������ɽ����SAR����ͼ��λ��������о�

??????·?????????С???????????????9??????????????????SAR????????н????????????????ó?????????????????С???????????????????????????SAR???????????????     

�����н粻ȷ��������ƽ���

???????С??????????????С??????????????????????????н???????н粻???????????????????????????????????????????н??????????????н????????????????????????????н???????????????????÷???????Ч???     

����С�������LS-SVM�Ļ���ʱ������Ԥ��ģ�ͼ���Ӧ��

?????С???????????????????LS-SVM??????????μ???????????????????μ????????н???С???????????C-C??????????????????????????????????????????????????????????????????LS-SVM??????н?????????BP??????????????????????????????????????С???????LS-SVM????????????????????н??????Ч????     

��Ͻṹ������С���˲�������

???????????????????к?????????????????к??????????????????????С????????????????????????????????????С?????????????????????????С?????????????????????????С?????????????????????????????????????????????????????????????????С?????????з???????????????????????????????????????????С?????????????????????????????к?????????????????????????????????????????????????λ????????????????????????λ?????????????????????????????????????з?????????????????????????????????????????,??????????С??????????????????λ???????????????????????????     

���������CHAMP�������ָ��е�Ӧ��

??????????CHAMP?????????????????????????????н?????1???????????С?????LS??????????CHAMP?????????????????????????????????????????????????????????????????????????????????????CHAMP??????????У???????????????????????????1?GFZ????????????1???? CHAMP????RSO????????????????????????20???????(5??100) m ²s ^-2??С??????????????LS????????????60??60???????????????????EIGEN??CG03C??EIGEN2???????б?????????????????????Ч?????????????????CHAMP????????????????????LS???????????????ε?EGM96??EIGEN1S??EIGEN2????     

����С�������Ļ�ɫԤ��ģ���ڴ�Ӱ�ȫ����е�Ӧ��

???????С???????????????????????????????С?????????????????????С???任???????μ?????????н??з??????????????????????????????????????????????????????y?????????????????б?????????????÷??????н?????????????     

���ʶ���������С�������������ͬ�׷�����Ӧ��

???????????????????????Jacobian???????????????????????????????С?????????????????????????С?????????????????????????в?????????С??ж?????????????????????2??????????????????仮??????????????????С??????????н???????????÷???????????????????????????????????????????????????????????????????????????????????????????????????????????С??????????????С??????     

С��ȥ���������۷����ĶԱ��о�

???С??????????о???????С????????????????????????Ч???????????????????????????5??С???????????????????????????????     

����С��������ֵ��������������ݶ����ݴֲ�̽�ⷽ��

????С??????????????С???????????????????????????????????????????????а???????????????????????????д??????????????????????????????????????????????????????????????97%???????     

�����Ա����������Իع�����㷨

??????????????????????????????????????????????С?????????????????????С???????????????????????????Ч?????????     

非等间距GM(1,1)模型的总体最小二乘算法及其病态问题

在非等间距GM(1,1)模型中,系数矩阵中有无误差的常数项和有误差的随机项,并且系数矩阵与观测向量误差同源,即系数矩阵与观测向量中有相同的元素存在,这些相同元素应该有相同的改正数,为此本文推导了一种适合非等间距GM(1,1)模型求解的总体最小二乘算法。同时,考虑到非等间距GM(1,1)模型中存在病态问题时影响总体最小二乘计算结果的稳定性,提出对系数矩阵常数列乘以某一常数的方法,以改善病态问题。     

�˼���ظ����Ŀռ���ά����ϵͳת��

?????????????????????????????У????????????????????????????????????????????????????е????????????????????????????????????????????С?????????????????????й???????????????????С???????????????????????????????????????????????????????????????С?????TLS??????С?????LS??????????????????????????????????????????????????     

�ؿ�Ӧ��������ݵ�������С���˷���

??????????С????????о???????(??)??????????????????????????????????????????????????????????????????????????????ü???λ??????????????(??)????????????С???????????????????????????????????м???в??????????????????????????м???????????????????????????????????????????????????С??????????????????????????????????????????????????????С???????????С?????????????????????????????????С????????о???????????????????Ч???     

空间直线拟合的PEIV模型的构建与解法

针对空间直线拟合不宜直接采用总体最小二乘算法和混合总体最小二乘算法的问题,提出一种基于PEIV模型的总体最小二乘法的空间直线拟合算法。首先将空间直线的标准方程进行变换,改写为总体最小二乘的EIV模型;然后针对系数矩阵的特点,将模型转换为更加合理的PEIV模型,线性化成类似于最小二乘间接平差形式,采用迭代的方法求解拟合参数。平差过程保证了系数矩阵重复元素的改正数一致,常数元素的改正数为零,符合实际理论;最后,通过算例比较验证了该方法的可行性和优越性。     

����Cook�������ά����ɨ�����ƽ�����

??????????????????????????????С?????????????????????????????????????Cook???????С??????????????????????????????????????????????С???????????????????档??????????÷????????????????????????????н?????????????????????????????????????????????     

��Ȩ������С�����㷨�ĸĽ�

???EIV????????????????????????????????????????????????????????е?????????С?????????????????????????????????????????????????????????????С???????????????????????????????????????????????????????????С?????????????????????????в???     

����������������С����ƽ���

????????????????????????????????????????????????????????????????????????????????????μ???????С???????????????t???????????????????????????????????С???????????????????????????????????÷???????Ч?????????     

部分待估参数具有先验随机性的WTLS平差

部分待估参数具有先验随机信息,且误差方程系数矩阵含有观测误差,是一类新的平差问题。本文构造了部分待估参数含有先验随机信息的加权整体最小二乘平差函数模型,推导该模型参数估计与精度评定公式,给出计算步骤,适用于一般情形。实例对比分析证明,该算法正确可靠,迭代收敛速度较优。     

等式约束病态总体最小二乘模型的正则化解及其精度评定

利用平差参数间合理的先验信息能够显著提高解的精度。在病态总体最小二乘模型的基础上,引入等式约束条件,建立等式约束病态总体最小二乘模型,构建该模型的约束正则化准则,并根据拉格朗日极值法导出参数的迭代解及方差-协方差阵,最后以数值算例和病态测边网算例验证公式的正确性。结果表明,新方法通过正则化准则能改善法矩阵的病态性,且遵从EIV准则顾及系数阵的误差,同时还考虑参数间合理的先验信息,其解的精度得到显著提升。     

加权总体最小二乘和RBF神经网络的三维坐标转换

分析部分变量误差加权总体最小二乘法（PWTLS）、加权总体最小二乘法（WTLS）和最小二乘法（LS）在三维坐标转换模型参数求解中的应用与影响,提出PWTLS与RBF神经网络组合的坐标转换方法。结果表明,当三维坐标转换模型系数矩阵中同时存在常数元素和重复元素时,PWTLS方法计算的单位权中误差和内符合精度均优于LS方法,且源坐标改正数较WTLS方法更加合理。PWTLS+RBF组合方法能够使PWTLS的求解参数得到有效使用,提高坐标转换精度。