具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种北斗定位长期监测数据的处理方法，包括以下步骤：

S1：针对原始短基线基于北斗卫星监测单历元观测值，且基站监测区域应用大部分小于15km，最多不超过20km，通过采取短基线单历元解，结合LAMBDA算法实现单历元模糊度固定基站进行基于单历元的双差整周模糊度解算得到监测站相对基站的南北、东西及高度坐标值作为变形监测时间序列，并以小时为单位对变形监测时间序列进行单历元异常值分析和剔除，初步获得基于北斗监测站小时解的变形监测时间序列；

S2：对基于北斗监测站小时解的变形监测时间序列进行数据矩阵化处理，获得矩阵化的变形监测时间序列，以便于进行分析；

S3：对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析，并移除周期性波动与噪音，获得纠正后的坐标时间序列；

S4：对纠正后的坐标时间序列进行固定时间段的分段，获得多段坐标时间序列；并在多段坐标时间序列中剔除非周期性共模误差，获得标准的坐标时间序列；

S5：对标准的坐标时间序列进行数据重构拟合，得到变形时间序列曲线，完成对监测数据的处理。

在具体实施过程中，基于单历元的双差整周模糊度解算结果可通过不同主流方法求出。由于电离层干扰、数据跳跃等影响，会导致变形监测时间序列有明显异常，需要进行分析和剔除。

更具体的，设共有n座监测站，监测站的编号为i，i＝1，2，3，…，n，x_j为第j历元的相对解，共有N个历元，j＝2，3，4，…，N-1；

在步骤S1中，对变形监测时间序列进行单历元异常值分析和剔除包括以下步骤：

S1.1：根据相对解x_j依次计算出相应的判定值y_m：

y_m＝2x_j-(x_j+1+x_j-1)

其中，判定值序号m＝1，2，…，N-2；

S1.2：计算相对解的均值和方差σ；

S1.3：计算出标准值z_m，根据标准值z_m判断出相应的变形监测时间序列是否为异常值，并剔除异常值。

更具体的，在步骤S1.3中，标准值z_m的计算公式为：

当z_m＞3，则判断相应的变形监测时间序列为异常值。

更具体的，在步骤S1.3中，标准值z_m的计算公式为：

当z_m＞1.7，则判断相应的变形监测时间序列为异常值。

更具体的，在步骤S3中，基于自适应对应模态阶数白噪声的完备经验模态分解方法对矩阵化的变形监测时间序列进行周期性、半周期性波动及噪音分析。

在具体实施过程中，通过基于自适应对应模态阶数白噪声的完备经验模态分解方法获得降噪后的时间序列，该方法主要去除周期性信号与降噪，其中，求解第k阶模态函数，取n(t)为t时刻方差为常数的白噪声，重复求解信号一阶残差值r₁与一阶模态分量c₁，在一阶残差值添加噪声，r_k为第k阶残差值，第k阶添加噪声为γ_k＝β_kn_k+1(t)；其中，β_k为模态分解中选取的高斯白噪声第k阶信噪比，n_k+1(t)为第k+1阶的t时刻方差为常数的白噪声；重组函数为R_k(n)＝r_k+γ_k，重复步骤求解，Re(R_k(n))为经验模态分解后残差信号的运算，建立k阶模态函数。基于自适应对应模态阶数白噪声的完备经验模态分解方法解决了模态混叠与非真实的模态分量问题，及同模态分量下出现同一模态的不完全伪分量，实际应用中也被证明为该短基线扰动较大场景中适合的模态分解分析方法。

更具体的，在步骤S4中，

设n_i代表各监测站，其中n_i＝(x₁，x₂，…x_m)代表各监测站处理后的相对位移，鉴于监测区域为短基线相对区域较小，各监测站均能对其扰动有较相似的位移记录，设定分段数值基准为24并将监测站n_i中的坐标时间序列共被分为C段，即有分段一阶函数则整个监测网处理得到各监测站分段一阶函数矩阵为

选取监测网中的中心监测站的分段一阶函数均值作为参考值，当则认定相应的分段一阶函数为非周期性共模误差，予以剔除；

其中，分段序号c＝1，2，…，C。

在具体实施过程中，共模误差处理是基于物体传递规律及真实运动计算，需要对各监测站进行时间分段，主要针对解决外部真实影响。外部真实影响对较小区域内各监测站具有物理位移影响的传递性质，具有明显的时间传递规律。

更具体的，坐标时间序列的分段数值基准范围为24至168。

在具体实施过程中，规律扰动影响时间较短的在2小时，较长的也基本不超过2天，规律扰动引起的位移具有一定规律。因此，在分段数值基准为24的监测分段基础上，可选取更大的168监测数据，实际运算中最好不超过168。

更具体的，在步骤S5中，

当外部影响较大时，根据步骤S4中分段一阶函数中的分段数值基准的1/2、1/4或1/8，选取分段后一阶函数矩阵计算相邻斜率，并基于最小二乘法方法予以重构拟合，得到变形时间序列曲线。

更具体的，还包括采用信噪比和相关系数判定变形时间序列曲线的准确性，具体为：

取相关系数

其中，cov为数据的协方差，σ为方差；

取信噪比

其中，m_i(t)表示带有噪声的各监测站原始数据，Ri_n(t)表示处理并重构后的各监测站数据，N表示时间序列长度，i为监测站，i＝1，2，3，…，n。

在具体实施过程中，r与SNR值越高即降噪效果越好。

实施例2

如图2所示，一种北斗定位长期监测数据的处理系统，应用于实现所述的一种北斗定位长期监测数据的处理方法，包括北斗数据存储模块1、数据匹配模块2、北斗数据处理模块3、时间序列数据处理模块4和监测识别模块5；

所述北斗数据存储模块1的输出端与所述数据匹配模块2的输入端连接，所述数据匹配模块2的输出端与所述北斗数据处理模块3的输入端连接，所述北斗数据处理模块3的输出端与所述时间序列数据处理模块4的输入端连接，所述时间序列数据处理模块4的输出端与所述监测识别模块5的输入端连接；

所述北斗数据存储模块1存储有北斗设备采集的定位单历元观测值和基站数据；

所述数据匹配模块2用于从各北斗监测站与各北斗基站进行基于时间序列的数据匹配，同时对监测站之间数据初步结果进行匹配；

所述北斗数据处理模块3用于将北斗数据进行基于融合lambda算法的短基线双差单历元北斗解，并进行异常值剔除；

所述时间序列数据处理模块4用于进行基于改进型经验模态分解的周期性与半周期性波动及噪音分析，并移除周期性波动与噪音；

所述监测识别模块5用于对受到外部环境影响的各监测站数据进行遍历处理并进行判定与剔除，然后进行分段函数重构，最终输出变形时间序列曲线。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。