全球导航卫星系统(Global Navigation Satellite System,GNSS)以其快速、高精度、全天候等优势,被广泛地用于桥梁、滑坡体、建筑物和构筑物等变形体的监测,业已成为变形监测的主要技术手段之一。GNSS变形监测技术包括:监测、数据处理和变形信息的识别与预警三个部分,其中,监测是基础,数据处理是手段,变形信息的识别与预警是目的。GNSS变形监测的关键是如何准确的识别出监测数据中的变形信息并及时进行预警,变形信息的识别与预警是变形体安全运营的重要保障,对保护人民的生命财产安全具有重要意义。本文针对GNSS长时间监测过程中可能出现的个别粗差或离群值,将会造成累积和(Cumulativesum,CUSUM)控制图误警率较高的问题,提出基于中位数的CUSUM控制图的GNSS变形信息的识别与预警算法,并针对CUSUM控制图不能有效分析GNSS监测数据中的时间序列的影响因素,引入加性季节和趋势分解与断点识别算法(Breaks for Additive Season and Trend,BFAST),构建基于改进BFAST算法的GNSS变形信息识别与预警方法;同时,针对GNSS监测数据有时不服从某一特定分布的问题,并考虑到以上方法是基于GNSS监测数据服从正态分布的要求,建立基于局部加权回归(Locally weighted regression,LWR)残差的GNSS变形信息检验与预警算法。本文的主要研究内容及成果如下:(1)依据传统的CUSUM控制图理论,建立了基于CUSUM中位数控制图的GNSS变形信息识别与预警算法。该方法采用中位数的方式,将监测数据进行组合,较大程度上消除监测数据中可能出现的个别粗差或离群值对检测结果的影响。针对GNSS不满足正态分布的问题,介绍了一种非正态数据转化的方法;同时,通过在实测数据中加入模拟变形数据,在含有无粗差、离散粗差和连续粗差的模拟变形数据的情况下进行相关试验。实验结果表明:基于CUSUM中位数控制图的方法可以有效地抑制噪声对变形信息的影响,增强监测序列的变形特征。对于未加入粗差的变形序列,基于中位数的CUSUM控制图对变形信息的识别精度高于经典CUSUM方法;而对于加入粗差的变形序列,基于中位数的CUSUM控制图优势更为明显,其表现出了良好的稳健性,与采用该方法对未加入粗差的变形序列的识别结果基本相当。(2)BFAST是一种对时间序进行分解的断点检测算法,针对CUSUM控制图不能有效分析GNSS监测数据中时间序列的影响因素问题,提出基于改进BFAST的GNSS变形信息识别与预警方法。在实验中,发现BFAST不适用于GNSS坐标序列幅值波动较大的情况,鉴于此,本文结合CUSUM控制图的优势,对BFAST算法进行改进;同时,考虑到GNSS采集数据时不满足季节性的情况,在迭代步骤中进行优化。实验结果表明:改进的BFAST算法很好的解决了原始BFAST算法不适用于GNSS坐标序列幅值波动较大时的问题,与原始BFAST算法相比,在探测连续偏移的变形数据时,改进的BFAST方法具有明显的优势,提高了探测结果的可靠性和稳定性,对变形信息的识别精度更优,表现出了良好的稳健性。(3)在变形信息的探测中,以上方法必须具备一定的条件,即GNSS监测数据要服从正态分布。而实际采集数据时GNSS信号受到多路径误差、电离层延迟等误差的影响,导致监测数据不服从某一特定分布,鉴于此,提出基于LWR残差的GNSS变形信息检验算法。通过模拟数据和在实测数据中加入变形信息两种方式进行验证,实验结果表明:无论选择哪种方式进行验证,该方法均具有良好的检验变形信息的能力。对于上、下型和积极趋势型的数据进行检验时,具有明显的优势,并且能够准确的反映变化趋势;对于突变型数据,本算法适用于对二倍标准差以上的连续大偏移变形数据的检验,能够有效地识别出GNSS监测数据中变形信息发生变化的范围和位置,但是对一倍标准差偏以下的连续小偏移数据的识别精度较低。图[28]表[5]参[87]