奇异值分解法在病态问题中的应用

用截断奇异值分解法和修正奇异值分解法对大地测量病态问题进行了处理,并与最小二乘的结果进行了比较,最后将两者方法进行结合同样对病态方程进行了处理,得到了结合奇异值分解的解,并与截断奇异值、修正奇异值分解的解以及真值进行比较,发现结合奇异值分解的解即修正奇异值截断法比截断奇异值和修正奇异值的解更加靠近于真值,修正奇异值截断法相比于截断奇异值和修正奇异值法对于病态方程抗干扰能力更强,更具有实际意义。     

一种新的病态问题奇异值修正方法

针对测量平差中的病态最小二乘问题，提出了统一的奇异值修正公式，以此为基础提出一种新的奇异值修正法.所提方法克服了现有方法需要确定奇异值截断阈值或者修正阈值的缺陷，基本没有增加额外的计算量，计算简单快捷精度高. 另外，所提方法普适性强，对方程组系数矩阵的维数和是否满秩没有特殊的要求，可以适用于多种类型平差方程组的求解. 以两个病态方程为例对所提方法进行了数值验证，并将计算结果与最小二乘解和奇异值截断解进行了比较，结果表明，所提方法可以获得精度更高的计算结果.      

病态总体最小二乘平差方法的比较与分析

Tikhonov正则化和截断奇异值法是解算病态总体最小二乘问题的有效方法。本文对比分析了Tikhonov正则化总体最小二乘算法和截断奇异值分解法二者各自的适用范围,通过两个算例分析表明,Tikhonov正则化算法适用范围广,可以有效地处理病态总体最小二乘问题,而截断奇异值分解法适用范围窄,仅适用于增广矩阵的奇异值呈阶梯型分布的情况。     

总体最小二乘曲线曲面模型建立方法比较探究

本文探究了总体最小二乘的3种方法,包括奇异值分解、最小奇异值方法和迭代法,并且对3种方法进行比较。在模型推导的基础上,文中对3种总体最小二乘法在曲线和曲面拟合中求解的参数及其精度进行了比较分析。通过与最小二乘法的比较表明:总体最小二乘法得到的拟合结果更加稳健,并且发现迭代法和奇异值分解方法的结果是一样的;最小奇异值方法的结果欠优。     

局部均值分解和奇异值分解在GNSS站坐标时间序列信号降噪中的应用

为了有效地提取GNSS站坐标时间序列的有用信息，降低噪声干扰，本文提出一种局部均值分解和奇异值分解相结合的信号降噪方法，并利用5个测站的实测坐标时间序列对新方法进行了验证。首先通过局部均值分解将坐标时间序列分解成一系列PF分量和余项，然后利用连续均方误差方法确定高频分量与低频分量的分界点，保持低频分量不变，运用奇异值分解方法对高频分量进行降噪重构，最后将重构的高频分量与低频分量叠加得到最终的降噪坐标时间序列，并对降噪效果进行对比分析。结果表明，与单纯的奇异值分解方法相比，局部均值分解和奇异值分解相结合方法能够自适应地选择合适的奇异值个数进行信号重构，提高了降噪效果。     

一种改进的病态问题截断奇异值方法

截断奇异值分解方法是通过删除较小的奇异值及对应的特征向量获得病态模型的稳定解.文中首先将线性病态模型表示成近似的秩亏模型,证明秩亏模型的最小范数最小二乘解与截断奇异值解的等价性;然后,根据模型参数间的先验信息,以参数的线性函数的二次范数最小为目标,在残差范数最小条件下给出改进的最小范数最小二乘解,其实质是截断奇异值解的修正.截断参数的选取采用L曲线法.计算实例表明,修正的截断奇异值算法稳定有效,比正则化解和截断奇异值解具有更小的均方误差.     

带有区间不确定性的约束平差算法及应用

针对测量数据中带有区间约束先验信息和附加信息,基于Kuhn-Tucker条件,将测量平差问题转化为二次规划问题,该文提出了一种处理参数带有区间不确定性的新算法,给出了算法具体模型和解算步骤,并且通过模拟数值实验和病态测边网数据计算,分析了在处理病态问题时,最小二乘平差的局限性,通过与岭估计和奇异值分解法的结果相比较,说明了参数带有区间不确定性的平差算法的有效性。     

基于坐标归一化和奇异值分解的直接线性变换解法

直接线性变换方法是数字摄影测量和计算机视觉领域最常用的解析处理方法之一,特别适用于未检校数码相机的三维测量,但直接线性参数间的相关性、物方控制的约束和设计矩阵元素数量级的较大差异,均可导致法矩阵严重病态,从而影响解的稳定性。本文借鉴改进的八点基本矩阵估计算法,采用基于坐标归一化和奇异值分解的解法,即首先将像点和物点坐标进行相似变换得到归一化坐标后组成法矩阵,其次利用矩阵奇异值分解方法代替常规的最小二乘方法,模拟和真实数据表明,此方法可以有效提高解算精度和稳定性。     

附有奇异值修正限制的改进的岭估计方法

最小二乘估计具有无偏性,而岭估计是一种有偏估计,它通过引入偏差降低方差来降低均方误差。在模型出现病态时,岭估计优于最小二乘估计。对岭估计的方差与偏差进行分析发现,岭估计通过修正病态矩阵的奇异值降低均方误差,但对部分较大奇异值的修正不能有效降低均方误差。通过比较修正奇异值的方差下降量与偏差引入量的大小关系确定需要修正的小奇异值,进而改进岭估计方法,实现选择性地修正小奇异值,提出附有奇异值修正限制的改进的岭估计方法,可有效改善岭估计的解算效果和可靠性,实验验证了新方法的可行性和有效性。     

基于SVD算法的RPC纠正

在高分辨率遥感卫星影像RPC模型纠正过程中,有理函数参数的解算是问题的关键,为了克服该算法的误差方程经法化后存在严重病态的问题,提出了SVD算法,即奇异值分解法。根据精度评定的计算结果看到,SVD对处理奇异或者近似奇异的方程组或矩阵都非常有效,保证RPC纠正精度。     

采用联合平差法处理附有病态等式约束的反演问题

探讨了附有病态等式约束的反演问题,尝试用降秩处理方法解这类病态约束问题,通过算例验证了此种方法与截断奇异值方法是等价的。然后提出了一种联合平差方法,它不仅能解病态的约束问题,而且能解决主模型秩亏或病态同时约束模型病态的问题,增强了应用性。最后设计了多种方案进行计算和比较,验证了联合平差法的有效性和可行性。     

SVD和DCT提取特征向量的方法在人脸识别中的比较

采用奇异值分解和2D离散余弦变换两种方法得到的特征，分别在嵌入式隐马尔可夫模型的人脸识别中进行比较．得出奇异值分解比2D离散余弦变换在识别率上和时间复杂度上部较差的结果。通过对结果进行分析得出，虽然奇异值分解有很多优良的特性．但是在模式识别中仅使用奇异值分解来提取特征并不是很好的方法。     

最小二乘配置的SVD分解解法

最小二乘配置最初是在组合各种资料来研究地球形状与重力场的一种数学方法,目前最小二乘配置已经在测绘数据处理中得到广泛应用。本文首先分析了目前采用的最小二乘配置法解算方法,在讨论了矩阵的奇异值分解(Singular Value Decomposition,SVD)方法的基础上,推导得出了矩阵SVD分解与广义逆矩阵的关系,得出了可以直接利用SVD分解求解矩阵的Moore-Penrose广义逆,并推导了应用SVD分解求解最小二乘配置的估值计算公式和精度估算公式,最后通过重力异常实例进行了计算,得出矩阵的SVD分解用于最小二乘配置解算的正确性和可行性,为最小二乘配置的求解提供了一种新方法。     

NLS问题的不适定性及正则化解算方法

本文进一步完善定义了NLS问题的两种不适定性,对产生这两种不适定问题的现象进行了分析。借助于正则化理论,通过添加稳定泛函,结合高斯-牛顿法,构造了不适定NLS问题的正则化高斯-牛顿法求解公式;解决了普通高斯-牛顿法在迭代过程中其Jacobian矩阵是秩亏或者严重病态导致的不能收敛的问题;给出了非线性秩亏自由网平差的正则化高斯-牛顿法步骤;以几个经典NLS问题为例进行了数值实验,说明了本文所提方法的适用性。     

均方误差意义下的正则化参数二次优化方法

Tikhonov正则化法是大地测量中应用最为广泛的病态问题解算方法之一。影响正则化法解算效果的重要因素是正则化参数,然而,最优正则化参数的确定一直是正则化解算的难题,如L曲线法确定的正则化参数具有稳定性好、可靠性高的优点,但存在过度平滑问题,导致正则化法对模型参数估值精度改善较小。本文从均方误差角度分析了正则化参数对模型参数估计质量的影响。基于奇异值分解技术,提出了由模型参数投影值分块计算均方误差的方法,避免了均方误差迭代计算,并基于均方误差最小准则给出了正则化参数优化方法,实现了对L曲线正则化参数的优化。数值模拟试验与PolInSAR植被高反演试验结果表明,正则化参数优化方法有效改善了正则化法解算效果,提高了模型参数估计精度。     

病态总体最小二乘问题的广义正则化

总体最小二乘(TLS)算法可以视为一个降正则化的过程,对比最小二乘算法,病态总体最小二乘方法的解受系数阵数据误差和观测值误差的影响将更为严重。本文探讨用广义正则化的方法降低病态性对总体最小二乘数值求解的影响,以提高求解结果的稳定性。通过多组算例结果表明,本文采用的广义正则化方法在处理病态总体最小二乘问题上具有明显的优势。     

遥感图像应用处理中的一个分类新算法——模拟目视分辨法

本文介绍的SVD分类方法,模拟人眼分辨图像上图斑的机理,对遥感图像进行分类。意在克服常规计算机分类的一些缺点,改善图斑边缘及交界处的混分现象,同时做到均匀大图斑的平滑及孤立小图斑的保留,使分类图上图斑整齐,界限分明,精度高,视觉效果好。因此有较好的实际应用价值。     

顾及系数矩阵常数列的总体最小二乘迭代解法

介绍总体最小二乘的奇异值分解法(SVD)和混合总体最小二乘法(LS-TLS),基于间接平差原理推导一种总体最小二乘迭代解法,可以用来解决系数矩阵含常数列的总体最小二乘平差问题。最后分别对系数矩阵不含常数列和系数矩阵含常数列的算例进行验证,得到的结果与采用奇异值分解法和混合总体最小二乘法计算的结果相同,表明算法的有效性。     

顾及设计矩阵误差的AR模型新解法

在自回归模型求解中,设计矩阵和观测值均存在误差,传统的最小二乘法不能很好地解决这一问题。本文提出了一种顾及设计矩阵误差的AR模型新解法,通过引入虚拟观测值,使观测向量与设计矩阵不仅同源而且带误差的元素个数相同,然后通过对观测方程进行等价变换巧妙实现了在最小二乘框架下求解自回归问题。利用模拟数据及实测数据分别对新算法进行了内符合精度检验,并利用实测数据对新算法进行外符合精度检验,结果表明新算法得到的结果显著优于奇异值分解(singular value decomposition,SVD)解法及传统最小二乘解法,验证了算法的精度和有效性。