L1范数探测粗差失效的观测量识别方法

粗差发生时,L_1范数估计求得的条件方程闭合差较最小二乘估计(LS)的残差更能集中反映粗差,从而有助于粗差的发现与定位。然而,存在一类观测值,虽然其具有粗差发现和定位能力,但在采用L_1范数估计解决粗差探测问题时,无论含有多大量级粗差都不能准确定位,为叙述方便,称其为L_1抗差性失效点(robustness failpoint in L_1-norm estimation,RFP-L_1)。显然,只有判定测量系统不存在RFP-L_1,或存在时能够准确判断其是否含有粗差,才能保证基于L_1的粗差探测结果的准确、可靠,此过程中,RFP-L_1的识别是问题解决的基础。本文由条件方程,推导出观测值粗差对条件方程闭合差绝对值和的影响系数计算式,得到了最小影响系数大小与观测值是否为RFP-L_1的判别关系,并探讨了存在RFP-L_1的测量系统设计矩阵数值特点,提出了判断RFP-L_1观测值的方法。仿真试验表明,最小影响系数反映了观测值粗差对L_1范数估计目标函数的影响大小,非RFP-L_1和RFP-L_1的最小影响系数具有分别等于1和小于1的规律性,同时得出,若观测方程中系数矩阵只有±1和0,对应的观测量均不属于RFP-L_1。     

L1范数最小法粗差探测与定位的研究

首先对Ｂａａｒｄａ法的原理和不足进行了讨论,提出用Ｌ１－范数解的残差直接构成统计量进行粗差探测与定位,通过实例对两种方法进行了比较,得到一些有用的结论。     

基于多通道奇异谱的GNSS坐标序列 粗差探测与数据插值

由于接收机故障、天线更换以及一些未知外界环境因素的影响,导致GPS时间序列中不可避免地存在数据缺失和粗差,数据缺失和粗差会产生各种问题,因此需要鲁棒探测粗差和缺失数据插值来获得连续完整统一的时间序列。传统方法可能需要针对不同类型的数据和不同长度的数据间隙研究不同的插值方法,这使得缺失数据的插值较为困难。针对上述问题,文中采用多通道奇异谱分析(Multichannel Singular Spectrum Analysis,MSSA)对时间序列进行粗差探测和缺失数据插值,重建非均匀采样时间序列的连续可靠模型,且不需要关于时间序列的任何先验信息。在该方法中,粗差探测与数据插值同时进行。模拟数据和实测GNSS时间序列数据测试结果都表明该方法的有效性。     

GNSS伪距粗差的开窗探测及修复

针对GNSS伪距观测粗差,提出一种基于同一卫星历史伪距时间序列的时间相关性、不同卫星伪距间的空间相关性的开窗粗差探测修复方法。以窗口内历史伪距时间序列分别预测当前各卫星伪距,得到各卫星伪距预测值和实测值的残差并将其标准化,再用各卫星伪距残差的变异系数来衡量不同卫星伪距间的空间相关性,通过伪距时间相关性和空间相关性构成膨胀因子进行粗差定位,并以窗口内伪距相关为原则进行粗差修复。试验证明,该方法能在线探测修复多种类型伪距粗差,并能合理处理不影响定位的等量跳变。     

等价条件闭合差最小范数分量的GNSS坐标时间序列噪声估计

为了精确高效地求解全球导航卫星系统（global navigation satellite system,GNSS）坐标时间序列噪声分量,结合等价条件平差模型以及最小范数二次无偏估计法,提出等价条件闭合差最小范数分量估计方法。首先,采用等价条件闭合差构造二次型方差估计公式,结合不变性、无偏性、最小范数准则等条件,导出基于等价条件闭合差的方差-协方差分量最小范数估计公式;然后,采用最小二乘方差分量估计（least-squares variance component estimation,LS-VCE）法、最小范数二次无偏估计法（minimum norm quadratic unbiased estimate,MINQUE）验证所提方法的正确性及有效性。通过模拟时间序列和北美GNSS站坐标时间序列的噪声估计结果发现,所提方法与LS-VCE法和MINQUE法的估计效果一致,但计算时间相较于LS-VCE法减少了70%以上。     

变系数回归的GNSS时间序列异常值探测方法

针对传统的基于谐波模型的异常值探测算法效率较低的问题,该文引入变系数回归模型替代谐波模型分离GNSS坐标时间序列的信号与噪声(残差),并提出了一种基于变系数回归(VCR)模型与四分位距(IQR)统计量的组合异常值探测算法VCR＿IQR。该算法首先采用VCR分离时间序列中的信号与噪声,接着采用IQR准则探测噪声中的异常值。将VCR＿IQR与传统基于谐波模型的异常值探测算法—最小二乘探测法(LS＿IQR)和最小一乘探测法(L1＿ModIQR)进行模拟实验对比分析,结果表明,VCR＿IQR能够探测到92%的异常值,而LS＿IQR和L1＿ModIQR仅能探测到81%和85%的异常值,表明VCR＿IQR的探测效率优于LS＿IQR和L1＿ModIQR。     

GNSS变形监测时间序列的改进型3σ粗差探测方法

针对全球导航卫星系统(global navigation satellite system,GNSS)变形监测时间序列中粗差多、大小分布区间大的特点,提出了一种基于小波分析的改进型3σ粗差探测方法。利用实验模拟数据和实际工程数据,分别对该方法的探测效果同常规3σ法和四分位间距(inter-quartile range,IQR)法进行对比。结果表明,改进型3σ粗差探测法相对于常规3σ法和IQR法,不仅在总体探测率上效果更好,而且对探测3σ~5σ粗差的优势更为明显,满足了高可靠性的GNSS变形监测实际需求。     

组合粗差探测的MHSS ARAIM算法

针对目前MHSS ARAIM (multiple hypothesis solution separation advanced receiver autonomous integrity monitoring)算法存在的抗差能力弱、计算子集过多、计算量过大等不足,提出一种组合粗差探测的MHSS ARAIM算法。该算法先用粗差探测方法对原始数据进行粗差识别与剔除,而后用MHSS ARAIM算法处理经粗差探测后的数据,可弥补MHSS ARAIM算法的不足。对若干IGS和全球连续监测评估系统iGMAS(international GNSS monitoring and assessment system)监测站观测数据进行计算和分析。结果表明:在航行LPV-200阶段,该算法应用于GPS和BDS导航的性能优于MHSS ARAIM;在假设单故障情况下,该算法对GPS和BDS观测数据的有效监视门限EMT(effective monitor threshold)的精度分别提高了22.47%和9.63%,对VPL(vertical protection level)的精度分别提高了32.28%和12.98%;在假设双故障情况下,对EMT的精度分别提高了80.85%和29.88%,对VPL的精度分别提高了49.66%和18.24%。     

改进的启发式分割算法在GNSS坐标时间序列阶跃探测中的应用

在启发式分割算法的基础上,引入z检验和标准正态均一性检验（standard normal homogeneity test,SNHT）,提出了一种新的阶跃探测法,并将其应用于20个陆态网（Crustal Movement Observation Network ofChina,CMONOC）和10个国际全球卫星导航系统服务（International Global Navigation Satellite System Ser-vice,IGS）参考站近5 a的坐标时间序列。结果显示,对于IGS站东（east,E）、北（north,N）、垂直（up,U）3个方向分量已知阶跃的平均准确探测率分别为68.5%、71.3%、64.8%,且利用阶跃点前后25 d初始拟合残差的平均值之差得到修复后的坐标时间序列保持了良好的连续性。基于剔除粗差后的坐标时间序列,利用坐标时间序列分析软件（coordinate time series analysis software,CATS）估计出的速度显示:对于由已知阶跃与改进算法探测出的阶跃历元的组合方式,所有测站E、N、U方向的估计速度与CMONOC官网发布的速度的平均偏差分别为2.86 mm/a、1.14 mm/a、2.31 mm/a,明显小于由已知阶跃和肉眼判断明显阶跃历元的组合方式获得的平均速度偏差。上述结果表明,改进的启发式分割算法可应用于坐标时间序列的阶跃探测。     

粗差探测与识别统计检验量的比较分析

LS估计对粗差非常敏感。在粗差的探测与识别理论体系中,通常采用正态检验、学生氏t检验以及τ检验等,笔者对此进行比较分析。标准化局部敏感度指标与标准化LS残差均可用来作正态检验,但研究表明,当观测量相关时,前者的检验功效大于后者。先验单位权方差因子未知时,可依据内部学生化残差及外部学生化残差分别进行τ检验和学生氏t检验。...     

L1范估计的巴尔达型检验及其可靠性

根据残差与真误差的Bahadur型关系,L1范估计中, 粗差几乎完全反映到相应的残差上,这就是L1范估计能正确定位粗差的原因.对L2范估计,粗差只是部分地反应到相应残差上,由此会导致粗差误判.根据L1范估计的残差及其方差, 构造了L1范估计的巴尔达检验统计量, 并讨论了L1范估计的可靠性.与L2范估计的可靠性比较,L1范估计的可靠性受多余观测的影响小.     

改进的启发式分割算法在GNSS坐标时间序列阶跃探测中的应用

针对全球卫星导航系统(global navigation satellite system, GNSS)基准站坐标时间序列中有色噪声影响测站运动参数估计精度的问题, 提出了一种以小波包变换为基础、利用信息熵理论剔除有色噪声的方法。首先, 以有色噪声中的闪烁噪声为例, 对包含闪烁噪声的仿真时间序列进行噪声估计, 检验闪烁噪声的估计精度。然后, 对仿真时间序列的残差序列分别进行离散小波变换和小波包变换, 利用信息熵理论剔除闪烁噪声, 并比较两种方法的去噪效果。最后, 采用KMIN站的坐标时间序列作为实测数据, 进一步验证小波包系数信息熵的去噪效果。实验结果表明, 利用小波包系数信息熵剔除的有色噪声与原有色噪声在频域以及时域均具有较好的一致性, 所提方法能够有效地剔除残差序列中的有色噪声, 仅余白噪声。     

基于功率谱和小波谱在GNSS时间序列信号探测分析中的应用

GNSS坐标在观测过程中受多方面因素影响,产生各种误差,存在一些波动变化,根据波动变化特征可以分析探测存在的信号。本文主要利用功率谱、小波谱和小波熵对GNSS原始、去趋势项、差分处理3种情况下时间序列进行分析,通过对比显示,小波谱和小波熵对于非平稳信号探测比功率谱分析能力强,GNSS时间序列存在一个趋势项和一个年周期信号。     

一种基于时序数据的动态聚类分析方法

本文基于灰色关联度和模糊聚类分析原理及多目标决策技术,提出了一种基于时间序列数据的动态聚类分析方法,并以复杂的城市化进程为例加以应用,得出了一些有意义的结果。实践证明,该方法适合于多指标、多时段的(复杂)动态系统建模。     

基于滑动L2优化准则的GPS坐标时间序列重构

GPS坐标时间序列中不仅包含白噪声,还包含闪烁噪声、随机漫步噪声等有色噪声,这些噪声将影响GPS应用的可靠性,甚至可能对一些地球物理现象做出错误的解释,因此降低GPS坐标时间序列中有色噪声的影响、提高GPS精度是一个重要和基本的问题。提出了一种滑动L₂优化估计方法(ML₂),通过选取合适的窗口建立L₂优化模型,再利用交替迭代乘子法求解每段时间序列的优化问题,并逐年滑动得到整段GPS坐标时间序列的估计。实验结果表明,ML₂方法与奇异谱分析、小波分解、滑动普通最小二乘法相比具有更好的重构效果。     

非差模式的GNSS数据并行解算设计及实现

基于精密单点定位技术的非差模式是当前GNSS数据处理的主要策略之一。随着测站规模的增大,非差模式的处理时间也线性递增,传统的串行处理方法需消耗大量的计算时间。采用工厂模式和责任链模式实现了非差精密单点定位;利用轻量级的并行编程技术从底层设计并实现了基于任务的非差多核并行解算;进一步在网络多节点环境中建立并发布非差计算服务,实现了网络多节点协同并行解算GNSS数据。通过大量数据的测试与试验,验证了多核多节点的非差并行解算方案的高效性。试验结果表明,单节点多核并行、双节点网络并行、四节点网络并行、六节点网络并行的计算效率分别比单节点串行方案平均提高了2.74,5.30,9.38和14.69倍。     

一种利用多时相TM影像分析地表植被变化的新方法：——以敦煌地区绿洲植 …

变化分析是多时相遥感影像的主要应用领域。以敦煌绿洲为例,探讨一种应用多时相ＴＭ影像进行地表植被变化分析的新方法。结果证明,用不同时相的ＮＤＶＩ影像进行彩色合成可以直观地反映地表植被的变化,而利用色彩变换得到的各分量可以对变化特点进行定量分析。其中色度反映变化类型,饱和度反映变化强度,而亮度图像则反映地表植被多年来的总体长势。除了直观和定量的特性之外,该方法还可以用于其它类型的变化分析,具有可扩展性     

一种利用多时相TM影像分析地表植被变化的新方法--以敦煌地区绿洲植被变化分析为例

变化分析是多时相遥感影像的主要应用领域。以郭煌绿洲为例 ,探讨一种应用多时相TM影像进行地表植被变化分析的新方法。结果证明 ,用不同时相的NDVI影像进行彩色合成可以直观地反映地表植被的变化 ,而利用色彩变换得到的各分量可以对变化特点进行定量分析。其中色度反映变化类型 ,饱和度反映变化强度 ,而亮度图像则反映地表植被多年来的总体长势。除了直观和定量的特性之外 ,该方法还可以用于其它类型的变化分析 ,具有可扩展性     

基于HSV与PCA集成的高分影像高大地物阴影检测方法

针对水体、偏蓝色地物会影响高分影像阴影检测精度,本文提出了一种适用于GF-1影像的城市高大地物阴影检测方法。首先,在统计分析GF-1影像中阴影、水体及深色地物等典型地物光谱特征的基础上,利用主成分变换方法分割阴影与非阴影区域,分离后的阴影区域含有水体、深色地物信息;其次,对HSV色彩空间的V分量利用阈值法分割阴影和非阴影区域,分离后结果含有暗色植被,但不含有水体跟深色地物信息。最后,对两次计算结果进行逻辑与运算,从而剔除混合阴影区域中水体、深色地物以及暗色植被等信息,获得高精度阴影区信息。实验表明,该方法具有较好的普适性和可操作性,既能够削弱水体、偏蓝色地的影响,又能够高效、准确地提取出GF-1影像中的阴影信息。