基于变量投影的结构总体最小二乘算法

测绘领域诸多实际应用中系数矩阵和观测向量具有结构特征,即系数矩阵和观测向量中包含固定量(甚至固定列)和随机量,并且不同位置的随机量线性相关。针对这个问题,从变量误差(errors-in-variables,EIV)函数模型出发,首先,将系数矩阵和观测向量构成的增广矩阵表示为仿射函数形式,并采用变量投影法对函数模型进行重构;然后,利用拉格朗日法推导出了一种结构总体最小二乘(structured total least squares,STLS)估计算法。算例分析结果表明,该算法与已有能够解决系数矩阵和观测向量存在结构特征的加权或结构总体最小二乘算法估计结果一致,说明了该算法的有效性,同时阐明了该算法与已有相关算法的关系。     

多变量稳健总体最小二乘平差方法

分析指出了在总体最小二乘解下，含有多列独立变量的(以下简称为多变量)变量含误差(errors-invariables，EIV)模型，其各列变量的改正数受对应的参数估值与观测向量先验精度的联合影响，参数估值与观测向量先验精度的乘积越大，则该列变量的改正数越大。因此，现有稳健总体最小二乘方法采用同一个单位权中误差对多变量EIV模型进行降权处理时，会优先对模型中的某一列变量进行降权处理，从而造成平差结果不合理甚至错误，称之为虚假稳健估计现象。鉴于此，提出了多变量稳健总体最小二乘平差方法，并导出了相应的参数估计与精度评定公式。该方法对含有粗差的多变量EIV模型的各列独立变量分别进行降权处理，从而避免虚假稳健估计现象的发生。仿真算例结果表明，当观测值含有粗差时，该方法能够有效避免虚假稳健估计现象的发生，并能够定位出粗差所对应的误差方程；相较于总体最小二乘和稳健最小二乘方法，该方法的参数估计结果更接近真值。     

基于变量投影法的自回归模型方差分量估计

在自回归(autoregressive, AR)模型中,系数矩阵与观测向量中的随机误差同源。针对AR模型平差时观测权阵分配不合理、随机模型不准确的情况,采用变量投影法提取系数矩阵和观测向量构成的增广矩阵中的随机量,将变量误差(errors-in-variables,EIV)模型转化为非线性高斯-赫尔默特(Gauss-Helmert,GH)模型,利用非线性最小二乘理论得到一种结构总体最小二乘(structural total least squares, STLS)算法,并与最小二乘方差分量估计(least squares variance component estimation, LS-VCE)相结合推导出STLS问题的一种方差分量估计算法,将其应用到AR模型的方差分量估计。通过实测算例对算法有效性进行了验证,取得了与已有方法一致的结果。该算法观测权阵的构造十分简洁,同时也可用于协方差分量的估计。     

通用EIV平差模型的线性化估计算法

通用变量含误差(errors-in-variables, EIV)模型将EIV模型扩展至最一般化的形式,其加权整体最小二乘算法(weighted total least squares, WTLS)同时顾及观测向量、观测向量的系数矩阵和参数向量的系数矩阵中的随机误差。将通用EIV函数模型展开,将二阶项纳入模型的常数项,从而将非线性的通用EIV模型表示为线性的高斯-赫尔默特模型,推导出通用EIV模型的线性化整体最小二乘(linearized total least squares,LTLS)算法和近似精度估计公式。通过模拟数据和实例评估分析可知,LTLS算法与通用EIV模型的WTLS算法估计结果一致,验证了算法的正确性和可行性。当模型含大量估计量时,通用EIV模型的LTLS算法显著提升了计算效率,收敛速度更快。     

加权总体最小二乘平差随机模型的验后估计

针对随机模型中观测向量和系数矩阵存在定权不准确的问题,提出了一种加权总体最小二乘随机模型验后估计方法。将赫尔默特方差分量估计方法应用于EIV(errors-in-variables)模型中,结合本文推导的加权总体最小二乘方法,对平差问题的函数模型和随机模型同时进行求解。通过采用真实和模拟数据的三个算例对该方法的有效性进行了验证,结果表明随机模型的验后估计方法在解决加权总体最小二乘问题时更合理、有效。     

PEIV模型参数估计新算法

PEIV(Partial Errors-In-Variables)模型是EIV模型的扩展,它能解决系数矩阵含有非随机元素或存在结构特性的问题。针对常规PEIV模型算法的复杂性,提出了一种PEIV模型参数估计的新算法。该算法将系数矩阵含误差的元素看成是一类观测值,与平差模型原观测值构成两类观测值,将PEIV平差模型表示为类似于传统的最小二乘间接平差模型,再通过非线性最小二乘平差理论,推导出了算法的迭代公式和精度评定公式。算法迭代格式与间接平差类似,通过算例验证了算法的可行性和正确性。     

非线性整体最小平差迭代算法

整体最小二乘法不仅考虑观测向量的误差而且还考虑系数矩阵的误差,平差理论相对更为严密。在研究经典整体最小二乘法的基础之上,对系数矩阵元素是表达式或函数情况的非线性整体最小二乘模型进行了描述,用拉格朗日极值条件式推导了基于牛顿型解法的非线性整体最小二乘平差计算公式,并设计了一种对应的迭代算法。最后设计了两组模拟试验分析在观测向量和系数矩阵的输入向量等精度观测和非等精度观测两种情况下参数和验后方差的估计特点。试验结果表明,非线性整体最小二乘平差法获得的参数估计值比最小二乘平差法获得的估计结果更接近参数的实际值,方差分量(或中误差)估计结果也更接近先验值,本文给出的迭代算法是有效的。     

二维直角建筑物规则化的加权总体最小二乘平差方法

针对基于遥感数据的二维建筑物的直角化问题，以建筑物边界点的坐标为观测值，以顾及边界正交限制条件的直线斜率和截距为参数，建立附有限制条件的变量误差（errors-in-variables，EIV）模型。考虑观测向量和设计矩阵相关的情况，给出了增广设计矩阵的协方差阵的计算方法，推导了附限制条件的通用加权总体最小二乘（weighted total least squares，WTLS）平差算法，以及近似精度评定算法和仅含二次型限制条件的WTLS平差方法。理论和算例分析表明，在建筑物重建问题中，附有限制条件的EIV模型比经典附有限制条件的Gauss-Helmert模型易于构建，所提的WTLS算法快速收敛速度快，对拓展WTLS平差方法的应用具有理论与实践意义。     

结构总体最小二乘估计理论的拓展及其应用研究EI北大核心CSCD

具有随机系数矩阵的高斯-马尔可夫(GM)模型被称为变量误差(EIV)模型,在均方误差意义下,总体最小二乘(TLS)估计得到的EIV模型参数估值优于最小二乘(TLS)估计,这种状况已引起测绘领域的极大关注,并成为多年来的热点问题之一。     

基于Partial-EIV模型的TLS姿态估计方法

推导了基于乘性姿态角误差的观测方程,顾及其系数矩阵也含有误差的特点提出一种利用整体最小二乘原理估计姿态参数的新思路。该问题的系数矩阵中同时存在随机元素和固定元素且存在结构性特征,故引入Partial-EIV模型,设计了一种符合其系数矩阵结构特点的新模型。最后通过两组仿真实验将其与已有姿态估计方法进行对比,得出结论:基于Partial-EIV模型的整体最小二乘解法解算精度高于常规最小二乘法;其解算效果与基于乘性姿态角误差的最小二乘法基本一致。表明本文提出的方法正确有效。     

隐式标度因子的总体最小二乘估计方法

分析指出了标度总体最小二乘方法(STLS)存在的问题,提出了一种隐式标度因子的标度总体最小二乘方法(Im STLS)。区别于现有STLS方法在平差准则中引入标度因子,Im STLS方法在EIV函数模型中顾及标度因子,从而解决了现有STLS平差准则形式与标度因子实际表征的平差结果不一致的问题。此外,利用所建函数模型的重构表达式推导的Im STLS估计量及其方差-协方差阵,与经典最小二乘平差理论具有形式同构性。最后,验证了所提方法统一表达LS,DLS和TLS的正确性,并讨论给出了标度因子对平差结果的影响及确定方法。     

基于EIV模型的稳健估计

EIV（error-in-variables）模型同时考虑观测向量和系数矩阵的误差,自提出以来便得到广泛应用。目前针对EIV模型的整体最小二乘解法（TLS）假设观测值仅含有偶然误差,当观测值存在粗差时其解并不是最优的。文中通过选定合适的权函数,结合加权整体最小二乘迭代算法,导出基于EIV模型的稳健整体最小二乘迭代解法（RTLS）。线性拟合实验表明,文中方法能对粗差进行定位,且估计量受粗差影响较小,具有稳健性。     

加权整体最小二乘EIV模型与算法——与"加权整体最小二乘EIO模型与算法"一文的讨论

加权整体最小二乘方法是一种能同时顾及EIV（errors-in-variables）模型中系数矩阵和观测向量误差的参数估计方法。根据不同的应用场景，EIV模型则表现出不同的结构特征。"加权整体最小二乘EIO模型与算法"一文采用EIO模型处理EIV模型中的结构化问题^*。为了将其与现有方法进行对比，本文罗列出4种处理EIV模型结构特征的方法，并归纳了8种参数估计公式。同时从精度评定的角度讨论了整体最小二乘解的一阶及更高阶精度近似评定方法。需要强调的是，针对EIV模型及其参数估计理论可以从函数模型、随机模型和参数估计方法3个方面展开研究，但各方法殊途同归。     

坐标转换Partial-EIV总体最小二乘方法

在测量数据处理过程中,针对系数矩阵中同时存在随机元素和固定元素的情况,Xu等通过将随机元素分离使EIV模型推广到Partial-EIV模型,并给出基于Partial-EIV模型的总体最小二乘(TLS)算法。文中介绍该算法,并将其应用在平面及空间的坐标转换中,通过与最小二乘(LS)、总体最小二乘(TLS)及加权总体最小二乘(WTLS)方法的比较和分析,验证该算法有效性。     

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。     

Partial EIV模型的非负最小二乘方差分量估计

Partial Errors-in-Variables(Partial EIV)模型是EIV模型的扩展形式,权阵构造简单,当系数矩阵中存在非随机元素和随机元素时,Partial EIV模型的适用性更强。针对Partial EIV模型中随机模型不准确的情况,将系数矩阵和观测向量分别作为一类数据,本文在该模型的基础上,使用最小二乘方差分量估计方法,推导相关计算公式及迭代算法,分别估计出相应的方差分量估值。并对出现的负方差使用非负最小二乘理论,增加约束条件,对随机模型进行修正,得到更加合理的参数估值。试实验结果表明,本文的方法与其他方差分量估计方法等价。     

顾及系数矩阵结构性的加权总体最小二乘解算

针对加权总体最小二乘平差模型中系数矩阵具有结构性的问题,该文设计了一种顾及系数矩阵结构性的加权总体最小二乘迭代解法:首先,利用非线性最小二乘平差方法将总体最小二乘模型线性化;然后,采用结构矩阵的方法顾及系数矩阵的重复元素和常数项,通过间接平差的原理推导了顾及系数矩阵结构性的加权总体最小二乘迭代公式,可适用于加权总体最小二乘的参数估计;最后,通过算例分析并与其他算法进行比较,验证了该算法的有效性和可行性。