近海面风速观测数据呈现出非线性与非平稳的特性,致使风速观测产生误差,进而使得对其中随机误差的有效处理颇具难度。并且,在不同的时间段以及空间位置上,随机误差的分布存在不均匀的情况,给误差的识别和补偿带来了困难。因此,提出近海...近海面风速观测数据呈现出非线性与非平稳的特性,致使风速观测产生误差,进而使得对其中随机误差的有效处理颇具难度。并且,在不同的时间段以及空间位置上,随机误差的分布存在不均匀的情况,给误差的识别和补偿带来了困难。因此,提出近海面风速观测数据随机误差补偿方法。利用经验模态分解(Empirical Mode Decomposition,EMD)算法得到近海面风速观测数据的固有模态函数(Intrinsic Mode Functions,IMF)分量,滤除噪声成分,并保留数据的原始信息和结构,有效地处理非线性和非平稳信号。利用去噪后的数据建立自回归模型(Auto-Regressive and Moving Average Model,ARMA),估计当前风速状态,实现近海面风速观测数据随机误差的反向补偿。实验结果表明,上述方法应用下SNR值最大为27.6,且补偿后的风速数据在10.5m/s附近小范围波动,补偿效果明显。展开更多
文摘近海面风速观测数据呈现出非线性与非平稳的特性,致使风速观测产生误差,进而使得对其中随机误差的有效处理颇具难度。并且,在不同的时间段以及空间位置上,随机误差的分布存在不均匀的情况,给误差的识别和补偿带来了困难。因此,提出近海面风速观测数据随机误差补偿方法。利用经验模态分解(Empirical Mode Decomposition,EMD)算法得到近海面风速观测数据的固有模态函数(Intrinsic Mode Functions,IMF)分量,滤除噪声成分,并保留数据的原始信息和结构,有效地处理非线性和非平稳信号。利用去噪后的数据建立自回归模型(Auto-Regressive and Moving Average Model,ARMA),估计当前风速状态,实现近海面风速观测数据随机误差的反向补偿。实验结果表明,上述方法应用下SNR值最大为27.6,且补偿后的风速数据在10.5m/s附近小范围波动,补偿效果明显。
