The idea of time series forecasting techniques is that the past has certain information about future. So, the question of how the information is encoded in the past can be interpreted and later used to extrapolate events of future constitute the crux of time series analysis and forecasting. Several methods such as qualitative techniques (e.g., Delphi method), causal techniques (e.g., least squares regression), quantitative techniques (e.g., smoothing method, time series models) have been developed in the past in which the concept lies in establishing a model either theoretically or mathematically from past observations and estimate future from it. Of all the models, time series methods such as autoregressive moving average (ARMA) process have gained popularity because of their simplicity in implementation and accuracy in obtaining forecasts. But, these models were formulated based on certain properties that a time series is assumed to possess. Classical decomposition techniques were developed to supplement the requirements of time series models. These methods try to define a time series in terms of simple patterns called trend, cyclical and seasonal patterns along with noise. So, the idea of decomposing a time series into component patterns, later modeling each component using forecasting processes and finally combining the component forecasts to obtain actual time series predictions yielded superior performance over standard forecasting techniques. All these methods involve basic principle of moving average computation. But, the developed classical decomposition methods are disadvantageous in terms of containing fixed number of components for any time series, data independent decompositions. During moving average computation, edges of time series might not get modeled properly which affects long range forecasting. So, these issues are to be addressed by more efficient and advanced decomposition techniques such as Wavelets and Empirical Mode Decomposition (EMD). Wavelets and EMD are some of the most innovative concepts considered in time series analysis and are focused on processing nonlinear and nonstationary time series. Hence, this research has been undertaken to ascertain the predictability of nonstationary time series using wavelet and Empirical Mode Decomposition (EMD) based ARMA models. The development of wavelets has been made based on concepts of Fourier analysis and Window Fourier Transform. In accordance with this, initially, the necessity of involving the advent of wavelets has been presented. This is followed by the discussion regarding the advantages that are provided by wavelets. Primarily, the wavelets were defined in the sense of continuous time series. Later, in order to match the real world requirements, wavelets analysis has been defined in discrete scenario which is called as Discrete Wavelet Transform (DWT). The current thesis utilized DWT for performing time series decomposition. The detailed discussion regarding the theory behind time series decomposition is presented in the thesis. This is followed by description regarding mathematical viewpoint of time series decomposition using DWT, which involves decomposition algorithm. EMD also comes under same class as wavelets in the consequence of time series decomposition. EMD is developed out of the fact that most of the time series in nature contain multiple frequencies leading to existence of different scales simultaneously. This method, when compared to standard Fourier analysis and wavelet algorithms, has greater scope of adaptation in processing various nonstationary time series. The method involves decomposing any complicated time series into a very small number of finite empirical modes (IMFs-Intrinsic Mode Functions), where each mode contains information of the original time series. The algorithm of time series decomposition using EMD is presented post conceptual elucidation in the current thesis. Later, the proposed time series forecasting algorithm that couples EMD and ARMA model is presented that even considers the number of time steps ahead of which forecasting needs to be performed. In order to test the methodologies of wavelet and EMD based algorithms for prediction of time series with non stationarity, series of streamflow data from USA and rainfall data from India are used in the study. Four non-stationary streamflow sites (USGS data resources) of monthly total volumes and two non-stationary gridded rainfall sites (IMD) of monthly total rainfall are considered for the study. The predictability by the proposed algorithm is checked in two scenarios, first being six months ahead forecast and the second being twelve months ahead forecast. Normalized Root Mean Square Error (NRMSE) and Nash Sutcliffe Efficiency Index (Ef) are considered to evaluate the performance of the proposed techniques. Based on the performance measures, the results indicate that wavelet based analyses generate good variations in the case of six months ahead forecast maintaining harmony with the observed values at most of the sites. Although the methods are observed to capture the minima of the time series effectively both in the case of six and twelve months ahead predictions, better forecasts are obtained with wavelet based method over EMD based method in the case of twelve months ahead predictions. It is therefore inferred that wavelet based method has better prediction capabilities over EMD based method despite some of the limitations of time series methods and the manner in which decomposition takes place. Finally, the study concludes that the wavelet based time series algorithm could be used to model events such as droughts with reasonable accuracy. Also, some modifications that could be made in the model have been suggested which can extend the scope of applicability to other areas in the field of hydrology.

對投資者而言，投資股市的目的就是賺錢，但影響股價因素眾多，我們要如何判斷明天是漲是跌？因此如何建立一個準確的預測模型，一直是財務市場研究的課題之一，然而財務市場一直被認為是一個複雜.充滿不確定性及非線性的動態系統，這也是在建構模型上一個很大的阻礙，本篇研究中使用的EEMD方法則適合解決如金融市場或氣候等此類的非線性問題及有趨勢性的資料上。 在本研究中，我們將EEMD結合ANN建構出兩種不同形式的模型去進行台股個股的預測，也試圖改善ARMA模型使其預測效果較好；此外為了能夠達到分散風險的效果，採用了投資組合的方式，在權重的決定上，我們結合動態與靜態的方式來計算權重；至於在交易策略上，本研究也加入了移動平均線，希望能找到最適合的預測模型，本研究所使用的標的物為曾在該期間被列為注意股票的10檔股票。 另外，我們也分析了影響台股個股價格波動的因素，透過EEMD拆解，我們能夠從中得到具有不同意義的本徵模態函數(IMF)，藉由統計值分析重要的IMF其所代表的意義。例如：影響高頻波動的重要因素為新聞媒體或突發事件，影響中頻的重要因素為法人買賣及季報，而影響低頻的重要因素則為季節循環。 結果顯示，EEMD-ANN Model 1是一個穩健的模型，能夠創造出將近20%的年報酬率，其次為EEMD-ANN Model 2，在搭配移動平均線的策略後，表現與Model 1差不多，但在沒有配合移動平均線策略時，雖報酬率仍為正，但較不穩定，因此從研究結果也可以看到，EEMD-ANN的模型皆表現比ARMA的預測模型好。 / The main purpose of investing is to earn profits for an investor, but there are many factors that can influence stock price. Investments want to know the price will rise or fall tomorrow. Therefore, how to establish an accurate forecasting model is one of the important issue that researched by researchers of financial market. However, the financial market is considered of a complex, uncertainty, and non-linear dynamic systems. These characteristics are obstacles on constructing model. The measure, EEMD, used in this study is suitable to solve questions that are non-linear but have trends such as financial market, climate and so on. In this thesis, we used three models including ARMA model and two types of EEMD-ANN composite models to forecast the stock price. In addition, we tried to improve ARMA model, so a new model was proposed. Through EEMD, the fluctuation of stock price can be decomposed into several IMFs with different economical meanings. Moreover, we adopted portfolio approach to spread risks. We integrate the static weight and the dynamic weight to decide the optimal weights. Also, we added the moving average indicator to our trading strategy. The subject matters in this study are 10 attention stocks. Our results showed that EEMD-ANN Model 1 is a robust model. It is not only the best model but also can produce near 20% of 1-year return ratio. We also find that our EEMD-ANN model have better outcome than those of the traditional ARMA model. Owing to that, the increases of trading performance would be expected via the selected EEMD-ANN model.

本文有兩個研究目標，第一個是比較政大用電量與氣溫之間的相關性，第二則是分析影響黃金價格波動的因素。本文使用到的研究方法有希爾柏特黃轉換（HHT）與一些統計值。 　　本研究使用的分析數據如下：政大逐時用電量、台北逐時氣溫以及倫敦金屬交易所（London Metal Exchange）的月平均黃金價格。透過經驗模態分解法（EMD），我們可以將分析數據拆解成數個互相獨立的分量，再藉由統計值選出較重要的分量並分析其意義。逐時用電量的重要分量為日分量、週分量與趨勢；逐時氣溫的重要分量為日分量與趨勢；月平均黃金價格的重要分量則是低頻分量與趨勢。 藉由這些重要分量，我們可以更加了解原始數據震盪的特性，並且選出合理的平均週期將所有的分量分組，做更進一步的分析。逐時用電量與逐時氣溫分成高頻、中頻、低頻與趨勢四組，其中低頻與趨勢相加的組合具有最高的相關性。月平均黃金價格則是分為高頻、低頻與趨勢三組，其中高頻表現出供需以及突發事件等短週期因素，低頻與歷史上對經濟有重大影響的事件相對應，趨勢則是反應出通貨膨脹的現象。 / There are two main separated researched purposes in this thesis. First one is comparing the correlation between electricity consumption and temperature in NCCU. Another one is analyzing the properties of gold price volatility. The methods used in the study are Hilbert-Huang transform (HHT) and some statistical measures. 　　The following original data: hourly electricity consumption in NCCU, hourly temperature in Taipei, and the LME monthly gold prices are decomposed into several components by empirical mode decomposition (EMD). We can ascertain the significant components and analyze their meanings or properties by statistical measures. The significant components of each data are shown as follows: daily component, weekly component and residue for hourly electricity consumption; daily component and residue for hourly temperature; low frequency components and residue for the LME monthly gold prices. 　　We can understand more properties about these data according to the significant components, and dividing the components into several terms based on reasonable mean period. The components of hourly electricity consumption and hourly temperature are divided into high, mid, low frequency terms and trends, and the composition of low frequency terms and trends have the highest correlation between them. The components of LME monthly gold prices are divided into high, low frequency term and trend. High frequency term reveals the supply-demand and abrupt events. The low frequency term represents the significant events affecting economy seriously, and trend shows the inflation in the long run.

Extraction of physiological and clinical information hidden in biosignals, such as cardiac and neural signals, is an important and fascinating field of research. Noninvasive assessment of the physiological parameters of a patient enables to study the physiology and pathophysiology of the investigated system, with minimal interference and inconvenience. This approach may also help to assess noninvasively the clinical condition of the patient. The primary focus of this study is therefore to extend the arsenal of research tools for the noninvasive investigation of the neural and cardiac systems. The approaches developed in this work concern two major directions: The first direction relies on the analysis of cardiac and neural responses during hypoxia. Hypoxia-ischemia remains a great challenge to the researchers, since it triggers complex responses at different levels in the organism. The functional recovery depends on a number of factors among which the state of autonomic nervous system (ANS) regulation plays an important role. Two different applications were considered in this framework. The first application studied the effect of global ischemic preconditioning on the heart rate variability (HRV) response to the asphyxia insult. Using linear (time and frequency domain) and nonlinear (approximate entropy and parameters of Poincare plots) measures, we evaluated the dynamic time course of the HRV response to the asphyxia insult and the effect of preconditioning on the autonomic neurocardiac control. Our results show for the first time that global ischemic preconditioning influences the HRV response to the asphyxia injury. The neuroprotective effect of preconditioning translates into a faster recovery of the basal HRV and the autonomic modulation of the heart. For the preconditioned group, at about 90 min after the asphyxic insult, the autonomic neural balance (measured by LF/HF ratio) appears fully recovered. Another application addressed the problem of phase synchronization analysis of EEG signals during monitoring of recovery process following brain injury episode. The concept of phase synchronization offers a new perspective on the understanding and quantification of the dynamical interactions established among coupled systems. In this thesis, we present a new approach for the identification of the degree of interaction between two complex dynamical systems from experimental data analysis. We use the empirical-mode-decomposition (EMD) technique to decompose the output signals into a number of elementary orthogonal modes with well defined instantaneous attributes (IMFs). The second direction addressed the problem of correlations between anticipatory pursuit eye movements and the neural response in the Supplementary Eye Fields (SEF) of the Macaque monkey. Anticipatory pursuit is a smooth movement of the eye occurring before the appearance of an expected moving target. The expectation of the subject is based on a subjective estimation of the probability that the target will move in a given direction. Recently, it has been suggested that the SEF could play a role in using past experience to guide anticipatory pursuit. This hypothesis is currently being tested at the single neuron level. In the behaving monkey, it has been shown that electrical microstimulation in the SEF can facilitate smooth pursuit initiation towards a moving target, suggesting that activation of the SEF might change the internal gain of the smooth pursuit pathway. In this study, we favored anticipatory responses in monkeys by using a cognitive cue, which produces a different anticipatory pursuit response than the one observed in previous studies, based on repetition. / H εξαγωγή φυσιολογικών και κλινικών πληροφοριών οι οποίες είναι κρυμμένες σε βιοσήματα όπως τα καρδιακά και νευροφυσιολογικά σήματα είναι ένας σημαντικός και πολύ ενδιαφέρον τομέας έρευνας. Μη επεμβατική αξιολόγηση των φυσιολογικών παραμέτρων ενός ασθενή επιτρέπει την μελέτη της φυσιολογίας και παθολογίας του μελετούμενου συστήματος με τις λιγότερες παρεμβολές και ενόχληση. Η προσέγγιση αυτή μπορεί επίσης να βοηθήσει στην μη επεμβατική αξιολόγηση της κλινικής κατάστασης του ασθενή. Η πρώτη προσέγγιση της μελέτης αυτής είναι να επεκτείνει το οπλοστάσιο των ερευνητικών εργαλείων για την μη επεμβατική αναζήτηση του νευρικού και καρδιακού συστήματος. Οι προσεγγίσεις που αναπτύσσονται σε αυτή τη δουλειά αφορούν δύο κύριες κατευθύνσεις: Η πρώτη κατεύθυνση υπόκειται στην ανάλυση των καρδιακών και νευροφυσιολογικών αποκρίσεων κατά τη διάρκεια της υποξίας. Η ισχεμία – υποξία παραμένει μια μεγάλη πρόκληση στους ερευνητές εφόσον πυροδοτεί πολύπλοκες αποκρίσεις σε διαφορετικά επίπεδα στον οργανισμό. Η λειτουργική αποκατάσταση εξαρτάται από έναν αριθμό συντελεστών μεταξύ των οποίων ο έλεγχος της κατάστασης του αυτόνομου νευρικού συστήματος παίζει έναν πολύ σημαντικό ρόλο. Δύο διαφορετικές εφαρμογές ελήφθησαν υπόψη στο πλαίσιο αυτό. Η πρώτη εφαρμογή μελέτησε το φαινόμενο της ολικής ισχαιμικής προκατάστασης στην μεταβλητότητα του καρδιακού ρυθμού (heart rate variability - HRV) σε προσβολή από ασφυξία. Χρησιμοποιώντας γραμμικές (στον τομέα του χρόνου και των συχνοτήτων) και μη γραμμικές (υπολογισμός εντροπίας και παραμέτρων των γραφημάτων Poincare) τεχνικές υπολογίσαμε την δυναμική χρονική εξέλιξη της HRV απόκρισης στην προσβολή από ασφυξία και η επίπτωση της προ-κατάστασης στο αυτόνομο νευροκαρδιολογικό έλεγχο. Τα αποτελέσματά μας έδειξαν για πρώτη φορά ότι η ολική ισχαιμική προκατάσταση επηρεάζει την HRV απόκριση στον τραυματισμό από την ασφυξία. Η νευροπροστατευτική επίπτωση της προκατάστασης μεταφράζεται σε μία γρηγορότερη αποκατάσταση του βασικού HRV και μία αυτόνομη εναρμόνιση της καρδιάς. Για την ομάδα με την προκατάσταση σε περίπου 90 λεπτά μετά την προσβολή από ασφυξία, η αυτόνομη νευρολογική ισορροπία (μετρούμενη από τον λόγο χαμηλών προς υψηλών συχνοτήτων εμφανίζεται πλήρως αποκαταστημένη. Μία άλλη εφαρμογή απευθύνεται στο πρόβλημα της ανάλυσης του συγχρονισμού φάσεων των σημάτων Ηλεκτροεγκεφαλογραφήματος κατά τη διάρκεια παρακολούθησης της διαδικασίας αποκατάστασης μετά από επεισόδιο εγκεφαλικής βλάβης. Η ιδέα του συγχρονισμού φάσεων προσφέρει μία νέα προοπτική στην κατανόηση και ποσοτικοποίηση των δυναμικών αλληλεπιδράσεων μεταξύ συστημάτων συζευγμένων ταλαντωτών. Σε αυτή τη διδακτορική διατριβή παρουσιάζουμε μια νέα προσέγγιση για την ανίχνευση του βαθμού της αλληλεπίδρασης μεταξύ δύο πολύπλοκων δυναμικών συστημάτων από την ανάλυση πειραματικών δεδομένων. Χρησιμοποιούμε την τεχνική του εμπειρικού τρόπου αποδόμησης (empirical-mode-decomposition EMD) για να διασπάσουμε τα σήματα εξόδου σε έναν αριθμό βασικών ορθογώνιων μερών με πολύ καλά καθορισμένες στιγμιαίες ιδιότητες (instantaneous attributes IMFs). Η δεύτερη κατεύθυνση είναι το πρόβλημα των συσχετίσεων μεταξύ προνοητικών κινήσεων των ματιών και των νευροφυσιολογικών αποκρίσεων στα παιδία των ματιών (Supplementary Eye Fields SEF) πιθήκων Macaque. Οι προνοητικές κινήσεις είναι απαλές κινήσεις των ματιών που συμβαίνουν πριν την εμφάνιση ενός αναμενόμενου κινούμενου στόχου. Η αναμονή από το υποκείμενο βασίζεται σε έναν υποκειμενικό υπολογισμό της πιθανότητας ότι ο στόχος θα κινηθεί σε μια δεδομένη κατεύθυνση. Πρόσφατα, έχει υποτεθεί ότι τα SEF μπορούν να παίζουν ρόλο στην χρησιμοποίηση παλαιών εμπειριών στην καθοδήγηση αναμενόμενων κινήσεων. Αυτή η υπόθεση έχει ελεγχθεί στο επίπεδο ενός μόνο νευρώνα. Στον πίθηκο έχει βρεθεί ότι ο ηλεκτρικός μικροερεθισμός στο SEF μπορεί να διευκολύνει την ομαλή έναρξη της κίνησης προς έναν κινούμενο στόχο, συνιστώντας ότι η ενεργοποίηση του SEF μπορεί να αλλάξει την εσωτερική απόδοση του δικτύου της ομαλής κίνησης. Σε αυτή τη μελέτη, ενισχύσαμε την εκκίνηση των ομαλών κινήσεων των πιθήκων προς ένα κινούμενο στόχο η οποία παράγει μία διαφορετική προνοητική κίνηση αυτής που παρατηρείται σε προηγούμενες μελέτες η οποία βασίζεται σε επανάληψη.

Le travail présenté dans cette thèse a pour objectif de proposer et d'évaluer les performances de différentes techniques de suppression de bruit impulsif de type asynchrone adaptées aux transmissions sur courants porteurs en lignes (CPL) indoor. En effet, outre les caractéristiques physiques spécifiques à ce type de canal de transmission, le bruit impulsif asynchrone reste la contrainte sévère qui pénalise les systèmes CPL en terme de QoS. Pour remédier aux dégradations dues aux bruits impulsifs asynchrones, les techniques dites de retransmission sont souvent très utilisées. Bien qu'elles soient efficaces, ces techniques de retransmission conduisent à une réduction de débit et à l'introduction de délais de traitement supplémentaires pouvant être critiques pour des applications temps réel. Par ailleurs, plusieurs solutions alternatives sont proposées dans la littérature pour minimiser l'impact du bruit impulsif sur les transmissions CPL. Cependant, le nombre de techniques, qui permettent d'obtenir un bon compromis entre capacité de correction et complexité d'implantation reste faible pour les systèmes CPL. Dans ce contexte, nous proposons dans un premier temps d'utiliser un filtre linéaire adaptatif : le filtre de Widrow, nommé aussi ADALINE (ADAptive LInear NEuron), que nous utilisons comme méthode de débruitage pour les systèmes CPL. Pour améliorer les performances du débruitage effectué à l'aide d'ADALINE, nous proposons d'utiliser un réseau de neurones (RN) non linéaire comme méthode de débruitage. Le réseau de neurones est un bon outil qui est une généralisation de la structure du filtre ADALINE. Dans un deuxième temps, pour améliorer les performances du débruitage par un réseau de neurones, nous proposons un procédé d'annulation du bruit impulsif constitué de deux algorithmes : EMD (Empirical Mode Decomposition) associé à un réseau de neurones de type perceptron multicouches. L'EMD effectue le prétraitement en décomposant le signal bruité en signaux moins complexes et donc plus facilement analysables. Après quoi le réseau de neurones effectue le débruitage. Enfin, nous proposons une méthode d'estimation du bruit impulsif utilisant la méthode GPOF (Generalized Pencil Of Function). L'efficacité des deux méthodes, EMD-RN et la technique utilisant l'algorithme GPOF, est évaluée en utilisant une chaîne de simulation de transmission numérique compatible avec le standard HPAV.

In digital imaging systems, due to the nature of the optics involved, the depth of field is constricted in the field of view. Parts of the scene are in focus while others are defocused. Here, a framework of versatile data-driven application independent methods to extend the depth of field in digital imaging systems is presented. The principal contributions in this effort are the use of focal connectivity, the direct use of curvelets and features extracted by Empirical Mode Decomposition, namely Intrinsic Mode Images, for multifocus fusion. The input images are decomposed into focally connected components, peripheral and medial coefficients and intrinsic mode images depending on the approach and fusion is performed on extracted focal information, by relevant schema that allow emphasis of focused regions from each input image. The fused image unifies information from all focal planes, while maintaining the verisimilitude of the scene. The final output is an image where all focal volumes of the scene are in focus, as acquired by a pinhole camera with an infinitesimal depth of field. In order to validate the fusion performance of our method, we have compared our results with those of region-based and multiscale decomposition based fusion techniques. Several illustrative examples, supported by in depth objective comparisons are shown and various practical recommendations are made.

Die Positionsbestimmung von Verkehrsteilnehmern basiert häufig auf der Auswertung von Signalen globaler Navigationssatellitensysteme (GNSS). Dabei werden die Laufzeiten der Signale und darauf beruhend die Entfernungen zwischen den Satelliten und dem Verkehrsteilnehmer ermittelt. Die Positionsbestimmung erfolgt dann nach dem Prinzip der Trilateration. Bei hohen Anforderungen an die Genauigkeit der Position wird hierfür insbesondere die Phase des Trägersignals ausgewertet. Eine besondere Herausforderung stellt dabei die Mehrwegeausbreitung der Signale dar. Hervorgerufen wird diese durch Objekte, wie Bäume, Gebäude oder Fahrzeuge in der Umgebung des Verkehrsteilnehmers. Durch die Mehrwegeausbreitung werden die Laufzeiten der Signale und somit die Position fehlerhaft bestimmt. Es ist daher von großer Bedeutung, die mehrwegebedingten Fehleranteile zu detektieren und sie zu reduzieren. In dieser Arbeit wird dafür der Zusammenhang zwischen dem Trägerphasenmessfehler und der Signalqualität genutzt. Durch Anwendung einer im Rahmen dieser Arbeit entwickelten adaptierten Hilbert-Huang-Transformation auf die aus dem Signalqualitätsparameter des Signal-zu-Rauschleistungsdichte-Verhältnis abgeleiteten Signalamplituden können Mehrwegesignale detektiert und der durch sie verursachte Trägerphasenmessfehler berechnet werden. Anhand der Auswertung eines Experimentaldatensatzes sowie Daten von GNSS-Referenzstationen des SAPOS-Netzes kann der Erfolg des Einsatzes der adaptierten Hilbert-Huang-Transformation nachgewiesen werden.

The master thesis deals with the issue of gaining the respiratory rate from ECG and PPG signals, which are not only in clinical practice widely used measurable signals. The theoretical part of the work outlines the issue of obtaining a breath curve from these signals. The practical part of the work is focused on the implementation of five selected methods and their final evaluation and comparison.

This paper discusses the possible use of Hilbert-Huang transform to analyze the data obtained from physical experiments. Specifically for the analysis of acoustic emission in the form of acoustic shock. The introductory section explains the concept of acoustic emission and its detection process. Subsequently are discussed methods for signal analysis in time-frequency domain. Specifically, short-term Fourier transform, Wavelet transform, Hilbert transform and Hilbert-Huang transform. The final part contains the proposed method for measuring the performance and accuracy of different approaches.

Die Positionsbestimmung von Verkehrsteilnehmern basiert häufig auf der Auswertung von Signalen globaler Navigationssatellitensysteme (GNSS). Dabei werden die Laufzeiten der Signale und darauf beruhend die Entfernungen zwischen den Satelliten und dem Verkehrsteilnehmer ermittelt. Die Positionsbestimmung erfolgt dann nach dem Prinzip der Trilateration. Bei hohen Anforderungen an die Genauigkeit der Position wird hierfür insbesondere die Phase des Trägersignals ausgewertet. Eine besondere Herausforderung stellt dabei die Mehrwegeausbreitung der Signale dar. Hervorgerufen wird diese durch Objekte, wie Bäume, Gebäude oder Fahrzeuge in der Umgebung des Verkehrsteilnehmers. Durch die Mehrwegeausbreitung werden die Laufzeiten der Signale und somit die Position fehlerhaft bestimmt. Es ist daher von großer Bedeutung, die mehrwegebedingten Fehleranteile zu detektieren und sie zu reduzieren. In dieser Arbeit wird dafür der Zusammenhang zwischen dem Trägerphasenmessfehler und der Signalqualität genutzt. Durch Anwendung einer im Rahmen dieser Arbeit entwickelten adaptierten Hilbert-Huang-Transformation auf die aus dem Signalqualitätsparameter des Signal-zu-Rauschleistungsdichte-Verhältnis abgeleiteten Signalamplituden können Mehrwegesignale detektiert und der durch sie verursachte Trägerphasenmessfehler berechnet werden. Anhand der Auswertung eines Experimentaldatensatzes sowie Daten von GNSS-Referenzstationen des SAPOS-Netzes kann der Erfolg des Einsatzes der adaptierten Hilbert-Huang-Transformation nachgewiesen werden.