双向循环神经网络在GNSS坐标时间序列插值中的研究
发布时间：2021-02-04 17:57
在GNSS观测站的长期观测中,因接收机故障、卫星异常及后续粗差剔除等因素,导致观测数据不可避免地出现缺失,影响数据的关联性及进一步的主成分分析、频谱分析等,因而对GNSS坐标时间序列的缺失数据进行插值补全具有十分重要的意义。对于时间序列插值问题,已有研究较为丰富,但常用的传统插值法、经验正交函数法、奇异谱分析法等时间序列插值方法,仍然存在一些不足:对于时间序列的局部特征拟合欠佳;或其适用条件严苛,不利于推广应用,易造成重建时间序列的人为失真等。本文基于双向循环神经网络模型,用于“中国大陆构造环境监测网络”中基准站的GNSS坐标时间序列插值补全研究。鉴于各观测站点普遍数据缺失严重,无法直接使用连续多个年份的完整样本数据进行模型训练,本文首先以某一观测站单个年份的完整坐标时间序列为实验样本,按照缺失序列分别位于原始序列的右侧、左侧和中部三个不同位置,设定三组对照实验。在每一对照实验下,分别进行序列连续缺失3天、6天、9天、12天、15天时的插值补全,初步验证实验模型用于序列插值补全的准确度和有效性。最后,使用经验证的有效实验模型,补全同一观测站多年份观测数据中的多处缺失,构造完整的连续多个...
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
一IB卜LsTM模型进行序列缺失数据插值补全的步骤Flgl一1StePsforInterpolationofscqucncemlsslngdataus”lgBI一LSTMmodcl
.1 经典循环神经网络原理）RNN 经典结构时间序列数据，是一系列对观测对象的等间距观测值，随着观测周期的增加，观测常存在着某种趋势性变化。由于事物的发展具有延续性，故某一时刻的数据往往不立存在的，与其邻近位置的观测值存在着一定的信息关联，进而利用历史数据可以时间序列的发展趋势，实现对未来时刻观测值的预测[33]。对于 GNSS 坐标时间序列，受地球板块运动、地球海潮、大气负载及固体潮等因素的周期性变化，因而基准站期观测数据存在水平时间序列分量的长期线性趋势和高程时间序列分量的长周期化[34]，体现了观测对象变化的延续性，并且可以通过训练适当的 RNN 模型来描述变化规律，进而实现对某一时刻观测值的预测。
太原理工大学硕士研究生学位论文性”较差。例如，“太原是座古老的城市，汾河水流淌在三晋大地，培育了一片沃养育着世世代代的晋人儿女。然而，由于污染严重，城市被雾霾笼罩，汾河水已不再澈……太原的天空是灰色的”，当要预测最后的颜色时，短期依赖的经典 RNN 模型不能很好地预测出正确结果。因此对于此类案例，据当前时刻 t 距离较远的某一时刻关键观测值信息，具有较大的权重，应当保存其隐藏层状态，以提高神经网络模型预的准确度。SePPHochreiter 等于 1997 年提出了 LSTM 结构[37]，基于 LSTM 结构的神网络模型能够较好地解决如上问题，且在较多的应用案例中实验效果优于经典的 R结构模型[19]。遗忘门
【参考文献】：
期刊论文
[1]基于循环神经网络的股指价格预测研究[J]. 王理同,薛腾腾,王惠敏,刘震. 浙江工业大学学报. 2019(02)
[2]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[3]基于LSTM循环神经网络的储层物性参数预测方法研究[J]. 安鹏,曹丹平,赵宝银,杨晓利,张明. 地球物理学进展. 2019(05)
[4]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[5]神经机器翻译综述[J]. 李亚超,熊德意,张民. 计算机学报. 2018(12)
[6]GNSS坐标时间序列分析理论与方法及展望[J]. 姜卫平,王锴华,李昭,周晓慧,马一方,马俊. 武汉大学学报(信息科学版). 2018(12)
[7]基于LSTM时间序列重建的生产装置异常检测[J]. 窦珊,张广宇,熊智华. 化工学报. 2019(02)
[8]基于LSTM的船舶航迹预测模型[J]. 权波,杨博辰,胡可奇,郭晨萱,李巧勤. 计算机科学. 2018(S2)
[9]基于双向LSTM的Seq2Seq模型在加油站时序数据异常检测中的应用[J]. 陶涛,周喜,马博,赵凡. 计算机应用. 2019(03)
[10]深度学习下的情感分析与推荐算法[J]. 郭慧,柳林,刘晓,程鹏. 测绘通报. 2018(09)
博士论文
[1]煤矿瓦斯监测数据插值与预测研究[D]. 魏永强.中国矿业大学(北京) 2015
硕士论文
[1]RNN-DNN语音识别系统研究及其应用[D]. 吴俊峰.华南理工大学 2018
[2]RNN-BLSTM声学模型的说话人自适应方法研究[D]. 黄智颖.中国科学技术大学 2017
[3]中国陆态网GPS基准站坐标时间序列主成分分析[D]. 刘晓祥.西南交通大学 2017
[4]基于改进奇异谱分析方法提取GNSS坐标时间序列趋势项及季节项信息[D]. 张旺.西南交通大学 2017
[5]基于双向LSTMN神经网络的中文分词研究分析[D]. 黄积杨.南京大学 2016
[6]“陆态网络”基准站坐标时间序列变化特性分析[D]. 李婧.解放军信息工程大学 2013
[7]基于时间序列分析的股票预测模型研究[D]. 郝博乾.电子科技大学 2011
本文编号：3018710
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
一IB卜LsTM模型进行序列缺失数据插值补全的步骤Flgl一1StePsforInterpolationofscqucncemlsslngdataus”lgBI一LSTMmodcl
.1 经典循环神经网络原理）RNN 经典结构时间序列数据，是一系列对观测对象的等间距观测值，随着观测周期的增加，观测常存在着某种趋势性变化。由于事物的发展具有延续性，故某一时刻的数据往往不立存在的，与其邻近位置的观测值存在着一定的信息关联，进而利用历史数据可以时间序列的发展趋势，实现对未来时刻观测值的预测[33]。对于 GNSS 坐标时间序列，受地球板块运动、地球海潮、大气负载及固体潮等因素的周期性变化，因而基准站期观测数据存在水平时间序列分量的长期线性趋势和高程时间序列分量的长周期化[34]，体现了观测对象变化的延续性，并且可以通过训练适当的 RNN 模型来描述变化规律，进而实现对某一时刻观测值的预测。
太原理工大学硕士研究生学位论文性”较差。例如，“太原是座古老的城市，汾河水流淌在三晋大地，培育了一片沃养育着世世代代的晋人儿女。然而，由于污染严重，城市被雾霾笼罩，汾河水已不再澈……太原的天空是灰色的”，当要预测最后的颜色时，短期依赖的经典 RNN 模型不能很好地预测出正确结果。因此对于此类案例，据当前时刻 t 距离较远的某一时刻关键观测值信息，具有较大的权重，应当保存其隐藏层状态，以提高神经网络模型预的准确度。SePPHochreiter 等于 1997 年提出了 LSTM 结构[37]，基于 LSTM 结构的神网络模型能够较好地解决如上问题，且在较多的应用案例中实验效果优于经典的 R结构模型[19]。遗忘门
【参考文献】：
期刊论文
[1]基于循环神经网络的股指价格预测研究[J]. 王理同,薛腾腾,王惠敏,刘震. 浙江工业大学学报. 2019(02)
[2]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[3]基于LSTM循环神经网络的储层物性参数预测方法研究[J]. 安鹏,曹丹平,赵宝银,杨晓利,张明. 地球物理学进展. 2019(05)
[4]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[5]神经机器翻译综述[J]. 李亚超,熊德意,张民. 计算机学报. 2018(12)
[6]GNSS坐标时间序列分析理论与方法及展望[J]. 姜卫平,王锴华,李昭,周晓慧,马一方,马俊. 武汉大学学报(信息科学版). 2018(12)
[7]基于LSTM时间序列重建的生产装置异常检测[J]. 窦珊,张广宇,熊智华. 化工学报. 2019(02)
[8]基于LSTM的船舶航迹预测模型[J]. 权波,杨博辰,胡可奇,郭晨萱,李巧勤. 计算机科学. 2018(S2)
[9]基于双向LSTM的Seq2Seq模型在加油站时序数据异常检测中的应用[J]. 陶涛,周喜,马博,赵凡. 计算机应用. 2019(03)
[10]深度学习下的情感分析与推荐算法[J]. 郭慧,柳林,刘晓,程鹏. 测绘通报. 2018(09)
博士论文
[1]煤矿瓦斯监测数据插值与预测研究[D]. 魏永强.中国矿业大学(北京) 2015
硕士论文
[1]RNN-DNN语音识别系统研究及其应用[D]. 吴俊峰.华南理工大学 2018
[2]RNN-BLSTM声学模型的说话人自适应方法研究[D]. 黄智颖.中国科学技术大学 2017
[3]中国陆态网GPS基准站坐标时间序列主成分分析[D]. 刘晓祥.西南交通大学 2017
[4]基于改进奇异谱分析方法提取GNSS坐标时间序列趋势项及季节项信息[D]. 张旺.西南交通大学 2017
[5]基于双向LSTMN神经网络的中文分词研究分析[D]. 黄积杨.南京大学 2016
[6]“陆态网络”基准站坐标时间序列变化特性分析[D]. 李婧.解放军信息工程大学 2013
[7]基于时间序列分析的股票预测模型研究[D]. 郝博乾.电子科技大学 2011
本文编号：3018710
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3018710.html
