鲁铁定 谢建雄

1 东华理工大学测绘工程学院，南昌市广兰大道418号，330013 2 东华理工大学江西省数字国土重点实验室，南昌市广兰大道418号，330013 3 漳州市测绘设计研究院，福建省漳州市龙溪南路5-58号，363000

GPS高程时间序列中包含各类信号和噪声，因受测站外部环境、观测技术误差等因素的影响，表现出明显的周期性变化。利用传统周期函数模型估计的周期项振幅为常数，但实际上，时间序列周期性信号的振幅是随时间变化的[1-2]，因此采用传统方法获得的分析结果不能很好地反映高程时间序列的真实运动。

将随机噪声进行有效剔除是获取合理可靠的周期性变化信号的关键。刘焕玲等[3]利用经验模态分解(EMD)方法分析IGS站高程时间序列，但该方法通过Hilbert频谱图识别信息IMF时存在较大的主观性，缺乏统一的标准；张双成等[4]结合相关系数原理，应用EMD方法获得的重构信号与原始时间序列较为一致，但不同测站各分量的噪声特性存在差异[5]，并且当EMD处理的时间序列存在中断时会产生较为明显的模式混叠现象[6]，导致部分站点依据相关系数首个局部极小值识别噪声IMF分界时出现区别效果不明显的情况，从而影响降噪结果的准确性。

针对上述问题，综合考虑整体经验模态分解(EEMD)能有效减弱模式混叠及多尺度排列熵(MPE)可以反映时间序列复杂程度的优势，提出一种EEMD-MPE阈值降噪方法，并通过仿真算例和部分IGS站高程时间序列对该方法进行验证。

1 算法原理

1.1 EEMD算法原理

EEMD[7]的本质是基于高斯白噪声在所有频率上具有相等能量的特性，通过在待分解信号中加入高斯白噪声后再进行多次EMD处理，从而实现减弱或消除模式混叠的方法。……