随机模型对IGS站速度及其不确定度影响分析

针对随机模型对站速度的影响,该文以45个国际GNSS服务(IGS)核心站坐标时间序列为研究对象,提出基于Fisher信息矩阵的KIC噪声模型估计准则,对WN、PL、FN+WN、FN+RW、FN+WN+RW备选随机模型进行分析。探讨不同随机模型对IGS站速度及其不确定度估计的影响。结果表明,IGS站坐标时间序列随机模型呈现出多样性,在进行噪声模型估计及其速度应用时应选择足够代表IGS随机模型的备选噪声模型。不同随机模型对IGS站速度估计值的相对影响较小,但对速度不确定度估计值影响不可忽略,尤其是RW分量对站速度不确定度的影响更加明显。     

GPS高程时间序列降噪分析的改进EMD方法

针对经验模态分解(empirical mode decomposition,EMD)降噪过程中不能直接确定分界本征模态函数(intrinsic mode function,IMF)的K值,以及当高频噪声IMF分量个数少于低频IMF分量个数时,利用低频信号重构实现降噪的计算量较大等问题,提出一种新的EMD降噪方法。采用平均周期与能量密度乘积指标的方法来自动确定分界IMF的K值,将高频噪声IMF分量进行重构,然后用原始信号减去重构噪声,从而达到降噪的目的。利用模拟数据和BJFS站的实测GPS高程时间序列数据进行验证。实验结果表明,该方法能够直接确定分界IMF的K值,降低计算量,在GPS高程时间序列降噪中较传统EMD方法更可靠。