This title slide introduces a thesis on detecting variable seasonal signals in GPS position time series under different noise levels. It specifies that this is a thesis presentation prepared by [Your Name] on [Today's Date].

تشخیص سیگنال فصلی متغیر

در سری‌های زمانی موقعیت GPS با سطوح نویز مختلف

ارائه پایان‌نامه تهیه‌کننده: [نام شما] تاریخ: [تاریخ امروز]

Source: Detecting time-varying seasonal signal in GPS position time series with different noise levels

This agenda slide, titled "فهرست مطالب" (Table of Contents), outlines the presentation structure in seven sections. It lists: 1. Introduction, 2. Background and Objective, 3. Methodology, 4. Data Analysis, 5. Real GPS Results, 6. Conclusion, and 7. References.

فهرست مطالب

1. 1. مقدمه
2. 2. پیشینه و هدف
3. 3. روش‌شناسی
4. 4. تحلیل داده‌ها
5. 5. نتایج واقعی GPS
6. 6. نتیجه‌گیری
7. 7. منابع

Source: Detecting time-varying seasonal signal in GPS position time series with different noise levels

This section header slide, titled "Detection of Variable Seasonal Signals in GPS Position Time Series with Different Noise Levels," introduces Section 01: Introduction. The subtitle covers GPS fundamentals and the importance of variable seasonal signals in positioning data.

تشخیص سیگنال فصلی متغیر در سری‌های زمانی موقعیت GPS با سطوح نویز مختلف

01

مقدمه

معرفی GPS و اهمیت سیگنال‌های فصلی متغیر در داده‌های موقعیت‌یابی

Source: برگرفته از پایان‌نامه

This slide features a conceptual GPS image illustrating a receiver capturing satellite signals, with seasonal signals visible in position time series. It emphasizes examining temporal changes and noise effects using generated synthetic simulation data.

تصویر مفهومی GPS

!Image

• گیرنده GPS سیگنال‌های ماهواره‌ای را دریافت می‌کند.
• سیگنال‌های فصلی در سری زمانی موقعیت ظاهر می‌شوند.
• بررسی تغییرات زمانی و اثر نویز ضروری است.
• داده‌های مصنوعی برای شبیه‌سازی تولید شده‌اند.

Source: Wikipedia

This slide is a section header for Section 02, titled "Background and Research Objective." Its subtitle outlines a review of prior studies and the goal of investigating noise effects on seasonal signals.

02

پیشینه و هدف تحقیق

مرور مطالعات پیشین و هدف: بررسی اثر نویز بر سیگنال‌های فصلی

Previous studies relied on traditional OLS regression models, which faced challenges from variable noise impacting signal extraction accuracy, and focused mainly on low-noise data. The objective is to compare methods across varying noise levels.

مطالعات پیشین

• مدل‌های سنتی: استفاده از رگرسیون حداقل مربعات (OLS)
• چالش‌ها: تأثیر نویز متغیر بر دقت استخراج سیگنال
• مطالعات پیشین: تمرکز بر داده‌های بدون نویز شدید
• هدف: مقایسه روش‌ها در سطوح نویز مختلف

This section header slide introduces Section 03 titled "Methodology" (روش‌شناسی). Its subtitle lists key models—MOLS, SSA, KF, CP, WD—and synthetic data generation.

روش‌شناسی

03

روش‌شناسی

مدل‌های MOLS، SSA، KF، CP، WD و تولید داده‌های مصنوعی

Source: پایان‌نامه: Detecting time-varying seasonal signal in GPS position time series with different noise levels

The left column describes models MOLS (multivariate OLS for fixed seasonal parameters), SSA (singular spectrum analysis for variable seasonal components), and KF (Kalman filter for dynamic state estimation with uncertainty). The right column covers CP (change point detection for sudden signal changes), WD (wavelet denoising to remove noise while preserving seasonality), and simulations of artificial time series with white, colored, and AR(1) noise.

مدل‌های مورد استفاده

This slide serves as the section header for Section 04, titled "تحلیل داده‌ها" (Data Analysis). The subtitle highlights simulation results, statistical tables, accuracy, SNR, and standard deviation.

تحلیل داده‌ها

04

تحلیل داده‌ها

نتایج شبیه‌سازی‌ها، جداول آماری، دقت، SNR و انحراف معیار

Source: پایان‌نامه «Detecting time-varying seasonal signal in GPS position time series with different noise levels»

The slide "نمودارهای مقایسه‌ای" showcases key comparative stats: 98.5% Kalman filter accuracy (highest in simulations), 18 dB SNR improvement with SSA (vs. base noise), and 0.25 mm KF standard deviation (lowest in synthetic data). These metrics highlight superior performance across noise reduction and precision benchmarks.

نمودارهای مقایسه‌ای

• ۹۸٫۵٪: دقت فیلتر کالمن

بالاترین در شبیه‌سازی

• ۱۸ dB: بهبود SNR با SSA

نسبت به نویز پایه

• ۰٫۲۵ mm: انحراف معیار KF

کمترین در داده‌های مصنوعی Source: شبیه‌سازی‌های پایان‌نامه

The slide depicts signal and noise in GPS positioning, with seasonal signals as regular annual changes and noise as random disturbances at varying levels. It emphasizes separating them via advanced filters to enhance accuracy and enable precise time series analysis.

تصویر سیگنال و نویز

!Image

• سیگنال فصلی: تغییرات منظم سالانه در موقعیت GPS.
• نویز: اختلالات تصادفی با سطوح مختلف.
• جداسازی: بهبود دقت با فیلترهای پیشرفته.
• اهمیت: تحلیل دقیق داده‌های زمانی.

Source: Wikipedia

This slide is a section header for Section 05, titled "Real GPS Results." The subtitle describes data from AUCK and ULAB stations, focusing on signal-to-noise ratio analysis.

05

نتایج واقعی GPS

داده‌های ایستگاه‌های AUCK و ULAB، تحلیل نسبت نویز به سیگنال

This slide on AUCK and ULAB stations highlights the superior results of KF and SSA methods using real GPS data charts and high-precision SNR calculations. It includes analysis of their superiority at these stations and a comparison of performance on real data.

ایستگاه AUCK و ULAB

• نتایج برتر روش‌های KF و SSA
• نمودارهای واقعی داده‌های GPS
• SNR محاسبه‌شده با دقت بالا
• تحلیل برتری در ایستگاه‌های AUCK و ULAB
• مقایسه عملکرد روش‌ها در داده‌های واقعی

This section header slide marks the Conclusion (Section 06) for detecting time-varying seasonal signals in GPS position time series with different noise levels. It spotlights the best methods—Kalman filter and SSA—while noting limitations and suggestions.

تشخیص سیگنال فصلی متغیر زمانی در سری‌های زمانی موقعیت GPS با سطوح نویز متفاوت

06

نتیجه‌گیری

بهترین روش‌ها: فیلتر کالمن و SSA. محدودیت‌ها و پیشنهادها.

Source: پایان‌نامه

KF and SSA are the most accurate methods across various noise types, with practical applications in geodesy and suggestions for future research. Thank you for your attention.

جمع‌بندی

• KF و SSA دقیق‌ترین در نویزهای مختلف

• کاربرد عملی در علوم ژئودزی
• پیشنهاد برای تحقیقات آتی

سپاس از توجه شما

Source: پایان‌نامه: Detecting time-varying seasonal signal in GPS position time series with different noise levels

The slide, titled "منابع" (References), lists five key sources in bullet points. They cover SSA analysis for time series (Golyandina et al., 2001), GPS noise models (Zumberge et al., 1997), Kalman filtering (Welch, 1967), time series forecasting (Brockwell & Davis, 1991), and IGS station data (AUCK and ULAB).

منابع

• منبع ۱: Golyandina et al. (۲۰۰۱)، تحلیل SSA برای سری‌های زمانی.
• منبع ۲: Zumberge et al. (۱۹۹۷)، مدل‌های نویز در داده‌های GPS.
• منبع ۳: Welch (۱۹۶۷)، فیلتر کالمن برای تخمین حالت.
• منبع ۴: Brockwell & Davis (۱۹۹۱)، سری‌های زمانی و پیش‌بینی.
• منبع ۵: داده‌های ایستگاه‌های IGS (AUCK و ULAB).