粗差探测与稳健估计相结合的方法在直线拟合中的应用

当观测向量和系数矩阵都含有粗差时,提出将粗差探测法和稳健加权总体最小二乘法二者有效结合的方法,在数据预处理阶段,利用粗差探测法剔除大的粗差,在参数估计阶段,利用稳健加权总体最小二乘法控制小粗差。以直线拟合为例,通过对比分析表明,粗差探测法和稳健加权总体最小二乘相结合的方法求出的参数结果最优。     

基于IGGII稳健总体最小二乘在变形监测的应用

由于外界的种种原因,测量误差始终存在。总体最小二乘考虑了系数矩阵误差以及观测向量误差,却未考虑观测向量可能存在粗差。因此,利用稳健估计方法,采用IGGⅡ权函数,提出了基于IGGⅡ的稳健总体最小二乘迭代方法。通过实例对比LS,TLS,以及稳健总体最小二乘的结果,发现稳健总体最小二乘的精度最高。     

稳健总体最小二乘法在测边网解算中的相对有效性

以不同观测值个数与未知数个数的模拟测边网、观测值中包含不同的粗差个数和常用的相对有效的稳健估计方法为例,运用仿真试验的方法比较稳健总体最小二乘法(RTLS)与稳健最小二乘法(RLS)的相对有效性,结果说明对于观测值包含随机误差和粗差、系数矩阵不包含随机误差和粗差的情形,稳健总体最小二乘法与稳健最小二乘法等价。     

关于总体最小二乘方法适应性实验研究

总体最小二乘是近年来发展起来的较最小二乘方法更为严密的平差方法,总体最小二乘能够顾及系数矩阵和观测值矩阵同时存在偶然误差并加以改正。然而对于总体最小二乘方法的适用性以及在根据实际数据建立模型时总体最小二乘方法改正系数矩阵和观测值矩阵误差的能力问题还没有深入研究,针对一元线性回归模型,讨论总体最小二乘方法的灵敏性,利用仿真实验数据验证总体最小二乘方法在线性回归模型中的改正能力和优越性。     

一种稳健加权总体最小二乘的新方法

正在测绘地理信息实践中,可能会遇到系数矩阵含有误差的情况,如果此时采用传统的最小二乘(LS)方法进行参数估计显然是不恰当的。为了弥补这个缺陷,在顾及权阵的前提下,采用同时考虑观测向量和系数矩阵误差的加权总体最小二乘(WTLS)方法被认为是更可取的。然而,该方法虽然考虑了系数矩阵存在误差的情况,但对于观测向量和系数矩阵中均可能存在的粗差却没有考虑,致使结果较大地偏离真实值。本文研究加权总体最     

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。     

稳健估计方法提高数据处理精度

介绍了近代平差理论的稳健估计方法,编制稳健估计方法的程序,并通过实例验证,与最小二乘估计进行比较,表明稳健估计在水准网粗差探测和平差计算中优于最小二乘估计方法,并且能够定位粗差,从而进行消除或者减弱,得到较为干净的观测值。因此,稳健估计方法应用于测量平差具有一定的抵抗粗差的能力,从而可以提高数据处理的精度。     

一种利用IGGII方案的稳健混合总体最小二乘方法

混合总体最小二乘(mixed LS-TLS)合理地顾及了系数矩阵和观测向量误差,却没有考虑数据中可能存在的粗差。利用IGGII方案,提出一种稳健的混合总体最小二乘方法,并通过平面拟合进行验证。结合模拟数据和真实数据,通过与最小二乘(LS)、总体最小二乘(TLS)和混合总体最小二乘的对比分析,证实这种稳健混合总体最小二乘的平面拟合结果最为可靠。     

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。     

一种拟合三维空间直线的新方法

提出了一种基于稳健总体最小二乘的三维空间直线拟合新方法。该方法以加权总体最小二乘为基础,通过删除点到拟合直线距离过大的观测点来抵抗粗差的影响,获得空间直线参数的稳健估计值。试验表明,当观测数据中不含有误差时,加权最小二乘法、加权总体最小二乘法和本文方法的参数估计值高度一致;当观测数据包含粗差时,本方法的参数估计值明显更接近真实值。     

总体最小二乘法在相机标定中的应用

对比总体最小二乘方法与最小二乘方法在相机标定中的适用性及优越性。在相机标定中,由于像点坐标和对应的地面点坐标均存在误差,因此采用总体最小二乘方法对误差方程中的系数矩阵及观测向量同时改正,能够建立更加合理的计算模型。文中以相机标定两步法为例,通过实例解算,证明利用总体最小二乘法能够得到精度更高的相机标定参数解。     

三原则整体最小二乘用于平面自由网平差计算

文中在平面网平差中应用整体最小二乘理念.在最小二乘模型中,为了消除观测方程系数误差和未知参数系统误差,加入系数改正数和参数改正数,并提出三原则整体最小二乘模型.研究平差两大步骤,用最小二乘多次改用"参考点组"而选出w个稳定点;用最小二乘多次改用"近似坐标"而消除系数误差和参数系统误差.三原则整体最小二乘适用于平面自由网...     

稳健估计下转换参数系数矩阵定向改正的整体最小二乘

不同空间坐标系在进行坐标转换过程中,利用整体最小二乘(TLS)构建高斯-马尔科夫(Gauss-Markov)模型求解布尔莎-沃尔夫(Bursa-Wolf)七参数模型时,存在已知控制点含有粗差、模型系数阵固定常数参与残差改正的问题。通过对系数矩阵中含误差参数进行改正,并结合稳健估计的方法,对TLS进行迭代定权,解决了已知控制点粗差会对参数计算精度产生影响的问题,同时使得系数矩阵中非常数项得到精确的残差改正。本文通过实验数据证明,此方法可行并且解算精度更优。     

LS和TLS在平面坐标转换中的应用

在超定线性方程Ax=b的解算中,最小二乘(LS)只考虑观测向量b的误差,而总体最小二乘(TLS)则同时顾及观测向量b和系数矩阵A均含误差的情况。本文以六参数模型在平面坐标转换中的应用为例,分别采用LS和TLS进行模型参数的求解。结果表明,2种方法所求参数并无显著差异,但是总体最小二乘更好地改善了坐标转换的内部精度,是一种更为合理的计算方法。     

复数域总体最小二乘平差

在复数域最小二乘的基础上提出了复数域总体最小二乘平差方法,推导了复数域总体最小二乘和复数混合总体最小二乘的相关公式。通过算例比较分析了复数观测值的残差的模的平方和最小(平差准则1)下及残差的实部和虚部的平方和分别最小(平差准则2)下的复数最小二乘、复数观测值和系数矩阵的残差的模的平方和最小(平差准则3)下及残差的实部和虚部的平方和分别最小(平差准则4)下的复数总体最小二乘方法的优劣。试验结果表明:平差准则1下复数最小二乘较平差准则2下得到的结果更加合理,平差准则3下复数总体最小二乘较平差准则4下得到的结果更为准确;当顾及系数矩阵误差时,平差准则3下复数总体最小二乘要优于平差准则1下复数最小二乘。     

GM＋AR组合模型的TLS解算方法及其应用

变形体的变形量通常是一个非平稳时间序列,常常包含有趋势项和随机部分,因此,可以考虑建立GM＋AR模型。使用GM模型提取趋势项,提取了趋势项的剩余部分建立AR模型。然而,在进行模型参数的估计时,由于GM模型和AR模型的系数矩阵都含有误差,传统的最小二乘（LS）法并未顾及到这一点,因而,采用LS法得到的结果并不是最优的。为了顾及系数矩阵的误差,将整体最小二乘（TLS）法引入到GM和AR两种模型的参数求解中。AR模型系数矩阵中的每个元素都是含有误差的,可以直接采用TLS法对每个元素进行改正;然而,GM模型有一列元素是固定的,并不需要改正,直接使用TLS法进行求解是不严密的,采用LS法和TLS法相结合的方法对GM模型进行参数的求解。通过具体的变形监测实例,验证了采用组合模型的LS—TLS解法具有比LS法更高的建模和预测精度。     

总体最小二乘法在坐标转换中的应用

在测量数据处理中,最为经典的处理方法是最小二乘法,认为误差只是包含在观测向量当中,系数矩阵中不包含误差。实际上由于模型等因素,系数矩阵中经常存在着误差。为了平差的严密性和精确性,采用一种可以同时顾及观测向量误差和系数矩阵误差的总体最小二乘方法,应用于测量数据处理和坐标转换中,得到更符合实际的平差处理,获得更准确的坐标转换参数。     

Adjustment of leveling network by information spread estimation

In practical parameter estimation, we have always chosen either Least Squares Estimation(LSE) or Robust Estimation. Since the distribution of observations is unknown, to select a correct estimation method is very difficult. It is well known that if observations include gross errors, the result of LSE will be badly containinated. On the other hand, if observations do not include any gross errors, the result of robust estimation is not as good as that of LSE. To solve this problem, Wang (1999) developed an estimation method called Information Spread Estimation (ISE) based on the information spread principle. The ISE is a very good method for estimating one parameter which is very robust. However, most of instances in surveying data processing are multi-parameters' estimation, owing to the inherent restrictions of ISE, it can not be applied to the surveying data processing directly. To apply the good method to the field of surveying data processing widely, the author has done the research deeply. This paper applies ISE successfully to the adjustment of leveling network by using the specialties of leveling.     

ADJUSTMENT OF LEVELING NETWORK BY INFORMATION SPREAD ESTIMATION

1　ＩｎｔｒｏｄｕｃｔｉｏｎＦｏｒｉｎｄｅｐｅｎｄｅｎｔｏｂｓｅｒｖａｔｉｏｎｓＬ ,ｔｈｅＩＳＥｆｉｒｓｔｌｙｕｓｅｓｔｈｅｆｏｌｌｏｗｉｎｇｆｏｒｍｕｌａｔｏｅｓｔｉｍａｔｅｔｈｅｄｉｓｔｒｉｂｕ ｔｉｏｎ^ｆ(Ｌ) :^ｆ(Ｌ) =1ｎｈ 2π∑ｎｊ=1ｅｘｐ( - (Ｌ-Ｌｊ) 22ｈ2 ) ( 1 )ｗｈｅｒｅＬａｒｅｏｂｓｅｒｖａｔｉｏｎｓ;ｎｉｓｔｈｅｎｕｍｂｅｒｏｆｏｂ ｓｅｒｖａｔｉｏｎｓ;ｈ =α(Ｌｍａｘ-Ｌｍｉｎ) /(ｎ - 1 ) ,ｃｏｅｆｆｉｃｉｅｎｔαｃａｎｒｅａｄｉｌｙｂｅｌｏｏｋｅｄｕｐｆｒｏｍｔｈｅＴａｂｌｅｉ…