三种GNSS高程时序降噪方法的效果对比分析

范小猛; 胡川; 张重阳; 李成洪

doi:10.12265/j.gnss.2021090701

三种GNSS高程时序降噪方法的效果对比分析

doi: 10.12265/j.gnss.2021090701

重庆交通大学土木工程学院, 重庆 400074

基金项目: 重庆市基础科学与前沿技术研究(一般)项目(cstc2017jcyjAX0102)；重庆市教委科学技术研究(KJ1705132)；2016、2017年重庆交通大学高层次人才科研启动项目(16JDKJC-A025,17JDKJC-A207)；重庆交通大学研究生科研创新项目(CYS21341).

详细信息

作者简介:
范小猛：(1995—)，男，硕士，研究方向为GNSS数据处理及应用

胡川：(1983—)，男，博士，副教授，研究方向为大地测量数据处理

张重阳：(1998—)，男，硕士，研究方向为大地测量数据处理

李成洪：(1996—)，男，硕士，研究方向为图像处理算法及应用

通讯作者:
范小猛 E-mail: fanxiaomeng0809@163.com

中图分类号: P228
计量
- 文章访问数: 358
- HTML全文浏览量: 161
- PDF下载量: 28
- 被引次数: 0
出版历程
- 收稿日期: 2021-09-07
- 网络出版日期: 2022-02-28

Comparison of three noise reduction methods for GNSS elevation time series

School of Civil Engineering, Chongqing Jiaotong University, Chongqing 400074, China

摘要

摘要: 为了探究经验模态分解(EMD)、整体经验模态分解(EEMD)和小波降噪三种方法的降噪性能，以中国区6个国际GNSS服务(IGS)站高程分量的5 a、10 a和20 a时序数据为例，对它们的降噪结果进行比较分析. 首先利用线性拟合分离趋势项，并采用3σ准则剔除异常值，得到满足符合降噪要求的样本序列；然后分别用这三种方法分离样本序列中的噪声，得到降噪后的序列；最后以信噪比(SNR)、相关系数、均方根误差(RMSE)为评价指标比较分析它们的降噪性能. 实验结果表明：1)当坐标时间序列质量较差时，EEMD和小波降噪可以很好的分离噪声；2)对于5 a和10 a时序数据，小波降噪的效果最好；对于20 a时序数据，EEMD和小波降噪效果接近，优于EMD；3)小波降噪抑制有色噪声的能力最佳.
- 全球卫星导航系统(GNSS)坐标时间序列 /
- 经验模态分解(EMD) /
- 整体经验模态分解(EEMD) /
- 小波降噪
Abstract: In order to explore the noise reduction performance of the empirical mode decomposition (EMD), ensemble empirical mode decomposition (EEMD) and wavelet analysis, elevation time series data of different lengths from sin IGS stations are taken as examples. Firstly, the outliers and the trend items in the original data are removed to get the sample sequence meeting the experimental requirements. Then, the sample sequence is denoised by three methods and gets the real signal without noise. Finally, calculating the indexes of signal-noise ratio, correlation coefficient and root mean square error of data to compare the three noise reduction methods. The experimental results indicate that: 1) EEMD and wavelet analysis can well denoise when the quality of coordinate time series is poor. 2) Wavelet analysis has the best denoising performance on the Global Navigation Satellite System (GNSS) coordinate time series with time span of 5 a or 10 a; For 20 a time series samples, EEMD and wavelet analysis have similar denoising effects and are better than EMD. 3) The force of wavelet analysis to eliminate colored noise is better.
- GNSS time series /
- empirical mode decomposition (EMD) /
- ensemble empirical mode decomposition (EEMD) /
- wavelet noise reduction

HTML全文

图 1 BJFS站和KMIN站降噪结果对比

下载: 全尺寸图片幻灯片

图 2 SHAO站和URUM站降噪结果对比

下载: 全尺寸图片幻灯片

图 3 三种方法得到的降噪序列的谱指数

下载: 全尺寸图片幻灯片

表 1 各站点评价参数统计 m

站点	评价指标	EMD			EEMD			小波
站点	评价指标	5 a	10 a	20 a	5 a	10 a	20 a	5 a	10 a	20 a
BJFS	R_sn	6.699 4	4.711 3	6.893 2	7.7963	5.9044	7.2519	6.6059	6.7721	5.7586
	R	0.664 5	0.612 8	0.705 9	0.7036	0.6679	0.7183	0.7147	0.7254	0.3142
	RMSE	0.004 4	0.005 0	0.004 8	0.0042	0.0047	0.0047	0.0044	0.0045	0.0071
KMIN	R_sn	15.216 1	17.085 2	16.648 2	14.9817	14.4541	17.7433	12.6550	12.4947	15.9068
	R	0.881 3	0.905 3	0.900 5	0.8790	0.8741	0.9113	0.8564	0.8547	0.8954
	RMSE	0.004 9	0.004 5	0.005 5	0.0050	0.0052	0.0052	0.0056	0.0057	0.0057
LHAS	R_sn	9.343 3	13.961 0	14.966 0	16.7810	17.3550	17.0938	15.9924	17.4586	18.8132
	R	0.784 6	0.870 3	0.886 1	0.8977	0.9064	0.9050	0.9003	0.9132	0.9257
	RMSE	0.005 3	0.004 4	0.004 5	0.0035	0.0037	0.0040	0.0036	0.0037	0.0037
SHAO	R_sn	–13.326 9	−14.067 6	–18.729 2	6.9709	7.6652	7.4851	22.3927	14.3306	14.1328
	R	0.233 0	0.249 5	0.180 5	0.6911	0.7315	0.7259	0.8731	0.8933	0.8874
	RMSE	0.012 4	0.013 4	0.015 0	0.0039	0.0039	0.0041	0.0027	0.0028	0.0031
URUM	R_sn	4.388 3	4.708 6	11.327 0	10.8715	11.9636	16.8493	11.5299	15.0094	16.8187
	R	0.589 1	0.593 4	0.828 3	0.7771	0.8021	0.9026	0.8764	0.8946	0.9093
	RMSE	0.005 5	0.005 7	0.004 8	0.0039	0.0040	0.0036	0.0034	0.0035	0.0036
WUHN	R_sn	−0.048 5	2.093 3	3.438 7	5.1568	6.8895	6.9276	7.3793	8.9143	9.0487
	R	0.506 2	0.620 2	0.672 3	0.6052	0.7026	0.7065	0.7420	0.7721	0.7808
	RMSE	0.007 7	0.007 5	0.007 1	0.0057	0.0058	0.0060	0.0052	0.0052	0.0054

下载: 导出CSV

参考文献(16)

[1]	黄立人. GPS基准站坐标分量时间序列的噪声特性分析[J]. 大地测量与地球动力学, 2006, 26(2): 31-33,38.
[2]	马俊, 曹成度, 闵阳, 等. 基于主成分分析去除GNSS站坐标时间序列有色噪声[C]//第十一届中国卫星导航年会, 成都: 2020.
[3]	HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Mathematical, physical and engineering sciences, 1998, 454(1971): 903-995. DOI: 10.1098/rspa.1998.0193
[4]	张双成, 何月帆, 李振宇, 等. EMD用于GPS时间序列降噪分析[J]. 大地测量与地球动力学, 2017, 37(12): 1248-1252.
[5]	肖瑛, 殷福亮. 解相关EMD: 消除模态混叠的新方法[J]. 振动与冲击, 2015, 34(4): 25-29.
[6]	胡爱军, 孙敬敬, 向玲. 经验模态分解中的模态混叠问题[J]. 振动、测试与诊断, 2011, 31(4): 429-434. DOI: 10.3969/j.issn.1004-6801.2011.04.006
[7]	WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in adaptive data analysis, 2009, 1(1): 1-41. DOI: 10.1142/S1793536909000047
[8]	张恒璟, 程鹏飞. 基于经验模式分解的CORS站高程时间序列分析[J]. 大地测量与地球动力学, 2012, 32(3): 129-134.
[9]	马俊, 姜卫平, 周晓慧, 等. 联合小波和方差分量估计方法分析中国IGS测站时间序列变化特征[J]. 武汉大学学报(信息科学版), 2018, 43(4): 629-636.
[10]	戴海亮, 孙付平, 姜卫平, 等. 小波多尺度分解和奇异谱分析在GNSS站坐标时间序列分析中的应用[J]. 武汉大学学报(信息科学版), 2021, 46(3): 371-380.
[11]	WU H, LI K, SHI W Z, et al. A wavelet-based hybrid approach to remove the flicker noise and the white noise from GPS coordinate time series[J]. GPS solutions, 2015, 19(4): 511-523. DOI: 10.1007/s10291-014-0412-6
[12]	魏冠军, 陈晨, 黄逸宇, 等. 基于小波变换的CORS高程坐标时序周期性分析与降噪方法研究[J]. 全球定位系统, 2019, 44(4): 61-67.
[13]	马俊, 曹成度, 姜卫平, 等. 利用小波包系数信息熵去除GNSS站坐标时间序列有色噪声[J]. 武汉大学学报(信息科学版), 2021, 46(9): 1309-1317.
[14]	张恒璟, 龙安森, 文汉江. EEMDAN的CORS站高程时间序列分析方法[J]. 测绘科学, 2020, 45(2): 29-34.
[15]	姜卫平, 李昭, 刘万科, 等. 顾及非线性变化的地球参考框架建立与维持的思考[J]. 武汉大学学报(信息科学版), 2010, 35(6): 665-669.
[16]	袁林果, 丁晓利, 陈武, 等. 香港GPS基准站坐标序列特征分析[J]. 地球物理学报, 2008, 51(5): 1372-1384. DOI: 10.3321/j.issn:0001-5733.2008.05.011