基于小波变换的GPS接收机钟差序列预测.doc

基于小波变换的GPS接收机钟差序列预测.doc基于小波变换的GPS接收机钟差序列预测摘要:针对高精度GPS接收系统时钟稳定度对其性能影响,传统的方法是直接利用钟差数据的关联性建立钟差预报模型,即ARMA模型。利用小波分析对钟差进行消噪,得到更加平稳的时间序列,然后再对钟差进行建模,并对消噪钟差模型进行了误差分析。用真实数据进行仿真验证,表明对原始数据进行小波变换可以有效提高GPS接收机钟差预测的准确性。关键词:小波分析;时间序列;ARMA模型;钟差预报;误差分析中国分类号::A文章编号:10053824(2013)010052041引言GPS接收机时钟偏差是影响接收机基本观测量伪距精度的主要因素,在某些需要得到伪距、伪距率等原始信息的系统,接收机内部钟差会给系统的基本观测信息带来较大的误差。在用伪距进行定位或授时的系统中,会直接影响定位精度以及授时精度。因此在实际的工程应用中,需要对GPS接收机钟差建立一个相对准确的模型,用来实时修正GPS观测量中的时钟误差。在误差建模过程中,可以将GPS接收机钟差视为一组时间序列,传统的时间序列预测方法是直接建立ARMA系列模型[1]。而ARMA模型适用于周期平稳的时间序列,因此通常需要对原始数据进行差分。GPS接收机钟差信号中包含有用的偏差信号和噪声信号。而噪声信号和有用的偏差信号通常表现为平稳的带通信号和高频信号。在进行差分时不仅消除了时间序列的有用成份,而且其中的“畸变点”并没有剔除,降低了预测的精度。小波分析具有多尺度、多分辨率、可伸缩、可平移等方面的优势,将小波分析作为数学工具对GPS观测数据进行小波分解和重构,可以很好地检测和削弱GPS观测数据中的噪声影响[2]。于是在建立ARMA模型前对时间序列进行小波变换,进行消噪处理,得到一组相对“干净”的数据。通过仿真分析得到,在原始数据钟差数据经过消噪处理后建立的模型预测精度得到提高[3]。在以上3个步骤中,最核心的部分就是如何选取阈值并对其进行量化,它直接关系到信号降噪的效果。一般有下述3种方法[6]:1)默认阈值消噪处理。该方法用函数ddencmp生成信号的默认阈值,然后利用函数wdencmp进行消噪处理。2)给定阈值消噪处理。在实际的消噪处理过程中,阈值往往可以通过经验公式获得,且这种阈值要比默认阈值的可信度要高。在进行阈值量化处理时可利用函数wthresh。3)强制消噪处理。该方法是将小波分解结构中的高频系数全部置0,即滤掉所有高频部分,然后对信号进行小波重构。这种方法比较简单,且消噪后的信号比较平滑,但容易丢掉信号中的有用成分。4小波变换消噪效果本文选取默认阈值消噪方法对IGS网站发布的第1240周某测站的钟差数据进行降噪处理。降噪前后的数据分布图如图1所示。从偏差的统计特性可以看出,经过小波变换后,GPS接收机钟差数据平均滤除了3ns的偏差,尽管滤除偏差中一部分原始序列的正常变化值,但由于3ns的平均误差也在可接受的范围内,因此完全可以采用小波变换来对信号进行预处理来消除突发噪声。,共557个历元(记为数据一)、1240周第一天0时0分0秒至1240周第一天23时55分0秒的接收机钟差数据,共287个