基于Bi-LSTM神经网络的GNSS坐标时间序列重构

摘要：

全球导航卫星系统(Global Navigation Satellite System,GNSS)坐标时间序列在大地测量及地球动力学中的得到了广泛的应用.研究表明,受到环境以及系统误差的影响,实际GNSS站点坐标时间序列包含的季节信号的振幅是时变的,这给GNSS坐标时间序列的精确建模和重构带来一定的困难和挑战.传统的噪声分析方法在处理带有时变季节变化的GNSS坐标时间序列时无法很好应对信号中的时变振幅干扰.基于此,本文将双向长短期记忆循环神经网络(Bidirectional Long Short-term Memory,Bi-LSTM)应用于GNSS坐标时间序列的重构,利用Bi-LSTM强大的建模能力对GNSS坐标时间序列建模,克服季节项的时变振幅干扰,取得对GNSS坐标时间序列的精确重构.实验结果表明,基于Bi-LSTM神经网络方法能够学习到GNSS坐标时间序列间的时变特性,并有效分离信号与噪声,分离出的噪声残差分量与实际真值更接近.

关键词：GNSS坐标时间序列、深度学习、Bi-LSTM、噪声分析

所属期刊栏目：19

分类号：P312(大地（岩石界）物理学（固体地球物理学）)

资助基金：国家自然科学基金62072163

在线出版日期：2022-06-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：393-401