������С���˽������о�

??????????,??????????С?????????С??????????任???????????????????С?????????????????????С???????????????????С??????????????????С????????????????????С???????????????????????????????????????????????С????????С????????в??λ??????????????????     

������С���˵��Ŷ�����

??????????????????????????????????????????????????????????????????????????????????????????????????μ???С???????????С????????????????????????С??????????????????????????????????????????????С???????????????????????????????????С??????????????????С???????????С????????????????????????????     

������������ˮƽ���ٶȸ�����С��Ԥ����

]?????????????????????????????????????С???任????????????????????????????С???????????????????????????????С???任??????????????????HaarС????db4С????db6С????sym6С?????????С?????????????????????FIR????????????????б??,?????????С??????????????????????????FIR??????????????????????????db???С????????????????????????????????????????????????????????db???С??????????????sym8С????     

���ʶ���������С�������������ͬ�׷�����Ӧ��

???????????????????????Jacobian???????????????????????????????С?????????????????????????С?????????????????????????в?????????С??ж?????????????????????2??????????????????仮??????????????????С??????????н???????????÷???????????????????????????????????????????????????????????????????????????????????????????????????????????С??????????????С??????     

��Ͻṹ������С���˲�������

???????????????????к?????????????????к??????????????????????С????????????????????????????????????С?????????????????????????С?????????????????????????С?????????????????????????????????????????????????????????????????С?????????з???????????????????????????????????????????С?????????????????????????????к?????????????????????????????????????????????????λ????????????????????????λ?????????????????????????????????????з?????????????????????????????????????????,??????????С??????????????????λ???????????????????????????     

�����SVD�ֽ����ʼ������ȿ���ƽ���е�Ӧ��

??????????????(SVD,Singular Value Decomposition)????????????????????????????M-P??????????????????ó????????????????????????M-P??????;??????????????????????????С??????С?????????????????????????????????????????????????????????;?????????С??????С??????????????????????????????????????δ???????С??????С?????;????????????????????????????????????????????????Ч???     

��Ȩ������С���˵ĵ����ⷨ

?????????????С???????????????????????С???????????????С???????????????????????????????????????С?????????????????????????С??????????????????й?????????????????????????y?????????     

������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

����������С���˵ĵ��漤��ɨ������λ����

????????????λ????С?????λ??????????????????????????漤?????????λ????????С????????λ???????????????????????????С??????????÷??????????????????????????????????????????????????????????С?????????С????????????????????????????????????????嶨λ???????     

�ؿ�Ӧ��������ݵ�������С���˷���

??????????С????????о???????(??)??????????????????????????????????????????????????????????????????????????????ü???λ??????????????(??)????????????С???????????????????????????????????м???в??????????????????????????м???????????????????????????????????????????????????С??????????????????????????????????????????????????????С???????????С?????????????????????????????????С????????о???????????????????Ч???     

线性回归模型的稳健总体最小二乘解算

针对线性回归中自变量和因变量可能含有粗差的情况,提出线性回归模型的稳健总体最小二乘法。将线性回归模型进行等价变换,视其总体最小二乘平差模型为非线性,根据选权迭代的思想推导线性回归模型的稳健总体最小二乘迭代算法。以模拟算例在自变量和因变量同时添加粗差的情况下进行10 000次试验,并从中选出一组数据进行具体分析,结果验证了本文算法的有效性和可行性。     

���Իع�������С����ƽ��ģ�ͼ�����

??????????????г????е?????????????С???????????????????????С?????????????????????????????????????С????????????????????????????????????????????     

线性回归总体最小二乘平差模型及解算

针对系数矩阵含有一列常数列的线性回归总体最小二乘平差问题,提出一种总体最小二乘平差模型。在此基础上,推导了线性回归总体最小二乘的迭代算法,并采用一个算例验证了模型和算法的可行性。     

�����Ա����������Իع�����㷨

??????????????????????????????????????????????С?????????????????????С???????????????????????????Ч?????????     

����������С���˷���

???????е???????????????к??д??????????????????????С?????????????M???????????????????????С??????????в??????????????в??????????????????????????????????????С?????????????????С?????????????????м?????????????÷???????????     

病态加权总体最小二乘模型的正则化抗差解法

针对EIV模型系数阵病态且系数阵和观测值精度不同的情形,基于拉格朗日乘数法导出病态加权总体最小二乘模型的正则化解法,并证明已有的等权病态总体最小二乘模型的正则化解法是其特例。在此基础上,进一步提出基于中位数法的病态加权总体最小二乘模型的正则化抗差解法,并用第一类Fredholm积分方程和病态测边网两个算例验证算法的有效性。结果表明,受系数阵病态性以及粗差的影响,最小二乘解和总体最小二乘解精度较差,严重偏离真值;正则化解法在顾及系数阵和观测值误差的同时可有效削弱模型的病态性,其精度较最小二乘解和总体最小二乘解有所提升;而正则化抗差解法在正则化解的基础上,利用等价权函数重构权阵,能有效抵御粗差的影响,其精度最高。     

多元加权总体最小二乘新解法

将多元加权总体最小二乘模型进行变换,转化为加权总体最小二乘模型,推导构造新的系数矩阵和系数矩阵元素协因数阵的公式,研究多元加权总体最小二乘的解算流程。以Jazaeri加权总体最小二乘为例,给出多元总体最小二乘参数的解算过程。通过算例分析和比较,验证了该方法的有效性。     

空间直线拟合的PEIV模型的构建与解法

针对空间直线拟合不宜直接采用总体最小二乘算法和混合总体最小二乘算法的问题，提出一种基于PEIV模型的总体最小二乘法的空间直线拟合算法。首先将空间直线的标准方程进行变换，改写为总体最小二乘的EIV模型；然后针对系数矩阵的特点，将模型转换为更加合理的PEIV模型，线性化成类似于最小二乘间接平差形式，采用迭代的方法求解拟合参数。平差过程保证了系数矩阵重复元素的改正数一致，常数元素的改正数为零，符合实际理论；最后，通过算例比较验证了该方法的可行性和优越性。     

加权总体最小二乘点云平面拟合定权方法探讨

针对加权总体最小二乘点云数据平面拟合方法中缺少统一定权准则的问题,提出以先验入射角及距离定权两种方法。利用稳健估计构造了基于强度值定权的稳健加权最小二乘、基于先验入射角定权的加权最小二乘与基于距离定权的加权最小二乘3种新的平面拟合算法,并应用于拟合扫描不同反射材质获取的平面点云数据。算例表明,〖JP2〗以距离定权构造的距离加权总体最小二乘法的各项精度指标均优于其他算法,拟合效果最好。     

变异函数模型参数的加权总体最小二乘回归法

顾及距离值的随机误差,提出用加权总体最小二乘回归法估计变异函数模型参数。通过协方差传播律发现,分组后的变异函数值和距离值是不等精度的。给出距离值的定权方法,结合熵权法和点对数法迭代解算模型参数。以幂函数模型为例,模拟数据和实测数据的结果表明,加权总体最小二乘回归法更加合理,参数的估计精度也更高。