张馨予，西　勤，刘松林

(信息工程大学，河南 郑州 450001)



GNSS监测数据预处理在变形预测中的应用

张馨予，西勤，刘松林

(信息工程大学，河南 郑州 450001)

摘要：GNSS监测技术被广泛应用于变形监测工作中，但GNSS监测数据中会有缺失值、噪声等误差的存在，对预测结果造成影响。引入改进的小波神经网络模型进行变形预测，并考虑该模型的自适应性和容错性，分别采用三次样条插值法、小波滤波法和拉依达准则对原始监测数据进行缺失值填补、去噪和粗差剔除等预处理。并利用实际监测数据进行短期预报分析，对比原始监测数据和预处理后的监测数据的预测结果，结果表明预处理后的监测数据的预测效果更好。

关键词：GNSS监测数据；预处理；缺失值填补；去噪；粗差剔除；变形预测

变形监测工作在建筑、水利、地质等众多领域具有极其重要的地位。变形监测中常用的手段有很多，其中GNSS因自动化程度高、不受气候限制、可以24 h不间断地获取监测点三维坐标信息等优点被越来越广泛地采用[1-5]。但在监测数据获取过程中，除了噪声干扰，还有可能存在数据缺失、粗差等问题，监测数据质量不稳定。大多数学者都只针对数据中存在的噪声进行处理，本文针对GNSS监测数据中存在的噪声、缺失值和粗差等各种误差进行修正，得到更为完整的监测数据，并利用神经网络模型进行预报验证。

神经网络在处理复杂多变的变形问题上有着较大优势[6]，较为常见的神经网络有小波神经网络和BP神经网络，其中小波神经网络具有更快的收敛速度，更强的自适应性和更高的预测精度[7]，但对初始值却更加敏感，随机产生初始参数使小波神经网络的精度很不稳定。……