基于模糊隶属函数的参数稳健估计

参数估计过程经常遇到2个主要问题:一个是最小二乘与稳健估计不能兼顾最优无偏性和稳健性;另一个是非线性模型参数估计进行线性近似处理中带来的模型误差导致对粗差的错误鉴别和定位。针对以上2个问题,提出了基于模糊隶属函数的稳健估计方法。该方法通过隶属度加权来削弱个别粗差污染数据对参数估计结果的影响,从而达到提高参数估计稳健性的目的。分别用线性回归模型和非线性回归模型对该算法进行了验证,结果表明,该算法对粗差具有较好的抵抗能力,能够对参数进行稳健估计。     

Nonlinear Adjustment of GPS Observations of Type Pseudo-Ranges

The nonlinear adjustment of GPS observations of type pseudo-ranges is performed in two steps. In step one a combinatorial minimal subset of observations is constructed which is rigorously converted into station coordinates by means of Groebner basis algorithm or the multipolynomial resultant algorithm. The combinatorial solution points in a polyhedron are reduced to their barycentric in step two by means of their weighted mean. Such a weighted mean of the polyhedron points in ℝ³ is generated via the Error Propagation law/variance-covariance propagation. The Fast Nonlinear Adjustment Algorithm (FNon Ad Al) has been already proposed by Gauss whose work was published posthumously and Jacobi (1841). The algorithm, here referred to as the Gauss-Jacobi Combinatorial algorithm, solves the over-determined GPS pseudo-ranging problem without reverting to iterative or linearization procedure except for the second moment (Variance-Covariance propagation). The results compared well with the solutions obtained using the linearized least squares approach giving legitimacy to the Gauss-Jacobi combinatorial procedure. ? 2002 Wiley Periodicals, Inc.     

顾及线性化模型误差补偿的卡尔曼滤波算法

针对扩展卡尔曼滤波（EKF）线性化所产生的线性化模型误差问题,使用非线性预测滤波对线性化所引起的模型误差进行预测,并在标准EKF的解算过程中考虑到预测所得误差的统计特性,使模型更趋于真实情况。通过算例对改进算法的性能进行了验证。     

Robust estimation by expectation maximization algorithm

A mixture of normal distributions is assumed for the observations of a linear model. The first component of the mixture represents the measurements without gross errors, while each of the remaining components gives the distribution for an outlier. Missing data are introduced to deliver the information as to which observation belongs to which component. The unknown location parameters and the unknown scale parameter of the linear model are estimated by the EM algorithm, which is iteratively applied. The E (expectation) step of the algorithm determines the expected value of the likelihood function given the observations and the current estimate of the unknown parameters, while the M (maximization) step computes new estimates by maximizing the expectation of the likelihood function. In comparison to Huber’s M-estimation, the EM algorithm does not only identify outliers by introducing small weights for large residuals but also estimates the outliers. They can be corrected by the parameters of the linear model freed from the distortions by gross errors. Monte Carlo methods with random variates from the normal distribution then give expectations, variances, covariances and confidence regions for functions of the parameters estimated by taking care of the outliers. The method is demonstrated by the analysis of measurements with gross errors of a laser scanner.     

非线性二维转换模型的稳健总体最小二乘算法

针对应用线性最小二乘估计准则求解非线性平面转换模型参数时,通过定义间接参数将模型线性化的方法不能直接求解转换模型参数的问题,该文在非线性平面转换模型的基础上,建立线性模型,实现平面坐标的转换。为解决控制点已知坐标与观测坐标中均含有误差对转换参数求解的影响,对应用稳健总体最小二乘求解线性模型参数的算法进行讨论。最后,通过算例比较稳健总体最小二乘算法与最小二乘算法在抗差性方面的优势。结果表明,稳健总体最小二乘算法更适用于应用线性模型求解未知控制点的转换坐标。     

基于SUT-EKF的DGPS/DR 组合定位算法

针对基于DGPS/DR的移动机器人组合定位问题,采用一种尺度无迹变换扩展卡尔曼滤波(SUT-EKF)算法,由于组合定位系统中的状态方程是非线性的,并且观测方程是线性的特点,将SUT预测移动机器人位姿,利用EKF融合最新观测值更新机器人位姿,该算法在状态预测阶段避免了计算Jacobian矩阵,从而有效地减小了线性化对非线性系统误差的影响。仿真结果表明,该算法具有较好的滤波精度和稳定性,为实现DGPS/DR组合定位系统提供了一种有效可靠的途径。     

An approach to response-based reliability analysis of quasi-linear Errors-in-Variables models

The paper presents an approach to internal reliability analysis of observation systems known as Errors-in-Variables (EIV) models with parameters estimated by the method of least squares. Such problems are routinely treated by total least squares adjustment, or orthogonal regression. To create a suitable environment for derivations in the analysis, a general nonlinear form of such EIV models is assumed, based on a traditional adjustment method of condition equations with unknowns, also known as the Gauss–Helmert model. However, in order to apply the method of reliability analysis based on the approach to response assessment in systems with correlated observations, presented in the earlier work of this author, it was necessary to confine the considerations to a quasi-linear form of the Gauss–Helmert model, representing quasi-linear EIV models. This made it possible to obtain a linear disturbance/response relationship needed in that approach. Several specific cases of quasi-linear EIV models are discussed. The derived formulas are consistent with those already functioning for standard least squares adjustment problems. The analysis shows that, as could be expected, the average level of response-based reliability for such EIV models under investigation is lower than that for the corresponding standard linear models. For EIV models with homoscedastic and uncorrelated observations, the relationship between the average reliability indices for the independent and the dependent variables is formulated for multiple regression and coordinate transformations. Numerical examples for these two applications are provided to illustrate this analysis.     

EM算法在p范混合模型参数估计中的应用

针对多种分布形式混合的观测数据,建立了p范混合模型,考虑到模型中混合数属于不完全数据,引入期望最大化(expectation-maximum, EM)算法,对该混合模型的参数进行估计,详细推导了p范混合模型参数估计的迭代公式,并给出了相应的迭代步骤。采用混合高斯分布数据、拉普拉斯分布与高斯分布混合数据及实测GPS观测值残差数据,验证了公式的正确性和适应性。算例结果表明,与单一概率分布相比,p范混合模型能够准确反映数据分布的实际情况,同时利用EM算法估计的模型参数具有较高的精度。     

高光谱影像分类EM算法的完善

在高光谱影像分类过程中,往往无法获取足够数量的训练样本,使得类别分布参数估值精度降低,并最终影响分类结果。EM方法为该类问题的解决提供了途径,但由于地面信息的复杂性及算法自身的原因,将其应用于高光谱影像的分类仍有许多待完善之处。文中叙述了该算法的完善策略,包括借助低通滤波器获得各参数更为合理的初值,以及如何克服噪声对该算法的影响。实验表明,经过完善的EM方法具有很强的适用性,可以获得精度更高的分类结果。     

基于Moore-Penrose广义逆及立体矩阵的可分离非线性最小二乘解算方法

针对测绘领域中函数模型为非线性函数的线性组合的特殊结构,本文提出了基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法。该方法首先利用变量投影算法消除可分离非线性模型中的线性参数,将包含两类参数的原非线性优化问题转化为仅含有非线性参数的最小二乘问题。然后,基于Moore-Penrose广义逆矩阵的微分和立体矩阵理论计算最小二乘目标函数的一阶导数,进而采用非线性优化的LM方法求解非线性参数的最优估值。最后,根据最小二乘方法求解线性参数的最优估值。通过指数函数模型拟合和机载LiDAR全波形参数求解试验与传统参数不分离优化方法进行对比,结果表明,基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法对待求参数初值依赖性低,同时避免了迭代过程中线性参数导致的病态问题,算法稳定性好,为测绘领域中可分离非线性最小二乘问题的解算提供了一种思路,也拓展了可分离非线性最小二乘方法的应用。     

高光谱影像分类EM算法的完善

在高光谱影像分类过程中,往往无法获取足够数量的训练样本,使得类别分布参数估值精度降低,并最终影响分类结果.EM方法为该类问题的解决提供了途径,但由于地面信息的复杂性及算法自身的原因,将其应用于高光谱影像的分类仍有许多待完善之处.文中叙述了该算法的完善策略,包括借助低通滤波器获得各参数更为合理的初值,以及如何克服噪声对该算法的影响.实验表明,经过完善的EM方法具有很强的适用性,可以获得精度更高的分类结果.     

奇异值检验中的混合模型及EM算法

本文提出了奇异值检验中的一种新模型——混合模型,推导了简单样本和一般线性模型下的参数估计公式,并引入了一种有效的迭代计算方法——EM算法。     

非线性系统中卡尔曼滤波的一种新线性化方法

针对测量领域非线性系统卡尔曼滤波的线性化，在分析两种传统线性化方式的基础上．提出了一种新的基于最优估计值的线性化方式。     

基于几何特征约束的建筑物点云配准算法

针对人工建筑物表面存在的几何特征关系提出了基于几何特征约束的建筑物点云配准算法,根据点云数据中平面与平面重合关系,推导点在平面上和平面法线平行的2种线性不等约束条件。在6独立参数模型中增加几何特征约束的不等约束条件组成了附有约束条件的配准模型。通过对建筑物3维激光扫描点云数据的采集和处理,详细分析了几何特征约束配准算法的处理结果。试验结果分析表明几何特征约束条件可以合理地改善3维空间转换参数解算结果,提出的配准模型较适合于人工建筑物点云数据的配准。     

基于EM和BIC的直方图拟合方法应用于遥感变化检测阈值确定

利用遥感图像进行变化检测时,确定"差异图像"上各变化类型的阈值非常关键.本文引入图像直方图拟合方法来确定变化阈值.首先通过基于变化向量分析方法,得到变化强度图像,然后假设该变化强度图像中的像元值符合混合高斯分布模型,利用期望最大(EM)算法和贝叶斯信息准则(BIC)求出最佳的混合高斯分布模型,拟合此时的图像直方图,最后利用贝叶斯判别准则确定出各变化类型的变化阈值.试验证明,这种方法是一种较为有效的自动确定变化阈值的方法.     

部分变量误差模型的整体抗差最小二乘估计

部分变量误差模型(partial EIV model)的加权整体最小二乘(weighted total least-squares,WTLS)估计不具备抵御粗差的能力。鉴于粗差可能同时出现在观测值和系数矩阵中,本文在提出部分变量误差模型WTLS估计的两步迭代解法的基础上,运用抗差M估计的等价权方法,发展了一种整体抗差最小二乘(TRLS)估计方法,并采用一致最大功效统计量确定降权因子。针对WTLS估计两步迭代解法的特点,设计了两个不同的降权方案:第1个方案是在估计系数矩阵元素时,不对观测值降权,仅对系数矩阵降权;第2个方案是在估计系数矩阵元素时,既对系数矩阵降权,同时也对观测值降权。通过对模拟2D仿射变换和线性拟合实例进行计算和分析,结果表明第1方案优于第2方案,并且优于基于残差和验后单位权方差的抗差估计和现有的变量误差模型抗差估计。     

EM算法的时序模型在沉降数据处理中的应用

针对时间序列分析对监测数据中出现的不完全数据(部分数据缺失)无法进行精确建模的问题,该文引入期望极大算法(EM算法),提出EM算法与时间序列分析的组合算法模型。运用EM算法的时间序列分析组合算法模型可以对沉降过程中遇到的不完全沉降数据进行建模分析,该组合算法模型可以对不完全沉降数据进行较为精确的建模,并对后期沉降数据进行较为精确的预测。将某地铁基坑点沉降数据作为实验数据,EM算法的时间序列分析的建模结果表明:所提出的组合算法模型可以对不完全沉降数据进行建模分析,绝对误差为0.23mm,建模精度较高。     

极化干涉SAR植被高反演复数最小二乘平差法

提出一种PolInSAR植被高反演的复数最小二乘法。在考虑植被层时间去相干的条件下,将RVoG扩展为RVoG+VTD模型;之后,将模型解算问题概括为复数的实部、虚部联合平差问题,提出了该模型线性化的方法及参数解算方法;最后利用解算得到的更为准确的“纯”体去相干系数反演植被高度。采用覆盖德国Oberpfaffenhofen地区的2景E-SAR L波段数据进行试验并与经典的非线性迭代及三阶段算法进行对比分析。结果表明,本文提出的方法结果精度优于其他两种方法,运算效率方面明显优于非线性迭代算法,略低于三阶段算法。     

支持向量回归辅助的GPS/INS组合导航抗差自适应算法

卡尔曼滤波残差分量受到观测信息误差和动力学模型误差的双重影响,由于GPS/INS松耦合导航系统中观测值个数少于状态参数个数,导致异常检测时难以正确区分误差来源,提出一种支持向量回归辅助的组合导航抗差自适应算法。该算法克服了组合系统观测信息无冗余情况下异常检测的局限性,基于遗传算法参数寻优构建回归模型,预测次优观测值,结合整体异常检验法自主选择抗差或自适应滤波,进而调整观测值或动力学模型对导航解的贡献,进行导航预报。最后利用车载实测数据进行验证,结果表明：该算法能够对存在的异常故障智能判定,减弱观测值异常和动力学模型误差影响,保证组合导航精度,提高导航解可靠性。     

CORS站高程非线性速度场及方差波动模型构建方法

本文描述了CORS站高程时间序列采用固定周期项建立线性速度场的基本概念，指出给定周期与实际周期存在偏差的问题。为此，提出了CORS站高程时间序列非线性速度场建模方法。该方法以线性最小二乘解作为迭代初值，利用高斯-牛顿迭代算法求解非线性速度场模型的未知参数，实现了CORS站高程时间序列数据的非线性建模；给出了拟合模型残差平方序列异方差特性的检验方法，阐述了建立GARCH（p，q）模型反映CORS站高程非平稳序列波动情况的基本准则。本文以国内外6个CORS站20余年的高程时间序列为研究对象，建立非线性速度场运动模型。结果表明：CORS站高程运动并不存在严格的整年或半年周期项，近似年周期运动最为明显，近似两年周期运动占比最小，年周期估计偏差达到12%，半年周期偏差18%，两年周期偏差6%，非线性建模精度和效果整体优于线性模型。利用ARCH检验法得到CORS站高程非线性模型的残差平方序列存在异方差性，即残差平方序列具有非平稳特性，引入GARCH（p，q）模型对CORS站高程分量非平稳残差平方序列建模，反映了残差平方序列的非平稳波动。验证了GARCH（p，q）模型对CORS站高程非平稳残差平方序列建模的可行性，为今后利用GARCH（p，q）模型对CORS站高程非平稳噪声序列建模和非线性速度场重构提供了思路。