典型文献
基于Bi-LSTM神经网络的GNSS坐标时间序列重构
文献摘要：
全球导航卫星系统(Global Navigation Satellite System,GNSS)坐标时间序列在大地测量及地球动力学中的得到了广泛的应用.研究表明,受到环境以及系统误差的影响,实际GNSS站点坐标时间序列包含的季节信号的振幅是时变的,这给GNSS坐标时间序列的精确建模和重构带来一定的困难和挑战.传统的噪声分析方法在处理带有时变季节变化的GNSS坐标时间序列时无法很好应对信号中的时变振幅干扰.基于此,本文将双向长短期记忆循环神经网络(Bidirectional Long Short-term Memory,Bi-LSTM)应用于GNSS坐标时间序列的重构,利用Bi-LSTM强大的建模能力对GNSS坐标时间序列建模,克服季节项的时变振幅干扰,取得对GNSS坐标时间序列的精确重构.实验结果表明,基于Bi-LSTM神经网络方法能够学习到GNSS坐标时间序列间的时变特性,并有效分离信号与噪声,分离出的噪声残差分量与实际真值更接近.
文献关键词：
GNSS坐标时间序列;深度学习;Bi-LSTM;噪声分析
中图分类号：
作者姓名：
冉佳诺;边家文;刘文平
作者机构：
中国地质大学数学与物理学院,湖北武汉430074;湖北经济学院信息管理与统计学院,湖北武汉430205
文献出处：
引用格式：
[1]冉佳诺;边家文;刘文平-.基于Bi-LSTM神经网络的GNSS坐标时间序列重构)[J].工程地球物理学报,2022(03):393-401
A类：
季节信号
B类：
GNSS,坐标时间序列,全球导航卫星系统,Global,Navigation,Satellite,System,大地测量,地球动力学,系统误差,精确建模,困难和挑战,噪声分析,季节变化,双向长短期记忆,长短期记忆循环神经网络,Bidirectional,Long,Short,term,Memory,建模能力,时间序列建模,神经网络方法,够学,时变特性,有效分离,真值
AB值：
0.258901
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
