说明。
根据短期滑坡位移变化特征,设计了场地实验,接收机天线在一个小时内发生三次阶跃变动。根据上述1.1中计算的动态定位结果,以及根据上述1.2进行小波重构结果如图3所示。可以看出经过小波重构之后,噪声得到了有效滤除,时间序列中阶跃成分特征明显。根据上述1.3计算的可能变化点如图4所示,在突变点附近比较集中。小波重构对应的可能变化点相对集中。对于窗口大小设置为360的检测窗口,根据上述1.4统计的所有的可能变化点的统计计数如图5所示,三次阶跃的统计计数分别为339,353,290,明显大于附近可能变化点的统计计数。对于图4中的可能变化点,根据上述1.5中介绍的方法提取位移如图6所示,提取的位移精度可以达到亚厘米级别。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.基于GNSS动态定位时间序列分割的短期位移探测方法,其特征在于,包括以下步骤:
步骤1、通过GNSS动态定位获得原始坐标时间序列;
步骤2、利用检测窗口进行时间序列分割,获得可能变化点的集合;
在时间序列分割中,根据被τ分割的两个部分的统计信息构造目标函数,所述目标函数表示为:
其中,J(τ)表示目标函数,τ表示检测窗口的分割点,xi、xj表示检测窗口中点的坐标值,n表示检测窗口的长度;
通过使所述目标函数最小化获得可能变化点,表示为:
步骤3、针对每个可能变化点,获得可能变化点的统计值,根据统计值及预设阈值判断可能变化点是否为变化点;
步骤4、针对每个变化点,获得变化点对应的历次位移估计值,基于所述历次位移估计值获得最终位移估计值。
2.根据权利要求1所述的基于GNSS动态定位时间序列分割的短期位移探测方法,其特征在于,所述步骤1中还包括:对所述原始坐标时间序列进行去噪处理,得到去噪后的坐标时间序列;所述步骤2中,利用检测窗口对所述去噪后的坐标时间序列进行分割,获得可能变化点的集合。
3.根据权利要求1所述的基于GNSS动态定位时间序列分割的短期位移探测方法,其特征在于,所述步骤1中,所述GNSS动态定位为相对实时定位或精密单点实时定位。
4.根据权利要求2所述的基于GNSS动态定位时间序列分割的短期位移探测方法,其特征在于,采用小波分析方法对所述原始坐标时间序列进行分解和重构,得到重构的坐标时间序列,所述重构的坐标时间序列作为所述去噪后的坐标时间序列。
6.根据权利要求5所述的基于GNSS动态定位时间序列分割的短期位移探测方法,其特征在于,所述小波母函数采用Daubechies db1小波函数。
7.根据权利要求1所述的基于GNSS动态定位时间序列分割的短期位移探测方法,其特征在于,所述步骤3中,对于一个历元,在一个大小为n的检测窗口中,该历元参与窗口分割的次数为n次;在窗口分割过程中,将第i个历元被划分为可能变化点的次数记为counti,counti作为该可能变化点的统计值;若该可能变化点的统计值大于预设阈值,则将该历元视为变化点。
8.根据权利要求1所述的基于GNSS动态定位时间序列分割的短期位移探测方法,其特征在于,所述步骤4中,对于counti次被划分为可能变化点的第i个历元,存在counti次的位移估值,表示为:
Δhij=hij0-hij1,1≤j≤counti
其中,Δhij表示第i个历元对应的第j次分割的位移估值,counti表示第i个历元被划分为可能变化点的次数,hij0表示第i个历元对应的第j次分割的前半窗口中的坐标均值,hij1表示第i个历元对应的第j次分割的后半窗口中的坐标均值;
基于counti次的位移估值划分位移区域,采用如下公式:
binik=div(min(Δhij),max(Δhij),s),1≤k≤s
其中,binik表示第i个历元对应的第k个位移区间,div(.)操作符表示根据counti次的位移估值中的最大值和最小值均匀划分为指定的份数,s表示份数;
基于落入位移估值最多的位移区间,获得最终位移估计值,表示为:
其中,Δhi表示最终位移估计值,count(binik)表示Δhij落入binik的数量,f为从位移区间到位移的映射函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011017143.5A CN112184778B (zh) | 2020-09-24 | 2020-09-24 | 基于gnss动态定位时间序列分割的短期位移探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011017143.5A CN112184778B (zh) | 2020-09-24 | 2020-09-24 | 基于gnss动态定位时间序列分割的短期位移探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184778A CN112184778A (zh) | 2021-01-05 |
CN112184778B true CN112184778B (zh) | 2022-04-26 |
Family
ID=73955484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011017143.5A Active CN112184778B (zh) | 2020-09-24 | 2020-09-24 | 基于gnss动态定位时间序列分割的短期位移探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184778B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054214A (zh) * | 2016-08-18 | 2016-10-26 | 武汉大学 | 一种可削弱多路径效应的gnss数据处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143289B (zh) * | 2018-11-13 | 2021-09-21 | 中铁二局集团有限公司 | 一种gnss单站位移监测方法 |
US11609574B2 (en) * | 2018-11-13 | 2023-03-21 | FLIR Belgium BVBA | Extrinsic sensor calibration systems and methods |
CN110632625B (zh) * | 2019-08-19 | 2022-04-26 | 中国矿业大学 | 一种gnss时间序列阶跃探测与修复方法 |
-
2020
- 2020-09-24 CN CN202011017143.5A patent/CN112184778B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054214A (zh) * | 2016-08-18 | 2016-10-26 | 武汉大学 | 一种可削弱多路径效应的gnss数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112184778A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivakumar et al. | EVIDENCE OF CHAOTIC BEHAVIOR IN SINGAPORE RAINFALL 1 | |
CN116108008A (zh) | 一种装饰材料甲醛检测数据处理方法 | |
CN112184778B (zh) | 基于gnss动态定位时间序列分割的短期位移探测方法 | |
CN111695473B (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
CN110705722A (zh) | 一种工业设备故障诊断的诊断模型及其构建方法和应用 | |
CN110991564B (zh) | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 | |
CN113670616B (zh) | 一种轴承性能退化状态检测方法及系统 | |
CN117111048B (zh) | 一种基于改进itd的多波束海底地形测量回波降噪方法 | |
CN114252879A (zh) | 基于InSAR反演与多影响因子的大范围滑坡形变预测方法 | |
López | Improving the elevation accuracy of digital elevation models: a comparison of some error detection procedures | |
CN110989005A (zh) | 基于标量磁力仪阵列的弱磁异常自适应实时探测方法 | |
CN112711052B (zh) | 基于连续t检验的GNSS坐标序列阶跃探测改进方法及系统 | |
CN111339986B (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
CN112572845B (zh) | 一种基于小波变换的卫星机动快速探测方法 | |
CN107704831A (zh) | 一种基于奇异值分解中值法的瓦斯浓度数据降噪方法 | |
CN110657807A (zh) | 基于小波变换检测不连续性的室内定位位移测量方法 | |
Guoping et al. | Cycle-slip detection of GPS carrier phase with methodology of SA4 multi-wavelet transform | |
CN112180454B (zh) | 一种基于ldmm的磁共振地下水探测随机噪声抑制方法 | |
CN114246571A (zh) | 一种基于雷达和变分模态分解算法的心率测量方法 | |
Wang et al. | Seismic data interpolation using Gaussian process regression | |
CN117474790A (zh) | 基于改进小波阈值函数的指针式仪表图像去噪方法及装置 | |
CN111999750A (zh) | 针对杆臂不准的实时单站周跳探测改进方法 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
Sun et al. | A New Wavelet Threshold Function Based on Gaussian Kernel Function for Image De-noising. | |
CN113609207B (zh) | 一种边坡形变监测数据的数据预处理方法 |
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 |