系数矩阵中部分有界不确定性的混合平差算法

在测量数据的获取过程中,常常存在着不确定性。它们影响着参数估计的有效性和可靠性。本文基于不确定性混合平差模型,在不确定性误差有界的约束下,利用随机误差和不确定性误差平方和达最小的新平差准则,给出了一个新的不确定性平差模型迭代算法。通过算例,对本文算法与其他方法进行了比较。结果表明：本文所提参数解算方法是有效可行的,且在不确定性较大时,该方法有较好的适用性。     

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。     

病态不确定性平差模型的岭估计算法

测量数据在获取的过程中,常存在不确定性,它们会影响参数估计结果,不确定性平差模型的解算方法可以有效提高参数估计的有效性和可靠性。当观测方程的系数矩阵存在接近零的奇异值,采用岭估计可有效抑制观测方程病态性对参数估值结果的影响。当不确定性平差模型出现病态,其受系数矩阵误差和观测值误差的影响更为严重,本文将岭估计法应用于病态不确定性平差模型,推导了迭代算法,以提高解的稳定性,并用算例验证,结果表明了新方法的有效性和可行性。     

带有不确定性的观测数据平差解算方法$

通过把不确定度作为参数融入到函数模型,建立了不确定性平差模型。依据残差中不确定性传播规律,确定了残差最大不确定度达到最小的平差准则,利用迭代算法得到了不确定性平差模型的解算方法。通过实例分析了最小二乘平差、整体最小二乘平差和不确定性平差准则下最优解的不同特点。     

线性回归参数的总体最小二乘估计算法研究

针对线性回归参数的总体最小二乘估计问题提出了线性回归加权总体最小二乘平差模型,在此基础上推导了线性回归的加权总体最小二乘迭代算法。之后,采用一个算例进行了分析,其结果验证了提出模型和算法的正确性和可行性。     

EIV模型参数估计的新方法

提出了一种EIV(errors-in-variables)模型参数估计的新方法,即根据非线性最小二乘平差理论,并用构造结构矩阵的方法来顾及系数矩阵的重复元素和常数项,推导了其迭代算法和精度评定公式。新方法统一了总体最小二乘、加权总体最小二乘以及结构总体最小二乘三种算法,并给出了详细的解算步骤。新方法的推导过程及其迭代格式较为简单,易于程序实现。最后通过两个实例验证了本文方法的有效性和可行性。     

加权广义逆的一种新的构造方法及其在秩亏网平差中的应用

本文将一种新的加权广义逆表达式应用于秩亏自由网的平差计算,推导出新的秩亏网平差解算公式和精度估算公式。将代数上最近关于Moore-Penrose广义逆的结论做了改进,提出Moore-Penrose广义逆的一种新的算法,并将此算法应用到秩亏网的平差计算。最后,通过秩亏网算例进行了解算,验证了本文方法的正确性和有效性。     

不确定性平差模型的平差准则与解算方法

在测量数据的获取过程中,经常存在着不确定性,它们影响着参数估计的可靠性。本文通过把不确定度作为参数融入函数模型,建立了不确定性平差模型。依据残差中不确定性传播规律,确定了残差最大不确定度达到最小的平差准则,利用迭代算法得到了不确定性平差模型的解算方法。通过实例分析了最小二乘平差、整体最小二乘平差和不确定性平差准则下最优解的不同特点,从另一个角度探讨了不确定性观测数据处理方法,推广了现有的误差理论。     

基于非线性模型高精度参数估计的新解算方法

在对传统求解非线性模型参数的思想进行分析和研究的基础上,提出一种利用多平差方法对待估参数进行相互迭代,以求得参数估值的新算法。通过实例说明该算法在解算精度和收敛速度方面优于传统解算方法。     

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。     

多元总体最小二乘问题的牛顿解法

为提高多元总体最小二乘问题参数估值的解算效率,推导了基于牛顿法的多元加权总体最小二乘算法;分析比较了基于牛顿法的多元加权总体最小二乘解和基于拉格朗日乘数法多元加权总体最小二乘解之间的关系,根据协因数传播律给出了多元总体最小二乘平差的16种协因数阵的近似计算公式。新算法能够解决观测矩阵和系数矩阵元素具有相关性的问题,并且可以把观测矩阵和系数矩阵的随机元素和常数元素纳入到一个协因数阵中进行处理。算例结果表明,本文提出的多元总体最小二乘问题的牛顿解法可行且收敛速度更快。     

非线性平差精度评定的自适应蒙特卡罗法

针对现有的非线性平差精度评定理论中,蒙特卡罗法模拟次数的选择不具有客观性,无法对结果进行直接控制,以及没有同时考虑到平差参数估值、随机量改正数和单位权方差估值的有偏性等问题,把自适应蒙特卡罗法融入到非线性平差精度评定理论中。通过基于自适应蒙特卡罗法的估值偏差计算和参数估值协方差阵计算,设计了非线性平差精度评定一套理论完整的算法流程。基于对偶变量的思想,提出了参数估值偏差计算的对偶自适应蒙特卡罗法。直线拟合模型和椭圆拟合模型两个算例结果表明,非线性平差精度评定的自适应蒙特卡罗法能获得稳定且合理的精度评定结果,具有更强的适用性;对偶自适应蒙特卡罗法计算估值偏差的收敛速度更快,效率更高。     

加权总体最小二乘的效率优化算法

加权总体最小二乘法是理论上估计EIV模型参数相对严密的方法,其迭代过程中涉及的矩阵运算较为耗时,在处理大量级数据时尤其明显。PEIV模型有助于提高加权总体最小二乘法的计算效率。本文基于PEIV模型和经典最小二乘准则给出了一种加权总体最小二乘法算法,算法的推导过程简洁,易于理解,迭代过程中无需重构矩阵,减少了矩阵运算量。最后通过仿真试验验证了算法的可靠性。试验结果表明,本文算法可以取得与现有算法相同的参数估计精度且计算效率更高。     

参数带有区间约束的平差模型迭代算法

测量平差模型中的参数通常存在一些不确定的附加信息或先验信息,充分利用它们可以对部分参数进行约束,从而保证参数解的唯一性和稳定性。本文主要研究参数带有区间约束的平差模型。即,利用矩阵正则分裂方法,将平差问题转化成一个简单的二次规划问题,建立了一种新的参数估计迭代算法,并证明了算法的收敛性。最后通过实例说明了新方法可以提高参数估计的效率,降低模型的不适定性,保持参数先验信息中的统计、几何或物理意义。     

融合正交几何信息的非线性等式约束整体最小二乘平差及迭代算法

正交距离最小二乘和加权整体最小二乘是解自变量含误差拟合问题的两种独立准则。加权整体最小二乘与正交距离最小二乘不同,它不考虑测量点与拟合点之间的连线垂直于拟合对象的几何信息,不能确保测量点到拟合对象的距离的平方和为极小值。针对该问题,本文将正交几何信息作为约束条件融入加权整体最小二乘,提出一种约束方程带有误差改正数的非线性等式约束整体最小二乘平差法。首先,把加权整体最小二乘平差的函数式看作是非线性方程,连同正交几何约束方程一并线性化,得到线性的平差函数方程;然后,采用拉格朗日乘数法推导其参数估计及精度评定公式,并给出迭代计算算法;最后,以平面直线拟合为例,对本文方法和计算算法进行验证。试验结果表明:①本文方法和算法具有可行性;②与加权最小二乘和加权整体最小二乘相比,本文方法计算的测量点到拟合直线的垂直距离平方和最小;③本文方法计算的测量点到拟合直线的距离与测量点到拟合点的距离相等。     

加权整体最小二乘EIO模型与算法

构造了加权整体最小二乘EIO(errors-in-observations)模型,只改正独立观测值,观测值协因数阵最简洁,可克服EIV模型缺陷。基于EIO模型推导了参数估计和协因数阵精确迭代算法,实例结果正确,计算效率高。     

Recursive algorithm for fast GNSS orbit fitting

Gaussian elimination is an efficient and numerically stable algorithm for estimating parameters and their precision. However, before estimating the parameters, it is often prudent to perform statistical tests to achieve the best fitting model. We use Gaussian elimination to select the best fitting model among candidate models. A succinct relationship between the weighted sum of squared residuals and the previous one is revealed by a volume formula. For quick parameter estimation and determination of weighted sum of squared residuals, a recursive elimination algorithm is proposed in the context of Gaussian elimination. In order to improve the model selection efficiency, the parameter estimation and the determination of the weighted sum of squared residuals are carried out in parallel using the proposed recursive elimination algorithm in which the improvement at each recursive stage is judged by the Bayesian information criterion. Ultimately, the computational complexity and numerical stability of the recursive elimination proposed are briefly discussed, and a GNSS orbit interpolation example is used to verify the results. It shows that the proposed recursive elimination algorithm inherits the numerical stability of the Gaussian elimination, and this algorithm can be used to examine the gain from the newly introduced parameter, dynamically assess the fitting model, and fix the optimal model efficiently. The optimal fitting model with the lowest information is very close to the real situation verified by checkpoints.     

Robust estimator for correlated observations based on bifactor equivalent weights

 A new robust parameter estimator for the adjustment of correlated observations is developed based on a `bifactor reduction' model of weight elements. A shrinking factor for weight elements is proposed. The new equivalent weight matrix composed by the bifactor weight elements preserves the symmetry and keeps the original correlation coefficients unchanged. The new parameter estimator with its error influence function is derived. The robustness and efficiency of the new robust estimator is demonstrated with a simulated example and some conclusions are drawn. Received: 5 March 2001 / Accepted: 17 January 2002     

Gauss-markov模型的t型抗差估计

测量中对含粗差的数据的处理通常采用基于等价权法的抗差M-估计,等价权及其临界值的选取决定了参数估计的效率和抗差性.本文将近年来统计界提出并有较深入理论研究的t型估计引入测量平差中,提出Gauss-Markov模型的t型抗差估计及其算法,并进行了模拟计算.t型抗差估计具有很好的统计性质;其求解采用EM算法,计算快捷稳定,收敛性好,可同时求解出位置参数和方差因子的抗差估计;t分布的自由度可方便地调节估计的效率和抗差性.计算结果显示,t型抗差估计受粗差影响不大,具有较好的抗差能力.