������������ˮƽ���ٶȸ�����С��Ԥ����

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

������С���˵��Ŷ�����

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

������С���˽������о�

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

��Ͻṹ������С���˲�������

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

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

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

������С���˷������������о�

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

��Ȩ������С���˵ĵ����ⷨ

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

����������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???     

�����SVD�ֽ����ʼ������ȿ���ƽ���е�Ӧ��

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

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。     

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�ģ�͵��Ƚ�������С���˽���

?????????????????????????????д??????????????????????????????С????????????????????е??任????????????С???????????????????????????????????????????????????????С??????????????????????????????????????????????????10 000?????飬??????????????????о?????????????????????????Ч?????????     

�����Ա����������Իع�����㷨

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

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。     

�Իع�ģ�Ͳ����Ľṹ������С���˹���

????????С??????????????????????????????????????????????????????????????????????????????????????????????С???????????????????С?????????????????ü?????????????????????????????????????????????μ????????С?????????????????????????????????????????Ч??????÷????????????????????????????????     

����������������С����ƽ���

????????????????????????????????????????????????????????????????????????????????????μ???????С???????????????t???????????????????????????????????С???????????????????????????????????÷???????Ч?????????     

һ�ֽ����ع�ģ�͵��·���

?????????С????????????????д???????????????????????????·????????????????????????????鷽????????????????С?????????????鷽??????????????????????μ???????????????????÷???????Ч??????α?????????     

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。