区域GPS网共模误差的提取与分析

区域GPS网坐标时间序列中存在共模误差,掩盖了测站自身的形变特征.通过主成分分析和小波谱分析对山东CORS内15个站点组成的区域GPS网进行了空间滤波,提取其共模误差并得到共模误差的频率特征.滤波后各测站相对ANQI站的相关系数在N、E、U三个坐标分量上分别平均下降了74%、85%和75%.结果发现,共模误差序列中存在年周期、半年周期、季节性周期和月周期信号,各周期信号的强度和信号出现的时间也不尽相同;电离层、对流层、潮汐等原因引起的误差是共模误差产生主要原因.     

GPS连续站水平位置时间序列共模白噪声识别与估计的欧拉-滤波法

根据GPS误差的特征,以天津地区连续观测资料为例,提出了在局域空间尺度上采用欧拉-滤波法来识别与估计共模误差,结果表明:GPS连续站水平向时序观测资料包含着非常明显的共模误差;综合利用欧拉-滤波法可以对共模误差中的白噪声做出较有效的估计;测站的综合白噪声、共模白噪声、测站自身白噪声大小的统计比例约为2.0∶1.7∶1.0。通过对观测值的修正,信噪比可提高1倍。     

一种抑制混合噪声的灰色关联滤波算法

在传统中值、均值滤波算法的基础上借鉴灰色关联理论,提出了一种有效抑制混合噪声的滤波算法.算法采用窗口自适应策略,先统计3×3滤波窗口内椒盐噪声点数目,如果数目大于7,则扩大窗口至5×5.计算各点关联系数,将滤波窗内非椒盐噪声点的灰度值作为比较序列,它们的中值或均值作为参考序列,对于椒盐噪声的滤除参考序列使用中值,对于高斯噪声的滤除使用均值作为参考序列.然后将各非噪声点灰度值与关联系数加权运算,得出的灰度值替换噪声点像素值.通过实验验证了几种算法的性能差别,证实了算法具有较强的去噪能力和边缘保护效果.     

一种基于叠加弱能量训练序列的OFDM时间同步算法

针对正交频分复用(orthogonal frequency division multiplexing,OFDM)系统对定时误差敏感,从叠加训练序列结构出发,提出了一种弱能量训练序列.该训练序列只叠加在循环前缀上,且比普通的重复结构训练序列能量要低,能降低由于叠加训练序列对系统误码率的影响,还能利用训练序列的结构特点降低相关峰值旁瓣对同步判决的影响,提高了时间同步的准确率.在低信噪比时采用该训练序列结构,同步准确率高于采用普通重复结构训练序列的同步方法,最后通过计算机仿真验证了该方法的有效性.     

基于最小平方线性估计的GPS精度改进算法

针对全球定位系统(GPS)的精度,提出了一种基于简化误差模型的线性最小平方估计方法,通过对漂移数据进行共模抑制结合LMS滤波实现,得到了较高的精度。这种方法要求的计算量不大,便于低成本终端的实现。     

灰色斜率关联度的改进

研究了单指标数据序列的几种无量纲化变换及其性质，提出了一种对灰色斜率关联度的改进模型，改进后的关联度能够反映序列的正、负相关关系，并且对原始序列进行无量纲化变换处理时不影响关联系数及关联度的值，还研究了改进的关联度及关联系数的性质。该方法充分利用了序列各时点的信息及正、负相关性，所得关联分析结果较为客观可靠，并且易于在计算机上实现。     

一种基于叠加弱能量训练序列的OFDM时间同步算法

针对正交频分复用(orthogonal frequency division multiplexing,OFDM)系统对定时误差敏感,从叠加训练序列结构出发,提出了一种弱能量训练序列。该训练序列只叠加在循环前缀上,且比普通的重复结构训练序列能量要低,能降低由于叠加训练序列对系统误码率的影响,还能利用训练序列的结构特点降低相关峰值旁瓣对同步判决的影响,提高了时间同步的准确率。在低信噪比时采用该训练序列结构,同步准确率高于采用普通重复结构训练序列的同步方法,最后通过计算机仿真验证了该方法的有效性。     

奇异谱分析在GPS站坐标监测序列分析中的应用

利用SSA(奇异谱分析)对测站坐标时间序列进行数据处理,包括数据补缺、趋势项和周期项的识别和提取.奇异谱分析是一种从时间序列的动力重构出发并与经验正交函数相联系的统计技术,可以较好地从含噪声的有限尺度时间序列中提取趋势和周期等信息,目前已应用于多种时间序列的分析中.将奇异谱分析的优点应用到GPS时间序列分析中:利用奇异谱分析对中国地壳运动观测网络GPS数据服务提供的测站坐标(NEU)时间序列(以BJFS(北京房山)站为例)进行补缺,各向插补的均方误差均为mm级;根据降噪重构序列提取坐标时间序列中的趋势成分(N方向-11.688 mm·年-1,E方向29.585 mm·年-1,U方向2.557 mm·年-1)和周期成分(N,U方向上存在年周期和半年周期,U方向上还存在着1.5年和0.25年左右的周期,E方向上只存在年周期);对完整序列进行重构降噪,即从原始序列中提取有用信息而丢弃一些干扰信息,起着平滑作用.试验结果表明,BJFS站的各方向上均存在显著的变动周期和明显的趋势,也有较多的噪声信息.     

基于时变AR模型的GPS定位精度研究

定位精度是影响GPS卫星导航系统应用的重要因素之一.对时变参数模型TVAR进行了研究,并将其应用于GPS卫星导航系统的定位精度分析,以达到减小定位误差的目的.该方法针对定位序列的统计特性,利用时间序列分析方法建立预测模型,通过前面一段数据拟合的模型预测后面一段时间的数据趋势.数据实验结果验证了利用时变自回归方法进行GPS数据建模分析的有效性和可行性.     

Vondrak滤波法用于结构振动与GPS多路径信号的分离

根据Vondrak滤波法在信号的截断频带上具有较高信号分辨率的特点，将Vondrak带通滤波法应用于全球定位系统（GPS）结构变形监测中以分离结构振动和多路径效应的影响。对GPS实际观测资料进行分析，结果表明：采用该方法不仅能从坐标序列中成功提取结构振动信息，也能正确分离载波相位双差观测值的残差序列中的结构振动和多路径效应影响，因而在提高GPS定位精度上具有较大的应用潜力。     

基于时频分析的分布式拒绝服务攻击的自动检测

研究了分布式拒绝服务 (DDoS)攻击的特点 ,定义了流连接密度 (FCD)的概念 ,并证明了FCD时间序列的非平稳特性 .据此 ,提出了一种新的基于时频分析的自动检测DDoS攻击的方法 ,该方法采用平滑魏格纳 维利分布对FCD时间序列进行时频变换 ,将FCD时间序列转换为二维空间内的波动能量分布 ,并有效抑制了二次交叉项的影响 ,然后使用经过样本训练的K最近邻分类器进行攻击识别 .实验结果表明 ,该检测方法能够比较准确地识别DDoS攻击 ,识别误差主要出现在网络状态切换阶段 ,这对攻击识别的影响很小 ,识别误差率仅为 4 2 6 % .     

GPS/INS延时估计与基于残差重构的延时补偿算法

传感器采样延时是多传感器信息融合过程中面临的一个重要问题,全球定位系统/惯性导航系统(GPS/INS)的组合导航系统是智能汽车常用定位方式,但常面对GPS采样延时的问题,因而会造成对INS误差状态的错误估计,影响定位定速的精度.本文针对该问题,在传统的GPS/INS松耦合组合导航模型的基础上提出一种延时估计和补偿的算法.首先建立延时估计模型,估计时间同步误差,然后构建残差传播方程,利用残差重构的方式进行延时补偿,实现基于软件的时间同步.根据试验中对速度、位置误差及均方根误差的分析,改进的滤波算法有效地降低了GPS采样延时引入的误差,提高了定位和定速的精度.     

绳索长度误差对索网天线网面精度影响的分析方法

为分析绳索长度制造误差对索网天线网面精度的影响,提出了一种整体坐标迭代算法.该算法模拟了索网结构的自由节点在考虑绳索随机长度误差后向其他平衡状态运动的过程.分别使用该算法和有限元法分析了一个环形桁架天线计算模型,并将这两种算法的计算结果做了对比,验证了该算法的正确性、可行性和有效性.使用整体坐标迭代法分析了不同的误差分布、绳索长度公差和绳索预张力对网面精度的影响,并对网面综合误差与绳索长度误差、绳索预张力的关系进行了拟合分析,得到了满足工程需求的拟合关系式.     

同相叠加方法用于形变观测中降水影响排除初探

通过选取没有环境影响、系统运行稳定的永胜、楚雄、云县、昆明和云龙等台的形变观测数据,针对观测到的无仪器和环境而出现的典型异常图像,采用多台同相位异常与降水叠加的方法,进行降水干扰排除.结果表明:该方法能较好的识别观测曲线的变化是否为降水影响,是一种能有效排除降水对形变观测影响的方法;同时发现洞室覆盖层在50 m的形变观测仍受降水干扰,这一认识与建台规范给出的覆盖层为40 m的规定不同,可以为今后云南形变台站建设的选址提供新的参考依据.     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

基于petri网装配序列灰色聚类决策研究

利用petri网直观图形化特点建立装配模型,并根据petri网原理得出可行装配序列。影响可行装配序列的大部分因素是定性的、模糊的、非数值的,将装配序列看作灰色系统,采用灰色聚类决策方法对可行序列进行评估。分析了影响因素的灰色分类并且研究了灰色聚类决策步骤。实例分析表明,该方法为petri网原理所得可行序列进行正确的评估并且得出决策向量。     

基于多维泰勒网的自适应混沌时间序列多步预测

提出了一种新的混沌时间序列预测方法——多维泰勒网方法.该方法不以相空间重构方法中嵌入维数和时间延迟这两个关键参数的选取为前提,无需系统的先验知识和机理,仅根据已知的时间序列样本,通过多维泰勒网模型获得n元一阶多项式差分方程组,进而得到能反映非线性系统动力学特性的多维泰勒网动态模型.在此基础上提出了基于多维泰勒网的自适应多步预测方法,通过数据窗口的滑动自适应建模,实现对混沌时间序列的多步预测.将该方法应用于Lorenz混沌时间序列的一步和多步预测,均方误差分别达到2.56×10-5和2.76×10-3.仿真结果表明,该方法可以对混沌时间进行有效预测,且具有较高的预测精度.     

基于灰色关联的应力盘驱动力耦合度分析

提出基于灰色关联分析理论的能动磨盘各驱动器间耦合度分析方法。该方法选择某一驱动器策动力对应应力盘各测量点面形变化量为母序列、其它驱动器策动力对应面形变化量为子序列;运用初值化方法对序列进行预处理,进而计算各子序列的灰色关联系数;最后,由各子序列灰色关联系数计算灰色关联度。根据灰色关联度的内涵,本文选择关联度为其对母序列的耦合度,以实现应力盘各驱动器间耦合效应的定量计算,为深入分析应力盘控制系统,为制定合理的控制策略、方案提供了保证。对有效变形口径为420 mm,包含12个驱动器和60个微位移阵列传感器的能动磨盘进行了驱动器耦合度分析,分析结果与实际情况相吻合,表明模型能准确刻画驱动器间的耦合效应。     

改进灰色时序模型在建筑物变形监测中的应用

建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型(GM模型)与时间序列分析模型(AR模型)相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。     

结构监测系统中传感器故障判别方法

为了解决结构监测过程中,对传感器故障所引起异常测值难以准确识别的问题,基于灰色理论和模糊聚类方法提出了判别异常测值出现成因的方法,其原理是通过分析测值序列之间的相互联系来判断监测系统中传感器是否出现故障,通过构造灰色绝对关联度矩阵并将其作为模糊关系矩阵进行聚类分析.分析结果表明,当异常测值序列与其他测值序列的关联度有明显降低时,可初步判定该异常是由传感器故障引起.最后通过对润扬大桥北锚碇基底孔隙水压力测值的分析说明该方法可有效应用于实际工程.