[发明专利]一种基于VMD迭代分解的动态定位坐标序列异常值识别方法

说明书

本发明公开了一种基于VMD迭代分解的动态定位坐标序列异常值识别方法。首先对动态定位坐标序列进行VMD分解，得到坐标序列的低频趋势分量和高频噪声分量，计算高频噪声分量的标准差；然后利用坐标序列、低频趋势分量与噪声标准差进行异常值识别，对异常点进行插补得到新序列；再对新序列迭代进行VMD分解、异常值识别与插补，并计算最后一次迭代的噪声标准差与上一次的噪声标准差之间的变化百分比；将变化百分比与阈值相比较，若大于阈值则再次进行迭代，若小于阈值则认为序列中的异常值已经被识别并剔除。使用本发明提出的方法，能够有效识别并剔除动态定位坐标序列中不同幅度的异常值，提高定位序列的精度与可靠性。

技术领域

本发明涉及全球导航卫星系统（Global Navigation Satellite System，GNSS）卫星定位方法，特别涉及基于变分模态分解（Variational Mode Decomposition, VMD）的动态定位坐标序列异常值识别方法。

背景技术

基于北斗/GNSS及其组合定位的动态定位数据处理中，影响定位精度解算的电离层误差、对流层误差、卫星轨道误差、卫星钟差等误差，一般可通过差分模式或状态域改正方式进行有效处理，定位解算结果主要受观测噪声和未模型化误差的影响。在城市峡谷、复杂山区信号遮挡严重的环境下，依据星基或地基增强解算的实时动态定位序列中含有更为显著的观测噪声影响，甚至可能存在解算粗差。针对动态定位序列，目前国内外广泛采用的粗差识别方法可分为统计量粗差探测法和非统计量粗差探测法两大类型，统计量粗差探测法以基于标准差检验法和四分位间距法为主，两种方法在观测粗差数量少、数据离散度小的情况下具有较好的检测效果，但难以应对处理粗差数量多、数据离散幅度大时的坐标序列。非统计量粗差探测法主要以小波分析为主，但小波基的选择主要依赖人工经验，缺乏统一标准，选择不当时无法带来理想的效果。为了实现复杂环境下动态定位序列的可靠估计，需要在已有方法的基础上，充分顾及实时解算坐标序列中可能存在的多粗差问题，发展更为适用的定位异常粗差识别和剔除算法。

变分模态分解（Variational Mode Decomposition，VMD）算法主要基于维纳滤波、希尔伯特变换和混频的外差解调，相比常用的EMD利用循环筛选的方法，VMD算法通过构造并求解一个约束变分问题，将原信号分解为预设个数的本征模态函数（Intrinsic ModeFunction, IMF）分量。该算法具有较好的复杂数据分解精度和较强的抗干扰能力，能有效避免模态混叠、边界效应等问题，可利用该算法确定动态坐标序列中的观测噪声、趋势性等信号分量的频率中心和带宽。

发明内容

为了解决上述中动态定位坐标序列中存在异常值的问题，本发明提供了一种能够有效识别并剔除动态定位坐标序列中不同幅度的异常值，提高定位序列的精度与可靠性的基于VMD迭代分解的动态定位坐标序列异常值识别方法。

为了达到上述目的，本发明是采用以下技术方案来实现的：

一种基于VMD迭代分解的动态定位坐标序列异常值识别方法，包括以下步骤：

步骤1，对卫星导航的动态定位坐标序列进行VMD分解，得到坐标序列的低频趋势分量和高频噪声分量，计算高频噪声分量的标准差；

步骤2，利用坐标序列、低频趋势分量与高频噪声分量的标准差进行异常值识别，对异常点进行插补得到新序列；

步骤3，对新序列迭代进行VMD分解、异常值识别与插补，并计算最后一次迭代的高频噪声分量的标准差与上一次的高频噪声分量的标准差之间的变化百分比；

步骤4，将变化百分比与其设定的阈值相比较，若大于阈值，则再次进行迭代，若小于阈值，则认为序列中的异常值已经被识别并剔除。

步骤1中，VMD通过构造并求解一个约束变分问题，将卫星导航的动态定位坐标序列分解为预设个数的低频趋势分量和高频噪声分量，约束变分方程表示为：

（1）