عنوان پایان‌نامه

مدلسازی نویز های سر های زمانی GPSبرای بهبود سیگنال



    دانشجو در تاریخ ۰۸ شهریور ۱۳۹۴ ، به راهنمایی ، پایان نامه با عنوان "مدلسازی نویز های سر های زمانی GPSبرای بهبود سیگنال" را دفاع نموده است.


    رشته تحصیلی
    مهندسی عمران- نقشه برداری- ژئودزی(هیدروگرافی)
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3224;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74326;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3224;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74326
    تاریخ دفاع
    ۰۸ شهریور ۱۳۹۴
    دانشجو
    گودرز یزدان پناه
    چکیده
    لینک فایل چکیده
    انجام مشاهدات مختلف در سطح زمین و بررسی رفتار پوسته، همواره یکی از اصلی‌ترین اهداف ژئودینامیک بوده است. یکی از راه‌های دست‌یابی به این هدف ایجاد شبکه‌هایی از ایستگاه‌های دائم GPS و بررسی رفتار آنها در طول زمان می‌باشد. با توجه به اینکه هر سری زمانی متشکل از دو بخش قطعی (تابعی) و تصادفی می‌باشد، می‌توان آنالیز سری زمانی را نیز به دو بخش بررسی سیگنال یا بخش قطعی و بررسی نویز یا بخش تصادفی تقسیم نمود. بررسی بخش قطعی به جهت اینکه اطلاعات مفیدی در رابطه با حرکات پوسته در هر ایستگاه در اختیار ما قرار می‌دهد، حائز اهمیت است. بررسی بخش تصادفی نیز به دلیل اینکه اطلاعاتی در مورد خطاهای موجود و میزان اعتبار مشاهدات هر ایستگاه به ما ارائه می‌دهد، قابل توجه است. در این پایان‌نامه به آنالیز سری‌های زمانی موقعیت 40 ایستگاه¬ دائمی GPS از شبکه‌ی PANGA، واقع در ایالات متحده و مدل‌سازی نویز این سری‌ها پرداخته شده است. بخش قطعی سری زمانی مدل‌سازی و اطلاعات مربوط به حرکت هر یک از ایستگاه‌ها استخراج شد. متوسط سرعت حرکت مؤلفه‌ی شمالی جنوبی 0.03±3.97 میلی‌متر در سال، مؤلفه‌ی شرقی-غربی 0.03±3.99 میلی‌متر در سال و مؤلفه‌ی ارتفاعی 0.12±1.56 میلی‌متر در سال برای ایستگاه‌ها برآورد شد. در ادامه با استفاده از فیلترینگ مکانی سعی در کاهش دامنه‌ی خطای مد مشترک ایستگاه‌ها شده است. از طریق برآورد و آنالیز چگالی توان طیفی باقی‌مانده‌ها، متوسط شاخص طیفی نویز پنهان سری‌های زمانی برای مؤلفه‌ی شمالی-جنوبی 0.98، برای مؤلفه‌ی شرقی-غربی 1.07 و برای مؤلفه‌ی ارتفاعی 0.77 برآورد شد. برآوردگر بیشترین درست‌نمایی برای برآورد پارامترهای پنج مدل ترکیبی از نویزها به صورت نویز سفید خالص، نویز سفید به‌علاوه نویز فلیکر، نویز سفید به‌علاوه نویز قدم تصادفی، نویز سفید به‌علاوه نویز رنگی و نویز سفید به‌علاوه فرآیند گاوس مارکوف مرتبه اول، به کار گرفته شده است. مشاهده شد، مدل نویز سفید به‌علاوه نویز فلیکر در 42.5 درصد، مدل نویز سفید به‌علاوه نویز رنگی در 53.3 درصد و مدل نویز سفید به‌علاوه فرآیند گاوس-مارکوف مرتبه اول در 4.2 درصد از ایستگاه‌ها به بهترین نحو نویز موجود در سری‌های زمانی را نمایش می‌دهند. در پایان، سرعت حرکت ایستگاه‌ها با در نظر گرفتن ماتریس‌های وزن حاصل از مدل‌های نویز بهینه، جهت دست‌یابی به برآوردی واقع‌بینانه از دقت سرعت برآورد شده، محاسبه گردید. نتایج حاصله نشان می‌دهد که مدل‌سازی باقی‌مانده‌ها از طریق مدل‌های تصادفی منجر به برآورد صحیح دقت سرعت‌ها و در نتیجه‌ی آن کاهش باقی‌مانده‌ها در مدل قطعی حرکت ایستگاه‌ها شده است. کلمه‌های کلیدی: آنالیز سری‌های زمانی GPS، مدل‌سازی نویز سری‌های زمانی GPS، تابع چگالی توان طیفی، برآوردگر بیشترین درست‌نمایی
    Abstract
    Application of geodetic observations for the monitoring of the crustal movement has always been one of the main objectives of geodynamics. A way to achieve this, is to create a network of permanent GNSS stations and to analyze their collected data over the time. A time series of that kind can be decomposed into two parts, i.e., deterministic part and stochastic part. Consequently time series analysis can be divided into signal or deterministic part and noise or stochastic part analysis, respectively. Analysis of the deterministic part is important due to its information about crustal motion, and the analysis of the stochastic part is necessary because of it information about the uncertainties in the estimated crustal motion. In this thesis, the time series of 40 permanent GNSS stations of PANGA network are used to detect the underlying noises. Deterministic part of time series is modeled and the information related to each station is extracted. The estimated average velocity of the stations is 3.97±0.03 mm/yr, 3.99±0.03 mm/yr and 1.56±0.12 mm/yr for north, east and up components, respectively. The common mode error of network reduced by a regional spatial filtering method. Power spectrum density of each station is analyzed to estimate power-law noise indices. Estimated power-law noise indices have the mean of 0.98, 1.08 and 0.77 in north, east and up components, respectively. Maximum likelihood estimator used to estimate components of five the following noise models: (i) Pure white noise, (ii) white noise plus flicker noise, (iii) white noise plus random walk noise, (iv) white noise plus power-law noise, and (v) white noise plus first order Gauss-Markov noise. According to our estimates white noise plus flicker noise can well describe 42.5 percent noise of the stations, and that of white noise plus power-law noise is 53.3 percent, white noise plus first order Gauss-Markov noise is 4.2 percent. Finally, in order to realistically estimate rate uncertainties, stations rate are derived using weight matrixes of the best noise models. The numerical results show that residuals modeling by means of stochastic models can result in estimating accurate rate uncertainties, and as such, reducing residuals of the stations deterministic model. Keywords: Time series analysis, Noise Analysis, Power Spectrum Density, Maximum Likelihood Estimation