坐标转换四参数解算的整体最小二乘新方法

在平面四参数坐标转换模型中,观测向量和误差方程系数矩阵中部分元素都存在误差。提出一种使用整体最小二乘迭代法求解坐标转换四参数的新方法,只改正系数矩阵中含误差的元素,同时使系数矩阵中不同位置的相同元素具有相同改正数,理论上更严谨。设计了平面四参数模型坐标转换实验数据,通过与经典最小二乘、整体最小二乘、混合整体最小二乘3种方法结果对比,验证了新方法的可行性且解算结果更优。     

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。     

球面拟合的相关PEIV模型总体最小二乘法

在球面拟合中,系数矩阵中含有球面点坐标,所以同样存在误差,故采用总体最小二乘拟合球面更合理。但系数矩阵不同位置有相同元素,从理论上讲,这些相同元素应该有相同的改正数,并且系数矩阵与观测向量相关。为了解决上述问题,本文提出了球面拟合的相关PEIV模型总体最小二乘法,该方法可以很好地克服上述问题。通过算例分析发现,本文方法解算的参数估值更为可靠,验证了本文方法的可行性、有效性。     

以三维坐标转换为例解算稳健总体最小二乘方法

稳健最小二乘方法能够有效解决平差计算中观测值存在粗差的情况,因此广泛应用于各种实际问题中。在最小二乘方法中,系数矩阵被认为是不含有误差的。然而在实际情况中,系数矩阵中的变量往往也包含观测值,因此不可避免地会被误差污染。为同时考虑系数矩阵和观测向量中的误差,同时对粗差进行探测和定位,本文提出基于选权迭代的稳健总体最小二乘方法,并以三维相似坐标变换为例展示解算过程。通过模拟计算,证明了采用本文提出的稳健总体最小二乘方法,能够较好地达到粗差探测和定位的目的,获得稳健的参数解。     

总体最小二乘用于线阵卫星遥感影像光束法平差解算

顾及像点观测方程的系数矩阵中存在随机误差,提出了基于总体最小二乘的线阵卫星遥感影像光束法平差模型。在假定像点观测误差和系数矩阵误差均为独立、等精度分布的基础上,利用拉格朗日条件极值法推导了包含外方位元素虚拟观测方程和控制点误差方程的总体最小二乘光束法平差算法的具体公式和计算方法。该方法利用方差分量估计确定各类虚拟观测值的方差,可求解包含多类虚拟观测量的平差问题,并可用先验信息或岭迹法确定系数矩阵观测值的权比例系数,从而克服了现有总体最小二乘虚拟观测方法不能处理多类虚拟观测值的不足,确保了光束法平差可正确有效求解。分别利用模拟算例与两组真实影像进行了试验验证。结果表明,相比于常规最小二乘虚拟观测法以及现有总体最小二乘虚拟观测方法,本文方法具有更高的求解精度与适应性。相较于传统线阵卫星遥感影像光束法平差方法,本文方法可以获得更高的平差计算精度。     

基于Partial EIV模型的空间平面拟合总体最小二乘法

针对空间平面拟合中系数矩阵含有部分误差的特点,根据Partial EIV模型提取系数矩阵随机元素的思想,将空间平面拟合模型系数矩阵中观测元素作为随机元素提取组成新的未知向量。采用Partial EIV模型线性化的新解法求解拟合参数,简化了计算过程,且保证了系数矩阵相同元素的改正数一致,较EIV模型的总体最小二乘法,理论模型更加严谨。通过算例说明了,本文方法可以用于拟合空间平面,且精度有一定优势。     

LS和TLS方法在高程拟合技术中的应用研究

传统的GPS高程拟合技术使用最小二乘方法对拟合模型进行平差计算,其模型的系数矩阵大多由高程点的平面坐标组成,而平面坐标也是施测GPS得到的观测值,因此也存在观测误差,最小二乘方法并没有考虑系数矩阵的误差,显然与实际情况存在偏差。为解决此问题,本文提出了总体最小二乘方法,并使用该方法对某长江大桥数据进行试验,分析和对比,验证总体最小二乘方法对于提高高程拟合精度的有效性。     

基于非线性高斯-赫尔默特模型的结构总体最小二乘法

变量误差（error-in-variables，EIV）模型的系数矩阵存在结构特征的情况，并且这种结构特征可以扩展到观测向量中。首先采用变量投影法将系数矩阵的增广矩阵展开成仿射矩阵形式，提取系数矩阵和观测向量中的随机量，并将EIV模型表示为非线性高斯-赫尔默特模型，然后利用非线性最小二乘原理推导了一种结构总体最小二乘法。该算法统一了普通的结构总体最小二乘法、结构数据最小二乘法以及最小二乘法。将该算法应用到真实算例和模拟算例中，两个算例结果表明，该算法与已有能够解决EIV模型结构特征的结构或加权总体最小二乘法估计结果一致，验证了该算法的有效性。同时，该算法对结构特征的提取方式简单、规律性强且易于编程实现；且在算法设计中，把结构总体最小二乘问题转换为附有参数的条件平差问题，即将其纳入到最小二乘平差理论体系，便于其扩展应用。同时对平面拟合问题的误差估计特性进行了定性分析，由分析可知参数的相对大小对估计误差的一致性有直接影响，这说明EIV模型下系数矩阵和观测向量中随机量的估计误差与真误差的一致性关系相对复杂。     

稳健加权总体最小二乘的点云数据平面拟合

针对观测向量和系数矩阵均含有误差以及点云数据存在异常点的问题,该文提出一种稳健加权总体最小二乘法。该方法在加权总体最小二乘的基础上,通过设置一定的准则,剔除点云数据中存在的异常点,以获取更为精确的平面拟合参数解。仿真模拟算例和实际点云数据实验结果表明,该方法与传统的方法相比,能够消除异常点带来的影响,获得更精确的参数解,平面拟合精度更高。     

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     

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。     

一种相关观测的Partial EIV模型求解方法

Partial errors-in-variables(Partial-EIV)模型作为EIV模型的扩展形式,其构造方式更有规律,解算方法更为简便,能有效应用于实际情况。针对已有Partial EIV模型方法未考虑观测向量和系数矩阵存在相关性这一情况,通过提取观测向量和系数矩阵组成的增广矩阵中非重复出现的随机元素,构建更具一般适用性的Partial EIV模型,在该模型的基础上,将特殊假定条件扩展到不限定观测数据相关性的一般情况,详细推导了观测向量和系数矩阵元素相关且不等精度情况下的加权总体最小二乘方法,通过算例试验,并与目前已有的解决EIV模型相关观测情况下的方法进行了比较分析,研究表明本文方法可以提高计算效率,更具一般性,特别是对于观测向量和系数矩阵中存在常数元素和重复元素的情况。     

顾及设计矩阵误差的AR模型新解法

在自回归模型求解中,设计矩阵和观测值均存在误差,传统的最小二乘法不能很好地解决这一问题。本文提出了一种顾及设计矩阵误差的AR模型新解法,通过引入虚拟观测值,使观测向量与设计矩阵不仅同源而且带误差的元素个数相同,然后通过对观测方程进行等价变换巧妙实现了在最小二乘框架下求解自回归问题。利用模拟数据及实测数据分别对新算法进行了内符合精度检验,并利用实测数据对新算法进行外符合精度检验,结果表明新算法得到的结果显著优于奇异值分解(singular value decomposition,SVD)解法及传统最小二乘解法,验证了算法的精度和有效性。     

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。     

PEIV模型WTLS估计的Fisher-Score算法

考虑系数矩阵含非随机元素和不同位置含相同随机元素的结构化特征，PEIV（partial errors-in-variables）模型较一般的EIV模型更为严格。现有PEIV模型加权整体最小二乘（weighted total least squares，WTLS）估计算法需多次迭代，影响计算效率。通过利用观测值误差和系数矩阵误差的统计性质构造非线性目标函数，并以此推导了新的PEIV模型WTLS估计的计算公式，同时设计了相应的Fisher-Score算法。算例分析结果表明，相比较而言，Fisher-Score算法迭代次数较少，计算效率得到大大提升。     

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。     

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。