强噪声环境下GNSS变形监测数据特征提取方法及非线性动态预报理论研究

Based on intrinsic scale-time decomposition (ITD) and extreme learning machine （ELM）model in the item, a new method of noise elimination for adaptive nonlinear filtering is studied. The item puts forward an improved intrinsic scale-time decomposition (IITD) based on b-spline interpolation function. Processing method for end effects of IITD based on adaptive waveform mathching extending and threshold value setting method for high frequency component by decomposition of IITD are proposed. With these methods, GNSS deformation monitoring data can be reducing noise under strong noise environment and weak deformation feature information can be extracted. After the gross error identification method of GNSS deformation monitoring data is studied based on improved ITD method, gross error detection positioning and recovery of GNSS deformation data series are realized. Combining with structure risk minimization principle of statistical learning theory, the item researches dynamic extreme learning machine model. When new deformation data is added to the original model, the online dynamic revising is performed. Because the dynamic prediction model can help to reduce the modeling time, it can be applied to online real-time deformation monitoring system. The research results of the item not only build a set of new theories and methods applied to GNSS deformation monitoring data feature extracting, gross error identification and dynamic deformation prediction, enhance the efficiency and level of deformation monitoring.

本项目以本征时间尺度分解（ITD）和极限学习机模型（ELM）为基础，研究一种新的自适应非线性滤波消噪方法，提出基于B样条插值函数改进的本征时间尺度分解（IITD）方法，提出基于自适应波形匹配延拓的处理IITD端点效应的方法和经IITD分解后的高频分量的阈值设置方法，以对在强噪声干扰下的GNSS变形监测数据进行消噪，并准确提取出微弱的变形特征信息；研究基于改进ITD方法的强噪声环境下GNSS变形监测数据的粗差识别方法，实现GNSS变形数据序列粗差的探测定位与修复；结合统计学习理论中的结构风险最小化原则，研究建立动态极限学习机模型，在变形数据增加时该模型可以进行动态修正，减少建模的计算时间，可应用于在线实时的GNSS变形监测系统。本项目的研究成果不仅建立一套适用于强噪声环境下GNSS变形监测数据特征提取、粗差识别以及动态变形预报的新理论和方法，而且可以提高GNSS变形监测的效率和水平。

本项目研究内容涉及变形监测数据解算、变形监测数据去噪及特征信息提取、变形监测数据预报等方面。其主要成果如下：（1）提出了基于正则化极限学习机的变形监测数据预报模型，与基本极限学习机模型对比，该模型不仅计算速度较快，而且具有较强的泛化能力。（2）提出了用于非线性模型参数估计的改进果蝇优化算法。该算法克服了原果蝇优化算法不能处理存在非零非负极值点的非线性函数的缺陷。（3）提出了一种将改进果蝇优化算法与Tikhonov正则化方法进行结合以进行病态问题解算的新方法。该方法在观测值含有粗差时，其解算结果具有一定的稳健性。（4）建立了一种基于局部均值分解的变形监测数据去噪方法，其去噪性能要优于EMD滤波去噪方法与小波去噪方法。（5）提出了一种动态正则化极限学习机变形监测预报模型，其网络权值可以随着新样本的增加而进行递推求解，有效地提高了计算效率,适用于在线实时GNSS变形监测系统；（6）提出了强噪声下基于本征时间尺度分解和独立分量分析的GNSS变形监测数据特征提取模型，充分发挥了两种信号处理方法各自的优势, 可以有效提取出GNSS变形特征信息。.项目发表论文4篇（1篇EI，2篇核心），已投论文3篇。项目的研究成果不仅丰富了当前的变形监测数据处理理论，而且可以提高变形监测的效率和水平。