CN112556563A - 一种北斗定位长期监测数据的处理方法及系统 - Google Patents

一种北斗定位长期监测数据的处理方法及系统 Download PDF

Info

Publication number
CN112556563A
CN112556563A CN202011379024.4A CN202011379024A CN112556563A CN 112556563 A CN112556563 A CN 112556563A CN 202011379024 A CN202011379024 A CN 202011379024A CN 112556563 A CN112556563 A CN 112556563A
Authority
CN
China
Prior art keywords
monitoring
data
beidou
time sequence
deformation
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.)
Granted
Application number
CN202011379024.4A
Other languages
English (en)
Other versions
CN112556563B (zh
Inventor
刘翰林
李林超
杜博文
杜彦良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202011379024.4A priority Critical patent/CN112556563B/zh
Publication of CN112556563A publication Critical patent/CN112556563A/zh
Application granted granted Critical
Publication of CN112556563B publication Critical patent/CN112556563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • 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
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • G01S19/44—Carrier phase ambiguity resolution; Floating ambiguity; LAMBDA [Least-squares AMBiguity Decorrelation Adjustment] method

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供一种北斗定位长期监测数据的处理方法，包括以下步骤：S1：获得变形监测时间序列，并进行单历元异常值分析和剔除；S2：进行数据矩阵化处理；S3：进行周期性、半周期性波动及噪音分析，并移除周期性波动与噪音；S4：进行固定时间段的分段，并剔除非周期性共模误差；S5：进行数据重构拟合。本发明还提供一种北斗定位长期监测数据的处理系统，应用于实现所述的一种北斗定位长期监测数据的处理方法。本发明提供一种北斗定位长期监测数据的处理方法及系统，解决了目前的监测数据处理方法并没有考虑到监测时间序列内部的非周期位移信号实质为外部环境影响下的被监测物真实位移信号的问题。

Description

一种北斗定位长期监测数据的处理方法及系统
技术领域
本发明涉及卫星导航测量技术领域，更具体的，涉及一种北斗定位长期监测数据的处理方法及系统。
背景技术
近年来我国卫星监测系统在原有应用基础上得到了长足的发展，尤其是中国自主研发的北斗卫星导航系统在2020年7月进行全球组网。但是，北斗卫星导航技术由于面对监测领域的应用不同受到各类因素影响较大，导致测量精度在长期监测中不同情况下稳定性各不相同，影响了非测量专业人士对于北斗卫星长期监测技术的信任与该应用的进一步推广。
灾害变形前的长期缓慢变形监测是监测领域中主要集中的监测方向，现阶段基于工程应用的方法主要以基站为基准点的15km范围内北斗卫星高精度监测解算，由于很多领域要求的解算实时性与精度要求，采取基于北斗的短基线解算长期监测方法是一种恰当的测量技术方法，主流方法主要集中在整周模糊度求解，常用方法为模糊度函数法、宽窄巷技术、模糊度最小二乘搜索法、模糊度快速解算法、模糊度快速搜索滤波法、和基于最小二乘模糊度将相关平差法(LAMBDA算法)，根据短历元固定模糊度，求解序贯条件下的最小二乘解，基于模糊度去相关运算与整周模糊度搜索，构建目标函数并求取模糊度整数值，从而进一步得到厘米级或毫米级的精度。
但是目前的监测数据处理方法并没有考虑到监测时间序列内部的非周期位移信号实质为外部环境影响下的被监测物真实位移信号，直接影响监测精度。例如，高铁旁监测设备、大跨桥梁监测设备、高楼监测设备，此类被监测物，受到风速、列车荷载、载货荷载等外部影响，在测量学上有着真实位移，但是在监测学上，此类真实位移不能定义为被监测物变形，同时也不能仅仅简单给予阈值而限定。
现有技术中，如2015年2月25日公开的中国专利，短基线下惯导辅助的北斗单频整周模糊度求解方法，公开号为CN104375157A，能有效提高整周模糊度的求解速率和精度，适用于在单频北斗卫星系统条件下对高动态载体进行定位定姿，但没有考虑到监测时间序列内部的非周期位移信号实质为外部环境影响下的被监测物真实位移信号。
发明内容
本发明为克服目前的监测数据处理方法并没有考虑到监测时间序列内部的非周期位移信号实质为外部环境影响下的被监测物真实位移信号的技术缺陷，提供一种北斗定位长期监测数据的处理方法及系统。
为解决上述技术问题，本发明的技术方案如下：
一种北斗定位长期监测数据的处理方法，包括以下步骤：
S1：对北斗卫星监测得到的单历元观测值进行基于单历元的双差整周模糊度解算获得变形监测时间序列，并对变形监测时间序列进行单历元异常值分析和剔除，初步获得基于北斗监测站小时解的变形监测时间序列；
S2：对基于北斗监测站小时解的变形监测时间序列进行数据矩阵化处理，获得矩阵化的变形监测时间序列；
S3：对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析，并移除周期性波动与噪音，获得纠正后的坐标时间序列；
S4：对纠正后的坐标时间序列进行固定时间段的分段，获得多段坐标时间序列；并在多段坐标时间序列中剔除非周期性共模误差，获得标准的坐标时间序列；
S5：对标准的坐标时间序列进行数据重构拟合，得到变形时间序列曲线，完成对监测数据的处理。
优选的，设共有n座监测站，监测站的编号为i，i＝1，2，3，…，n，xj为第j历元的相对解，共有N个历元，j＝2，3，4，…，N-1；
在步骤S1中，对变形监测时间序列进行单历元异常值分析和剔除包括以下步骤：
S1.1：根据相对解xj依次计算出相应的判定值ym：
ym＝2xj-(xj+1+xj-1)
其中，判定值序号m＝1，2，…，N-2；
S1.2：计算相对解的均值
Figure BDA0002808872300000021
和方差σ；
S1.3：计算出标准值zm，根据标准值zm判断出相应的变形监测时间序列是否为异常值，并剔除异常值。
优选的，在步骤S1.3中，标准值zm的计算公式为：
Figure BDA0002808872300000031
当zm＞3，则判断相应的变形监测时间序列为异常值。
优选的，在步骤S1.3中，标准值zm的计算公式为：
Figure BDA0002808872300000032
当zm＞1.7，则判断相应的变形监测时间序列为异常值。
优选的，在步骤S3中，基于自适应对应模态阶数白噪声的完备经验模态分解方法对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析。
优选的，在步骤S4中，
设ni代表各监测站，其中ni＝(x1，x2，…xm)代表各监测站处理后的相对位移，设定分段数值基准并将监测站ni中的坐标时间序列共被分为C段，即有分段一阶函数
Figure BDA0002808872300000033
则整个监测网处理得到各监测站分段一阶函数矩阵为
Figure BDA0002808872300000034
选取监测网中的中心监测站的分段一阶函数均值
Figure BDA0002808872300000035
作为参考值，当
Figure BDA0002808872300000036
则认定相应的分段一阶函数为非周期性共模误差，予以剔除；
其中，分段序号c＝1，2，…，C。
优选的，坐标时间序列的分段数值基准范围为24至168。
优选的，在步骤S5中，
当外部影响较大时，根据步骤S4中分段一阶函数中的分段数值基准的1/2、1/4或1/8，选取分段后一阶函数矩阵
Figure BDA0002808872300000037
计算相邻斜率，并基于最小二乘法方法予以重构拟合，得到变形时间序列曲线。
优选的，还包括采用信噪比和相关系数判定变形时间序列曲线的准确性，具体为：
取相关系数
Figure BDA0002808872300000041
其中，cov为数据的协方差，σ为方差；
取信噪比
Figure BDA0002808872300000042
其中，mi(t)表示带有噪声的各监测站原始数据，Rin(t)表示处理并重构后的各监测站数据，N表示时间序列长度，i为监测站，i＝1，2，3，…，n。
一种北斗定位长期监测数据的处理系统，应用于实现所述的一种北斗定位长期监测数据的处理方法，包括北斗数据存储模块、数据匹配模块、北斗数据处理模块、时间序列数据处理模块和监测识别模块；
所述北斗数据存储模块的输出端与所述数据匹配模块的输入端连接，所述数据匹配模块的输出端与所述北斗数据处理模块的输入端连接，所述北斗数据处理模块的输出端与所述时间序列数据处理模块的输入端连接，所述时间序列数据处理模块的输出端与所述监测识别模块的输入端连接；
所述北斗数据存储模块存储有北斗设备采集的定位单历元观测值和基站数据；
所述数据匹配模块用于从各北斗监测站与各北斗基站进行基于时间序列的数据匹配，同时对监测站之间数据初步结果进行匹配；
所述北斗数据处理模块用于将北斗数据进行基于融合lambda算法的短基线双差单历元北斗解，并进行异常值剔除；
所述时间序列数据处理模块用于进行基于改进型经验模态分解的周期性与半周期性波动及噪音分析，并移除周期性波动与噪音；
所述监测识别模块用于对受到外部环境影响的各监测站数据进行遍历处理并进行判定与剔除，然后进行分段函数重构，最终输出变形时间序列曲线。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种北斗定位长期监测数据的处理方法及系统，剔除了变形监测时间序列的非变形的周期性波动及噪音，还采取分段函数分析并剔除了非周期性共模误差，最后通过数据重构拟合得到变形时间序列曲线，不仅将时间序列内部的非周期信号考虑为外部环境影响下的被监测物真实位移信号，还避免了有效数据的损失，增加了监测时间序列的稳定性。
附图说明
图1为本发明的技术方案实施步骤流程图；
图2为本发明的模块连接示意图；
其中：1、北斗数据存储模块；2、数据匹配模块；3、北斗数据处理模块；4、时间序列数据处理模块；5、监测识别模块。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种北斗定位长期监测数据的处理方法，包括以下步骤：
S1：针对原始短基线基于北斗卫星监测单历元观测值，且基站监测区域应用大部分小于15km，最多不超过20km，通过采取短基线单历元解，结合LAMBDA算法实现单历元模糊度固定基站进行基于单历元的双差整周模糊度解算得到监测站相对基站的南北、东西及高度坐标值作为变形监测时间序列，并以小时为单位对变形监测时间序列进行单历元异常值分析和剔除，初步获得基于北斗监测站小时解的变形监测时间序列；
S2：对基于北斗监测站小时解的变形监测时间序列进行数据矩阵化处理，获得矩阵化的变形监测时间序列，以便于进行分析；
S3：对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析，并移除周期性波动与噪音，获得纠正后的坐标时间序列；
S4：对纠正后的坐标时间序列进行固定时间段的分段，获得多段坐标时间序列；并在多段坐标时间序列中剔除非周期性共模误差，获得标准的坐标时间序列；
S5：对标准的坐标时间序列进行数据重构拟合，得到变形时间序列曲线，完成对监测数据的处理。
在具体实施过程中，基于单历元的双差整周模糊度解算结果可通过不同主流方法求出。由于电离层干扰、数据跳跃等影响，会导致变形监测时间序列有明显异常，需要进行分析和剔除。
更具体的，设共有n座监测站，监测站的编号为i，i＝1，2，3，…，n，xj为第j历元的相对解，共有N个历元，j＝2，3，4，…，N-1；
在步骤S1中，对变形监测时间序列进行单历元异常值分析和剔除包括以下步骤：
S1.1：根据相对解xj依次计算出相应的判定值ym：
ym＝2xj-(xj+1+xj-1)
其中，判定值序号m＝1，2，…，N-2；
S1.2：计算相对解的均值
Figure BDA0002808872300000061
和方差σ；
S1.3：计算出标准值zm，根据标准值zm判断出相应的变形监测时间序列是否为异常值，并剔除异常值。
更具体的，在步骤S1.3中，标准值zm的计算公式为：
Figure BDA0002808872300000062
当zm＞3，则判断相应的变形监测时间序列为异常值。
更具体的，在步骤S1.3中，标准值zm的计算公式为：
Figure BDA0002808872300000063
当zm＞1.7，则判断相应的变形监测时间序列为异常值。
更具体的，在步骤S3中，基于自适应对应模态阶数白噪声的完备经验模态分解方法对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析。
在具体实施过程中，通过基于自适应对应模态阶数白噪声的完备经验模态分解方法获得降噪后的时间序列，该方法主要去除周期性信号与降噪，其中，求解第k阶模态函数，取n(t)为t时刻方差为常数的白噪声，重复求解信号一阶残差值r1与一阶模态分量c1，在一阶残差值添加噪声，rk为第k阶残差值，第k阶添加噪声为γk＝βknk+1(t)；其中，βk为模态分解中选取的高斯白噪声第k阶信噪比，nk+1(t)为第k+1阶的t时刻方差为常数的白噪声；重组函数为Rk(n)＝rk+γk，重复步骤求解，Re(Rk(n))为经验模态分解后残差信号的运算，建立k阶模态函数。基于自适应对应模态阶数白噪声的完备经验模态分解方法解决了模态混叠与非真实的模态分量问题，及同模态分量下出现同一模态的不完全伪分量，实际应用中也被证明为该短基线扰动较大场景中适合的模态分解分析方法。
更具体的，在步骤S4中，
设ni代表各监测站，其中ni＝(x1，x2，…xm)代表各监测站处理后的相对位移，鉴于监测区域为短基线相对区域较小，各监测站均能对其扰动有较相似的位移记录，设定分段数值基准为24并将监测站ni中的坐标时间序列共被分为C段，即有分段一阶函数
Figure BDA0002808872300000071
则整个监测网处理得到各监测站分段一阶函数矩阵为
Figure BDA0002808872300000072
选取监测网中的中心监测站的分段一阶函数均值
Figure BDA0002808872300000073
作为参考值，当
Figure BDA0002808872300000074
则认定相应的分段一阶函数为非周期性共模误差，予以剔除；
其中，分段序号c＝1，2，…，C。
在具体实施过程中，共模误差处理是基于物体传递规律及真实运动计算，需要对各监测站进行时间分段，主要针对解决外部真实影响。外部真实影响对较小区域内各监测站具有物理位移影响的传递性质，具有明显的时间传递规律。
更具体的，坐标时间序列的分段数值基准范围为24至168。
在具体实施过程中，规律扰动影响时间较短的在2小时，较长的也基本不超过2天，规律扰动引起的位移具有一定规律。因此，在分段数值基准为24的监测分段基础上，可选取更大的168监测数据，实际运算中最好不超过168。
更具体的，在步骤S5中，
当外部影响较大时，根据步骤S4中分段一阶函数中的分段数值基准的1/2、1/4或1/8，选取分段后一阶函数矩阵
Figure BDA0002808872300000075
计算相邻斜率，并基于最小二乘法方法予以重构拟合，得到变形时间序列曲线。
更具体的，还包括采用信噪比和相关系数判定变形时间序列曲线的准确性，具体为：
取相关系数
Figure BDA0002808872300000081
其中，cov为数据的协方差，σ为方差；
取信噪比
Figure BDA0002808872300000082
其中，mi(t)表示带有噪声的各监测站原始数据，Rin(t)表示处理并重构后的各监测站数据，N表示时间序列长度，i为监测站，i＝1，2，3，…，n。
在具体实施过程中，r与SNR值越高即降噪效果越好。
实施例2
如图2所示，一种北斗定位长期监测数据的处理系统，应用于实现所述的一种北斗定位长期监测数据的处理方法，包括北斗数据存储模块1、数据匹配模块2、北斗数据处理模块3、时间序列数据处理模块4和监测识别模块5；
所述北斗数据存储模块1的输出端与所述数据匹配模块2的输入端连接，所述数据匹配模块2的输出端与所述北斗数据处理模块3的输入端连接，所述北斗数据处理模块3的输出端与所述时间序列数据处理模块4的输入端连接，所述时间序列数据处理模块4的输出端与所述监测识别模块5的输入端连接；
所述北斗数据存储模块1存储有北斗设备采集的定位单历元观测值和基站数据；
所述数据匹配模块2用于从各北斗监测站与各北斗基站进行基于时间序列的数据匹配，同时对监测站之间数据初步结果进行匹配；
所述北斗数据处理模块3用于将北斗数据进行基于融合lambda算法的短基线双差单历元北斗解，并进行异常值剔除；
所述时间序列数据处理模块4用于进行基于改进型经验模态分解的周期性与半周期性波动及噪音分析，并移除周期性波动与噪音；
所述监测识别模块5用于对受到外部环境影响的各监测站数据进行遍历处理并进行判定与剔除，然后进行分段函数重构，最终输出变形时间序列曲线。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种北斗定位长期监测数据的处理方法，其特征在于，包括以下步骤：
S1：对北斗卫星监测得到的单历元观测值进行基于单历元的双差整周模糊度解算获得变形监测时间序列，并对变形监测时间序列进行单历元异常值分析和剔除，初步获得基于北斗监测站小时解的变形监测时间序列；
S2：对基于北斗监测站小时解的变形监测时间序列进行数据矩阵化处理，获得矩阵化的变形监测时间序列；
S3：对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析，并移除周期性波动与噪音，获得纠正后的坐标时间序列；
S4：对纠正后的坐标时间序列进行固定时间段的分段，获得多段坐标时间序列；并在多段坐标时间序列中剔除非周期性共模误差，获得标准的坐标时间序列；
S5：对标准的坐标时间序列进行数据重构拟合，得到变形时间序列曲线，完成对监测数据的处理。
2.根据权利要求1所述的一种北斗定位长期监测数据的处理方法，其特征在于，设共有n座监测站，监测站的编号为i，i＝1,2,3,…,n，xj为第j历元的相对解，共有N个历元，j＝2,3,4,…,N-1；
在步骤S1中，对变形监测时间序列进行单历元异常值分析和剔除包括以下步骤：
S1.1：根据相对解xj依次计算出相应的判定值ym：
ym＝2xj-(xj+1+xj-1)
其中，判定值序号m＝1,2,…,N-2；
S1.2：计算相对解的均值
Figure FDA0002808872290000012
和方差σ；
S1.3：计算出标准值zm，根据标准值zm判断出相应的变形监测时间序列是否为异常值，并剔除异常值。
3.根据权利要求2所述的一种北斗定位长期监测数据的处理方法，其特征在于，在步骤S1.3中，标准值zm的计算公式为：
Figure FDA0002808872290000011
当zm>3，则判断相应的变形监测时间序列为异常值。
4.根据权利要求2所述的一种北斗定位长期监测数据的处理方法，其特征在于，在步骤S1.3中，标准值zm的计算公式为：
Figure FDA0002808872290000021
当zm>1.7，则判断相应的变形监测时间序列为异常值。
5.根据权利要求1所述的一种北斗定位长期监测数据的处理方法，其特征在于，在步骤S3中，基于自适应对应模态阶数白噪声的完备经验模态分解方法对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析。
6.根据权利要求1所述的一种北斗定位长期监测数据的处理方法，其特征在于，在步骤S4中，
设ni代表各监测站，其中ni＝(x1,x2,…xm)代表各监测站处理后的相对位移，设定分段数值基准并将监测站ni中的坐标时间序列共被分为C段，即有分段一阶函数
Figure FDA0002808872290000022
则整个监测网处理得到各监测站分段一阶函数矩阵为
Figure FDA0002808872290000023
选取监测网中的中心监测站的分段一阶函数均值
Figure FDA0002808872290000024
作为参考值，当
Figure FDA0002808872290000025
则认定相应的分段一阶函数为非周期性共模误差，予以剔除；
其中，分段序号c＝1,2,…,C。
7.根据权利要求6所述的一种北斗定位长期监测数据的处理方法，其特征在于，坐标时间序列的分段数值基准范围为24至168。
8.根据权利要求6所述的一种北斗定位长期监测数据的处理方法，其特征在于，在步骤S5中，
当外部影响较大时，根据步骤S4中分段一阶函数中的分段数值基准的1/2、1/4或1/8，选取分段后一阶函数矩阵
Figure FDA0002808872290000026
计算相邻斜率，并基于最小二乘法方法予以重构拟合，得到变形时间序列曲线。
9.根据权利要求1所述的一种北斗定位长期监测数据的处理方法，其特征在于，还包括采用信噪比和相关系数判定变形时间序列曲线的准确性，具体为：
取相关系数
Figure FDA0002808872290000031
其中，cov为数据的协方差，σ为方差；
取信噪比
Figure FDA0002808872290000032
其中，mi(t)表示带有噪声的各监测站原始数据，Rin(t)表示处理并重构后的各监测站数据，N表示时间序列长度，i为监测站，i＝1,2,3,…,n。
10.一种北斗定位长期监测数据的处理系统，其特征在于，包括北斗数据存储模块(1)、数据匹配模块(2)、北斗数据处理模块(3)、时间序列数据处理模块(4)和监测识别模块(5)；
所述北斗数据存储模块(1)的输出端与所述数据匹配模块(2)的输入端连接，所述数据匹配模块(2)的输出端与所述北斗数据处理模块(3)的输入端连接，所述北斗数据处理模块(3)的输出端与所述时间序列数据处理模块(4)的输入端连接，所述时间序列数据处理模块(4)的输出端与所述监测识别模块(5)的输入端连接；
所述北斗数据存储模块(1)存储有北斗设备采集的定位单历元观测值和基站数据；
所述数据匹配模块(2)用于从各北斗监测站与各北斗基站进行基于时间序列的数据匹配，同时对监测站之间数据初步结果进行匹配；
所述北斗数据处理模块(3)用于将北斗数据进行基于融合lambda算法的短基线双差单历元北斗解，并进行异常值剔除；
所述时间序列数据处理模块(4)用于进行基于改进型经验模态分解的周期性与半周期性波动及噪音分析，并移除周期性波动与噪音；
所述监测识别模块(5)用于对受到外部环境影响的各监测站数据进行遍历处理并进行判定与剔除，然后进行分段函数重构，最终输出变形时间序列曲线。
CN202011379024.4A 2020-11-30 2020-11-30 一种北斗定位长期监测数据的处理方法及系统 Active CN112556563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011379024.4A CN112556563B (zh) 2020-11-30 2020-11-30 一种北斗定位长期监测数据的处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011379024.4A CN112556563B (zh) 2020-11-30 2020-11-30 一种北斗定位长期监测数据的处理方法及系统

Publications (2)

Publication Number Publication Date
CN112556563A true CN112556563A (zh) 2021-03-26
CN112556563B CN112556563B (zh) 2022-03-29

Family

ID=75046729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011379024.4A Active CN112556563B (zh) 2020-11-30 2020-11-30 一种北斗定位长期监测数据的处理方法及系统

Country Status (1)

Country Link
CN (1) CN112556563B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279311A (zh) * 2021-12-27 2022-04-05 深圳供电局有限公司 一种基于惯性的gnss变形监测方法与系统
CN115421172A (zh) * 2022-11-04 2022-12-02 南京市计量监督检测院 一种基于实时与准实时结合的北斗变形监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103148813A (zh) * 2013-01-31 2013-06-12 湖南致力地质资源环境工程科技有限公司 用于处理gps变形监测数据的方法
CN103471544A (zh) * 2013-09-18 2013-12-25 柳州天运寰通科技有限公司 一种基于北斗的高精度位移形变监测应用系统
CN106066901A (zh) * 2016-04-22 2016-11-02 中南大学 一种gnss自动化变形监测的基准点稳定性分析方法
CN108646266A (zh) * 2018-05-14 2018-10-12 中铁八局集团昆明铁路建设有限公司 基于北斗高精度定位的建筑施工精准控制系统和方法
CN109299170A (zh) * 2018-10-25 2019-02-01 南京大学 一种针对带标签时间序列数据的补全方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103148813A (zh) * 2013-01-31 2013-06-12 湖南致力地质资源环境工程科技有限公司 用于处理gps变形监测数据的方法
CN103471544A (zh) * 2013-09-18 2013-12-25 柳州天运寰通科技有限公司 一种基于北斗的高精度位移形变监测应用系统
CN106066901A (zh) * 2016-04-22 2016-11-02 中南大学 一种gnss自动化变形监测的基准点稳定性分析方法
CN108646266A (zh) * 2018-05-14 2018-10-12 中铁八局集团昆明铁路建设有限公司 基于北斗高精度定位的建筑施工精准控制系统和方法
CN109299170A (zh) * 2018-10-25 2019-02-01 南京大学 一种针对带标签时间序列数据的补全方法
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279311A (zh) * 2021-12-27 2022-04-05 深圳供电局有限公司 一种基于惯性的gnss变形监测方法与系统
CN114279311B (zh) * 2021-12-27 2024-08-16 深圳供电局有限公司 一种基于惯性的gnss变形监测方法与系统
CN115421172A (zh) * 2022-11-04 2022-12-02 南京市计量监督检测院 一种基于实时与准实时结合的北斗变形监测方法

Also Published As

Publication number Publication date
CN112556563B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN112556563B (zh) 一种北斗定位长期监测数据的处理方法及系统
CN112229406B (zh) 一种多余度引导全自动着陆信息融合方法及系统
CN106908668B (zh) 一种实测地面合成电场数据的处理方法及系统
CN114444187B (zh) 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法
CN113281744B (zh) 基于假设检验和自适应形变模型的时序InSAR方法
CN115451803B (zh) 基于gnss与测量机器人融合的水闸实时监测预警方法
CN114912551A (zh) 面向桥梁变形监测的gnss和加速度计实时融合算法
CN107831516B (zh) 融合gnss和地面监测网获取大坝实时高精度位移的方法
CN111175709B (zh) 一种基于误差抑制的面向大范围气象雷达的拼图方法
CN114463932A (zh) 非接触式施工安全距离主动动态识别预警系统及方法
CN114818826B (zh) 基于轻量级Vision Transformer模块的故障诊断方法
CN115856963A (zh) 基于深度神经网络学习的高精度定位算法
CN113407524A (zh) 气候系统模式多圈层耦合资料同化系统
CN110580325B (zh) 一种泛在定位信号多源融合方法及系统
CN115546223A (zh) 一种列车车下设备紧固螺栓的缺失检测方法和系统
CN117214929A (zh) 一种基于聚类分析的gnss数据处理方法、系统及设备
CN117091565B (zh) 一种基于卫星定位的桥梁沉降检测方法、设备及系统
CN114169215A (zh) 一种耦合遥感与区域气象模式的地表温度反演方法
CN117029881A (zh) 基于注意力机制卷积神经网络的冗余陀螺仪标定方法
CN109460599B (zh) 一种装配特征偏差的传递量化分析方法及系统
CN113624219A (zh) 基于optics算法的磁罗盘椭圆拟合误差补偿方法
CN112700007A (zh) 电离层电子含量预报模型的训练方法、预报方法及装置
CN117526318B (zh) 配电网状态评估方法、装置、电子设备、存储介质
CN117314783B (zh) 基于多级去噪网络的卫星闪电成像虚警信号滤除方法
CN115062270B (zh) 基于最大似然的缺失值填充的传感器数据处理方法

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