在GNSS觀測站的長期觀測中,因接收機故障、衛(wèi)星異常及后續(xù)粗差剔除等因素,導致觀測數(shù)據(jù)不可避免地出現(xiàn)缺失,影響數(shù)據(jù)的關(guān)聯(lián)性及進一步的主成分分析、頻譜分析等,因而對GNSS坐標時間序列的缺失數(shù)據(jù)進行插值補全具有十分重要的意義。對于時間序列插值問題,已有研究較為豐富,但常用的傳統(tǒng)插值法、經(jīng)驗正交函數(shù)法、奇異譜分析法等時間序列插值方法,仍然存在一些不足:對于時間序列的局部特征擬合欠佳;或其適用條件嚴苛,不利于推廣應用,易造成重建時間序列的人為失真等。本文基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型,用于“中國大陸構(gòu)造環(huán)境監(jiān)測網(wǎng)絡(luò)”中基準站的GNSS坐標時間序列插值補全研究。鑒于各觀測站點普遍數(shù)據(jù)缺失嚴重,無法直接使用連續(xù)多個年份的完整樣本數(shù)據(jù)進行模型訓練,本文首先以某一觀測站單個年份的完整坐標時間序列為實驗樣本,按照缺失序列分別位于原始序列的右側(cè)、左側(cè)和中部三個不同位置,設(shè)定三組對照實驗。在每一對照實驗下,分別進行序列連續(xù)缺失3天、6天、9天、12天、15天時的插值補全,初步驗證實驗模型用于序列插值補全的準確度和有效性。最后,使用經(jīng)驗證的有效實驗模型,補全同一觀測站多年份觀測數(shù)據(jù)中的多處缺失,構(gòu)造完整的連續(xù)多個... 

【文章來源】：太原理工大學山西省 211工程院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

一IB卜LsTM模型進行序列缺失數(shù)據(jù)插值補全的步驟Flgl一1StePsforInterpolationofscqucncemlsslngdataus”lgBI一LSTMmodcl

.1 經(jīng)典循環(huán)神經(jīng)網(wǎng)絡(luò)原理）RNN 經(jīng)典結(jié)構(gòu)時間序列數(shù)據(jù)，是一系列對觀測對象的等間距觀測值，隨著觀測周期的增加，觀測常存在著某種趨勢性變化。由于事物的發(fā)展具有延續(xù)性，故某一時刻的數(shù)據(jù)往往不立存在的，與其鄰近位置的觀測值存在著一定的信息關(guān)聯(lián)，進而利用歷史數(shù)據(jù)可以時間序列的發(fā)展趨勢，實現(xiàn)對未來時刻觀測值的預測[33]。對于 GNSS 坐標時間序列，受地球板塊運動、地球海潮、大氣負載及固體潮等因素的周期性變化，因而基準站期觀測數(shù)據(jù)存在水平時間序列分量的長期線性趨勢和高程時間序列分量的長周期化[34]，體現(xiàn)了觀測對象變化的延續(xù)性，并且可以通過訓練適當?shù)?RNN 模型來描述變化規(guī)律，進而實現(xiàn)對某一時刻觀測值的預測。

太原理工大學碩士研究生學位論文性”較差。例如，“太原是座古老的城市，汾河水流淌在三晉大地，培育了一片沃養(yǎng)育著世世代代的晉人兒女。然而，由于污染嚴重，城市被霧霾籠罩，汾河水已不再澈……太原的天空是灰色的”，當要預測最后的顏色時，短期依賴的經(jīng)典 RNN 模型不能很好地預測出正確結(jié)果。因此對于此類案例，據(jù)當前時刻 t 距離較遠的某一時刻關(guān)鍵觀測值信息，具有較大的權(quán)重，應當保存其隱藏層狀態(tài)，以提高神經(jīng)網(wǎng)絡(luò)模型預的準確度。SePPHochreiter 等于 1997 年提出了 LSTM 結(jié)構(gòu)[37]，基于 LSTM 結(jié)構(gòu)的神網(wǎng)絡(luò)模型能夠較好地解決如上問題，且在較多的應用案例中實驗效果優(yōu)于經(jīng)典的 R結(jié)構(gòu)模型[19]。遺忘門

【參考文獻】：
期刊論文
[1]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預測研究[J]. 王理同,薛騰騰,王惠敏,劉震.  浙江工業(yè)大學學報. 2019(02)
[2]基于LSTM的股票價格預測建模與分析[J]. 彭燕,劉宇紅,張榮芬.  計算機工程與應用. 2019(11)
[3]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的儲層物性參數(shù)預測方法研究[J]. 安鵬,曹丹平,趙寶銀,楊曉利,張明.  地球物理學進展. 2019(05)
[4]循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 楊麗,吳雨茜,王俊麗,劉義理.  計算機應用. 2018(S2)
[5]神經(jīng)機器翻譯綜述[J]. 李亞超,熊德意,張民.  計算機學報. 2018(12)
[6]GNSS坐標時間序列分析理論與方法及展望[J]. 姜衛(wèi)平,王鍇華,李昭,周曉慧,馬一方,馬俊.  武漢大學學報(信息科學版). 2018(12)
[7]基于LSTM時間序列重建的生產(chǎn)裝置異常檢測[J]. 竇珊,張廣宇,熊智華.  化工學報. 2019(02)
[8]基于LSTM的船舶航跡預測模型[J]. 權(quán)波,楊博辰,胡可奇,郭晨萱,李巧勤.  計算機科學. 2018(S2)
[9]基于雙向LSTM的Seq2Seq模型在加油站時序數(shù)據(jù)異常檢測中的應用[J]. 陶濤,周喜,馬博,趙凡.  計算機應用. 2019(03)
[10]深度學習下的情感分析與推薦算法[J]. 郭慧,柳林,劉曉,程鵬.  測繪通報. 2018(09)

博士論文
[1]煤礦瓦斯監(jiān)測數(shù)據(jù)插值與預測研究[D]. 魏永強.中國礦業(yè)大學(北京) 2015

碩士論文
[1]RNN-DNN語音識別系統(tǒng)研究及其應用[D]. 吳俊峰.華南理工大學 2018
[2]RNN-BLSTM聲學模型的說話人自適應方法研究[D]. 黃智穎.中國科學技術(shù)大學 2017
[3]中國陸態(tài)網(wǎng)GPS基準站坐標時間序列主成分分析[D]. 劉曉祥.西南交通大學 2017
[4]基于改進奇異譜分析方法提取GNSS坐標時間序列趨勢項及季節(jié)項信息[D]. 張旺.西南交通大學 2017
[5]基于雙向LSTMN神經(jīng)網(wǎng)絡(luò)的中文分詞研究分析[D]. 黃積楊.南京大學 2016
[6]“陸態(tài)網(wǎng)絡(luò)”基準站坐標時間序列變化特性分析[D]. 李婧.解放軍信息工程大學 2013
[7]基于時間序列分析的股票預測模型研究[D]. 郝博乾.電子科技大學 2011



本文編號：3018710