融合BiLSTM和VMD的GNSS坐标时间序列重构

【摘要】 GNSS观测时间序列包含复杂的非线性构造运动，如地面质量荷载、模型残差、周围环境因素等。由于环境因素的复杂性，季节性信号可能具备准周期时变的特征，传统的时间序列分析模型很难模型化。因此，可以采用一种双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）循环神经网络与变分模态分解（Variational Mode Decomposition,VMD）联合的信号重构方法。首先利用VMD强大的分解能力将GNSS信号进行频域剖分并将其分为多项子信号和噪声项，再基于BiLSTM强大的学习能力对GNSS信号进行训练建模。结果表明，BiLSTM+VMD模型能充分挖掘信号的时频域特征，提高信号重构的精度和稳定性，GNSS N、 E、 U三分量重构结果均方根误差（Root Mean Squared Error,RMSE）都表现出不同程度的降低，尤其水平方向效果更为显著，相比EMD与VMD方法，E方向离散度分别降低了61%和19%, N方向离散度分别降低了20%和14%。这为GNSS观测时间序列中信号提取与模型参数估计提供了一个有价值的模型。更多还原