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。     

附有等式约束病态模型正则化解的单位权中误差无偏估计

利用平差参数间合理的等式约束虽能提升病态模型解的精度，但其本质仍是通过引入正则化参数来改善模型的病态性，由于改变了观测方程的结构，所得的估值残差及单位权中误差均有偏。针对这一不足，在病态模型正则化解的无偏单位权方差估计式基础上引入等式约束条件，根据约束正则化解的残差二次型期望公式，导出约束正则化解的无偏单位权中误差估计式，并用数值算例和病态测边网算例验证其正确性。结果表明，本文公式所估的单位权中误差精度优于传统公式所估结果。     

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。     

附有模糊先验信息的病态问题解算方法

以模糊理论为基础，用模糊数集来描述未知参数向量中的模糊先验信息，将其以约束条件的形式纳入数学模型。给出带有模糊先验信息的平差模型，并基于正态模糊数建立新的平差准则，提出一种带有模糊先验信息的平差新算法。实例验证，新方法可以较好地解决测量平差中法方程病态问题。未知参数的误差分析显示，新方法解算病态方程优于最小二乘估计、截断奇异值法以及岭估计。     

函数模型与随机模型双约束的GPS-InSAR数据融合方法建立三维形变场

针对InSAR技术研究地表三维形变时监测信息不足的问题，以GPS监测信息为先验信息，建立附有随机模型约束的地表三维形变模型。考虑到SAR卫星极轨方式运行导致LOS向观测量对南北向形变不敏感的问题，以GPS南北向形变观测值作为强约束，构建三维形变解算的函数约束条件。模拟数据与西安地区实测数据的计算结果表明，基于随机模型与函数模型共同约束的地表三维形变参数最小二乘解的精度优于仅有函数模型约束或仅有随机模型约束及无任何约束的参数解精度。     

约束总体最小二乘在点云拼接中的应用

在两站点云拼接的大角度空间直角坐标转换问题中,由于拟合靶标球心坐标值在两套扫描测站坐标系下均存在误差,提出基于约束总体最小二乘的点云拼接方法,建立附有约束条件的变量中的误差模型,对观测向量和系数阵同时进行修改。经算例证明,与传统的约束最小二乘法相比,可得到更加合理的模型和更高精度的参数解     

非线性不等式约束平差的一种新岭估计算法

利用先验信息对参数加以约束,建立非线性不等式约束平差模型,并提出一种新的岭估计算法解算该平差模型。2个病态算例实验证明了本文算法的有效性,且计算结果精度高于普通岭估计。     

基于多参数正则化的空间坐标转换功能与改精度分析

三维坐标转换广泛应用于测绘内业计算中,其转换参数直接影响到转换点的精度.采用Bursa模型通过3个以上的公共点利用最小二乘法求取转换参数时,其中的系数矩阵严重病态,使求得的转换参数在公共点范围之外并不可靠.提出了基于Morozov偏差原理的Tikhonov正则化方法,考虑平移量、旋转角和尺度的多正则化参数的计算模型.模拟实验精度分析表明:多参数正则化求得的转换参数较最小二乘和单参数正则化,可以更好地提高外推精度和稳定性.     

病态总体最小二乘问题的谱修正迭代法

针对病态问题岭估计法及正则化方法存在破坏方程的等量关系、解是有偏估计的问题,在最小二乘谱修正迭代法的基础上,提出病态总体最小二乘问题的谱修正迭代法,并推导了总体最小二乘谱修正迭代法及其改进算法的具体公式。通过算例验证和阐明了TLS谱修正迭代法在病态问题中的有效性和易受迭代初值影响的缺点。     

病态模型改进正则化解的单位权中误差无偏估计

正则化法通过引入正则化参数对奇异值加以修正,从而改善法矩阵的病态性,然而其不加区别地对所有奇异值进行修正显然是不合理的。本文比较正则化解均方误差和最小二乘解方差的迹谱分解展开式,分析因修正奇异值导致解的均方误差变化与奇异值的关系,确定奇异值修正与否的条件,并基于残差二次型期望公式导出改进正则化解的无偏单位权中误差计算公式,最后用数值算例和病态测边网算例验证公式的正确性。     

���ڶ�������򻯵Ŀռ�����ת���뾫�ȷ���

????????????????????????????,?????????????????????????????Bursa??????3??????????????????С?????????????????????е??????????????,???????????????????Χ??????????????????Morozov???????Tikhonov????????,???????????????????????????????????????????????????????????????????????????????С?????????????????????????????????????????     

附不等式约束的总体最小二乘迭代算法

基于惩罚函数和测量平差中权的思想,提出了附不等式约束的总体最小二乘平差模型,即利用惩罚函数对不等式约束方程构造约束权,通过零权和无限权将不等式约束转换为等式约束,从而将不等式约束平差准则转化为传统的测量平差准则。同时,根据非线性最小二乘平差理论,用构造结构矩阵的方法来顾及系数矩阵的结构性,推导了附不等式约束的总体最小二乘迭代算法。该算法迭代格式与传统的间接平差类似,只需经过若干次迭代便能得到最优解。     

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。     

加权总体最小二乘和RBF神经网络的三维坐标转换

分析部分变量误差加权总体最小二乘法（PWTLS）、加权总体最小二乘法（WTLS）和最小二乘法（LS）在三维坐标转换模型参数求解中的应用与影响,提出PWTLS与RBF神经网络组合的坐标转换方法。结果表明,当三维坐标转换模型系数矩阵中同时存在常数元素和重复元素时,PWTLS方法计算的单位权中误差和内符合精度均优于LS方法,且源坐标改正数较WTLS方法更加合理。PWTLS+RBF组合方法能够使PWTLS的求解参数得到有效使用,提高坐标转换精度。     

��̬������С����ģ�͵������㷨

????????????????????????????????????????????????????С????????в???????,?????????????С???????????????????????????????????Tikhonov?????????????????????С??????????????????????????????????????????????Э????????????????????Fredholm???????????????????????????С????????????????????? ???????????????????????й?????????????????????????????     

病态加权总体最小二乘靶向病灶的正则化方法

病态EIV模型的病灶源于设计矩阵的部分数据列之间存在复共线性关系。针对病灶特点制定正则化策略,在克服病态性的同时尽量减小正则化过程所引起的副作用,提出靶向病灶的正则化方法。通过数值试验,与总体最小二乘方法、病态总体正则化方法等进行比较,结果表明靶向病灶的正则化方法最优。     

非等间距GM(1,1)模型的总体最小二乘算法及其病态问题

在非等间距GM(1,1)模型中，系数矩阵中有无误差的常数项和有误差的随机项，并且系数矩阵与观测向量误差同源，即系数矩阵与观测向量中有相同的元素存在，这些相同元素应该有相同的改正数，为此本文推导了一种适合非等间距GM(1,1)模型求解的总体最小二乘算法。同时，考虑到非等间距GM(1,1)模型中存在病态问题时影响总体最小二乘计算结果的稳定性，提出对系数矩阵常数列乘以某一常数的方法，以改善病态问题。     

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

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