通用EIV平差模型及其加权整体最小二乘估计

以平差基本理论为基础,提出了EIV(errors-in-variables)平差模型的通用形式,涵盖了间接平差、条件平差、附有参数的条件平差及附有限制条件的间接平差等基本EIV模型形式。基于整体最小二乘估计准则,研究了通用EIV模型的加权整体最小二乘算法,并推导了估计结果的近似精度公式。通用EIV模型及其整体最小二乘算法是对EIV模型估计理论的进一步完善,统一的整体最小二乘算法有利于软件的编程实现,有助于推动EIV模型估计理论的应用。     

点云数据拟合的partial EIV稳健加权总体最小二乘方法

针对点云数据拟合模型的系数矩阵存在随机元素与非随机元素的情况,利用基于partial EIV模型的加权总体最小二乘方法进行求解;同时考虑到获取的点云数据存在异常点的情况,采用以3倍标准差为阈值剔除异常点。通过实际算例表明,顾及异常点的partial EIV稳健加权总体最小二乘方法与传统的方法相比,能够获得更为精确的参数解,拟合精度更好。     

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。     

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。     

通用EIV模型的方差分量估计

针对通用EIV模型平差解算时随机模型的不准确情况,将通用EIV模型转换成附有参数的条件平差模型,得到方差分量估计具有一般性且符合平差的要求。文中选用EIV模型为平差模型,转换出通用EIV模型的最小二乘方差分量估计,并给出相应的迭代算法。通过实验算例的对比分析,验证本文算法的可行性与可靠性,通用EIV模型的方差分量估计具有一般性,根据不同的形式,可以得到与已有方法相同的平差结果。     

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。     

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。     

平行直线拟合的混合LS-TLS平差及精度评定方法

针对地形测图测绘和地物重建中存在的平行直线拟合问题,同时考虑x坐标和y坐标的测量误差,构建变量含误差(EIV)模型,根据设计矩阵的特点采用混合最小二乘(LS)总体最小二乘方法(TLS)求解,并给出了相应的精度评定方法。混合LS-TLS方法的平差结果与LS、TLS方法结果对比表明:对于平行直线拟合,混合总体最小二乘方法的精度高于LS和TLS方法。论文旨在对EIV问题提出实用的平差和精度评定方法,推TLS方法的应用。     

广义整体最小二乘粗差探测的三维坐标转换方法

针对观测坐标受到粗差污染时导致参数估值受到影响的问题,本文将三维坐标转换问题描述为一个非线性变量误差(EIV)模型,并提出相应的数据探测算法。首先利用Euler-Lagrange方法推导出了非线性EIV模型的广义整体最小二乘(GTLS)解,将其转化为经典最小二乘问题;然后在已知方差分量和未知方差分量的条件下,基于经典最小二乘理论,构造了两类数据探测的检验统计量。试验结果表明,本文提出的数据探测算法可有效减少粗差的影响,获得可靠的转换参数。     

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。     

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。     

Weighted total least squares: necessary and sufficient conditions, fixed and random parameters

A standard errors-in-variables (EIV) model refers to a Gauss–Markov model with an uncertain model matrix from a geodetic perspective. Least squares within the EIV model is usually called the total least squares (TLS) technique because of its symmetrical adjustment. However, the solutions and computational advantages of the weighted TLS problem with a general weight matrix (WTLS) are mostly unknown. In this study, the WTLS problem was solved using three different approaches: iterative methods based on the normal equation, the iteratively linearized Gauss–Helmert model with algebraic Jacobian matrices, and numerical analysis. Furthermore, sufficient conditions for WTLS optimization were investigated systematically as proposed solutions yield only necessary conditions for optimality. A WTLS solution was considered to treat random parameters within the EIV model. Last, applications to test these novel algorithms are presented.     

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。     

基于改进目标函数的partial EIV模型WTLS估计的新算法

针对部分变量误差（partial EIV）模型的加权整体最小二乘（weighted total least squares,WTLS）估值的计算需要多次迭代且效率低下的情况,根据加权LS（least square）原理,通过改进目标函数,并运用矩阵微分运算以及矩阵反演变换,提出了一种计算partial EIV模型WTLS估值的新算法。算例计算结果表明,新算法具有迭代次数少、计算效率高等优点。     

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。     

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。