留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于小波降噪和神经网络的GPS高程时序预测模型

张仕森 孙宪坤 尹 玲 李世玺

张仕森, 孙宪坤, 尹 玲, 李世玺. 基于小波降噪和神经网络的GPS高程时序预测模型[J]. 全球定位系统, 2019, 44(3): 117-125. doi: DOI:10.13442/j.gnss.1008-9268.2019.03.018
引用本文: 张仕森, 孙宪坤, 尹 玲, 李世玺. 基于小波降噪和神经网络的GPS高程时序预测模型[J]. 全球定位系统, 2019, 44(3): 117-125. doi: DOI:10.13442/j.gnss.1008-9268.2019.03.018
ZHANG Shisen, SUN Xiankun, YIN Ling, LI Shixi. GPS elevation time series prediction model based on wavelet  denoising technique and neural network[J]. GNSS World of China, 2019, 44(3): 117-125. doi: DOI:10.13442/j.gnss.1008-9268.2019.03.018
Citation: ZHANG Shisen, SUN Xiankun, YIN Ling, LI Shixi. GPS elevation time series prediction model based on wavelet  denoising technique and neural network[J]. GNSS World of China, 2019, 44(3): 117-125. doi: DOI:10.13442/j.gnss.1008-9268.2019.03.018

基于小波降噪和神经网络的GPS高程时序预测模型

doi: DOI:10.13442/j.gnss.1008-9268.2019.03.018
详细信息
    作者简介:

    张仕森 (1993—),男,硕士研究生,研究方向为机器学习和数据处理.

    通讯作者:

    张仕森 E-mail: abcdefg890@vip.qq.com

GPS elevation time series prediction model based on wavelet  denoising technique and neural network

  • 摘要: 全球定位系统(GPS)时序数据预测的工作中发现,通常时序数据中含有的噪声会干扰数据预测的结果.为了降低时序数据中噪声对预测结果的负面影响,将提升小波阈值降噪技术和长短期记忆(LSTM)神经网络相结合,实现一种GPS时序数据降噪预测模型.该模型在预测之前首先利用提升小波与平滑阈值函数对GPS时序数据中的噪声进行剥离,然后构建多层LSTM神经网络对时序数据进行单步预测.通过实验与多种时间序列预测模型进行对比,结果表明所提出的LSTM预测模型对GPS时间序列的预测具有较强的适用性和较高的准确性.

     

  • [1] 张晗, 王霞. 基于小波分解的网络流量时间序列建模与预测[J]. 计算机应用研究, 2012, 29(8):3134-3136.
    [2] 王书芹, 华钢, 郝国生,等. 基于灰狼优化算法的长短期记忆网络在时间序列预测中的应用[J]. 中国科技论文, 2017,12(20):2309-2314.
    [3] 吴志华, 丁杨斌, 申功勋. 非平稳时序分析在GPS伪距观测值建模中的应用[J]. 系统仿真学报, 2008, 20(16):4252-4254,4260.
    [4] 魏鸿浩, 贾云峰. 一种非平稳非线性频谱占用度时间序列分析方法[J]. 电子学报, 2017, 45(8):2026-2030.
    [5] 龙勇, 苏振宇, 汪於. 基于季节调整和BP神经网络的月度负荷预测[J]. 系统工程理论与实践, 2018, 38(4):1052-1060.
    [6] COULIBALY P, BALDWIN C K. Nonstationary hydrological time series forecasting using nonlinear dynamic methods[J]. Journal of Hydrology, 2005, 307(1-4):164-174. DOI: 10.1016/j.jhydrol.2004.10.008.
    [7] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8):1735-1780.DOI:10.1162/neco.1997.9.8.1735·Source: PubMed.
    [8] GRAVES A. Supervised sequence labelling with recurrent neural networks[M]. Springer Berlin Heidelberg, 2012. DOI: 10.1007/978-3-642-24797-2.
    [9] LOPEZ E, VALLE C, ALLENDE H, et al. Wind power forecasting based on echo state networks and long short-term memory[J]. Energies, 2018, 11(3):526. DOI: 10.3390/en11030526.
    [10] 李基武, 符强, 孙希延,等. 一种改进扩展卡尔曼滤波算法的GPS多径抑制应用[J]. 测绘科学, 2018(6):167-172.
    [11] 江虹, 苏阳. 一种改进的小波阈值函数去噪方法[J]. 激光与红外, 2016, 46(1):119-122.
    [12] MALLAT S. A theory for multiresolution vision model applied to astronomical images[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1989(40):495-520.
    [13] CAO X, ZHANG Z. Method of radar signal de-noising based on lifting wavelet improved threshold[J]. Computer Engineering and Applications, 2012, 48(14):143-147.
    [14] 周风波, 李长庚, 朱红求. 基于提升小波变换的阈值改进去噪算法在紫外可见光谱中的研究[J]. 光谱学与光谱分析, 2018,38(2):506-510.
    [15] 李明迅, 孟相如, 袁荣坤,等. 融合提升小波降噪和LSSVM的网络流量在线预测[J]. 计算机应用, 2012, 32(2):340-346,346.
    [16] 方志军, 石恒麟, 毛微微. 基于小波降噪的RLS算法在股票预测中的应用[C]//International Conference on Management Science and Engineering. 2010.
    [17] DONOHO D L, JOHNSTONE I M. Ideal spatial adaptation by wavelet shrinkage[J]. Biometrika, 1994, 81(3):425-455. DOI: 10.1093/biomet/81.3.425.
    [18] DONOOHO D L. De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory,1995, 41(3):613-627. DOI: 10.1109/18.382009.
    [19] 符养. 中国大陆现今地壳形变与GPS坐标时间序列分析[D].上海:中国科学院研究生院(上海天文台), 2002.
    [20] 张鹏, 蒋志浩, 秘金钟,等. 我国GPS跟踪站数据处理与时间序列特征分析[J]. 武汉大学学报(信息科学版), 2007, 32(3):251-254.
    [21] 张剑, 屈丹, 李真. 基于词向量特征的循环神经网络语言模型[J]. 模式识别与人工智能, 2015, 28(4): 299-305.
  • 加载中
计量
  • 文章访问数:  411
  • HTML全文浏览量:  65
  • PDF下载量:  101
  • 被引次数: 0
出版历程
  • 刊出日期:  2019-06-15

目录

    /

    返回文章
    返回