几种粗差估值方法的比较

基于均值漂移模型,重点讨论粗差估值的计算问题,给出了观测值统计相关时数据探测法(data snooping)的粗差估值公式。探讨数据探测法粗差估值与粗差的同时定位与定值法(LEGE)、拟准检定法(QUAD)、部分最小二乘法(PLS)的粗差估值之间的关系,证明当观测值统计相关时,部分最小二乘法和QUAD法在粗差估值的计算上具有等价性,与数据探测法和LEGE法都不一致。当观测值统计独立且不等权时,QUAD法、PLS法和数据探测法具有等价性,与LEGE法在粗差估值上不同;当观测值统计独立且等权时,4种方法在粗差估值计算上具有等价性。最后通过算例验证了结论。     

GNSS高程拟合中的粗差探测

测量数据中不可避免的存在粗差,当观测值中含有粗差,会严重的影响观测成果的质量。为了对粗差进行探测,选取了数据探测法、稳健估计、多维粗差的同时定位与定值法(LEGE法)对观测值中的粗差进行检验,并进一步利用数据探测法对LEGE法进行改进,将数据探测法、稳健估计、LEGE法以及改进得到的LEGE+数据探测法应用于GNSS高程拟合的粗差探测中。在实验区域,计算结果表明:稳健估计、LEGE法、LEGE+数据探测法具有良好的抵抗粗差的能力;随着含有粗差的观测值数量增多,与稳健估计、LEGE法、LEGE+数据探测法相比,数据探测法的精度会降低;LEGE法和LEGE+数据探测法对含有粗差的观测值具有一定的修正能力。     

圆曲线拟合算法中的粗差探测与识别

针对传统的圆曲线拟合算法抵御粗差影响能力较差的现状,该文提出了一种圆曲线拟合数据的粗差探测方案。该方案基于Pratt代数拟合算法,首先构造衡量拟合数据优劣的质量指标,据此迭代剔除数据中的异常值,然后在既得圆心估值的基础上,重新评估已被标记的可疑观测值,识别出真正的粗差并将其剔除。实验结果表明,该方法能够准确识别出数据中的粗差,有效提高圆曲线拟合的精度。     

星地时间同步钟差异常处理的Bayesian方法

由于星地时间观测受大气层和地球表面环境影响,时间观测序列容易出现粗差,原子钟性能也可能出现相应异常扰动,需要对粗差进行分析处理。对此,本文引入基于识别变量的自回归(auto-regressive,AR)模型异常值探测的Bayesian方法对星地时间同步钟差序列中的异常值进行探测,进一步基于迭代似然比检验法中的异常值描述模型,将异常值估值问题转化为简单的线性模型最小二乘估计问题,以期对钟差序列中的异常值进行修复。实验表明本文的方法能够准确的探测出异常值的位置并精确的估计出异常值的大小。     

基于拟准检定法的多波束测深粗差探测

针对最小二乘趋势面滤波法在多波束测深粗差探测中存在的不足,本文提出将拟准检定法应用于多波束粗差探测中,进而将拟准检定法探测粗差与最小二乘趋势面拟合有机结合起来。通过构造不同阶次的趋势面,并对实测数据进行分析,结果表明:拟准检定法剔除粗差后海底地形表面较为平滑,微小地形得以保存,跳点和孤立点得以剔除。     

估计观测值粗差三种方法的等价性讨论

在粗差定位一致的前提下,证明了拟准检定法与部分最小二乘法的粗差估值具有等价性;LEGE法粗差估值与部分最小二乘法粗差估值具有等价性,其条件为未受污染观测值等权独立,且与受污染观测值相互独立.仿真算例证明,当未受粗差污染观测值不等权时,拟准检定法与部分最小二乘法得到的粗差估值结果相同,均比LEGE法粗差估值结果更准确、精度更高.     

L1范数与IQR统计量组合的GNSS坐标序列粗差探测算法

GNSS坐标时间序列中不可避免地含有粗差,未剔除的粗差将会导致参数估计有偏。因此,粗差探测与剔除是GNSS坐标序列分析中一项重要的数据预处理工作。针对GNSS坐标时间序列特点,提出了一种将L1范数(L1-norm)估计与四分位距统计量IQR(interquartile range)组合的移动开窗粗差探测算法,称之为L1_Mod IQR。该方法的主要思想是,首先利用L1范数估计得到较"真实"的残差,然后再对残差采用IQR统计量进行粗差探测。将L1_Mod IQR法与"3σ"法、基于最小二乘的τ检验法等粗差探测算法进行了模拟计算与对比,验证了该算法的有效性。进一步采用L1_Mod IQR算法对中国区域10个IGS站的高程时间序列进行了分析,结果表明中国区域IGS站高程序列的粗差剔除率最小为0.1%,最大为2.6%。并且以WUHN站为例与SOPAC提供的结果进行了对比,结果表明SOPAC提供的"Clean"数据仍含有大量的粗差,而L1_Mod IQR算法能够有效地剔除粗差。     

基于坡度RMSE与3维可视化的格网DEM粗差检测与剔除

粗差的存在会造成数字高程模型(DEM)空间上的严重扭曲,有时能导致DEM及其产品严重失真,因此有必要对DEM的粗差进行探测和修正。针对目前格网DEM粗差探测算法的局限性,提出基于坡度RMSE与3维可视化联合的格网DEM粗差探测与剔除方法。采用坡度法,获取所有可疑点,然后对可疑点在一定范围内建立3维可视化模型,进行交互式探测与剔除,并通过实验来验证该方法的有效性和可行性。     

粗差探测与稳健估计相结合的方法在直线拟合中的应用

当观测向量和系数矩阵都含有粗差时,提出将粗差探测法和稳健加权总体最小二乘法二者有效结合的方法,在数据预处理阶段,利用粗差探测法剔除大的粗差,在参数估计阶段,利用稳健加权总体最小二乘法控制小粗差。以直线拟合为例,通过对比分析表明,粗差探测法和稳健加权总体最小二乘相结合的方法求出的参数结果最优。     

船台测量场中公共点的粗差判别方法

针对船台公共点含粗差时对测量场整体精度的影响,提出了一种稳健的公共点粗差判别方法。该方法先通过莱以特准则初步筛选得到可疑点,再以罗曼诺夫斯基准则对可疑点进行判别,确定异常点并剔除,最后采用SVD算法计算转站参数。通过仿真试验进行验证,结果表明,该方法能准确地剔除异常点,得到可靠的转站参数估值,从而提高测量场整体精度。     

极限误差TLS的粗差探测

在测量的观测数据中有可能含有异常值,这些异常值有可能对TLS的估计结果产生较大影响,甚至有可能使估计结果发生变异,因此必须对估计系统中粗差或异常值进行探测及剔除。本文采用TLS对观测数据进行拟合,并利用极限误差特性对初始拟合残差进行分析,得到了较好的粗差探测结果,对于粗差的诊断具有一定的实际指导意义。     

基于粗差探寻的回归分析法在沉降监测中的应用

沉降监测工作通常需要长时间进行测量,随着数据量的增大及监测环境的逐渐变化,有可能会导致监测数据出现粗差,以存在粗差的原始数据进行沉降监测分析时,会导致分析预测结果出现较大的错误。本文由正态分布特点出发,对沉降数据使用了粗差探寻的剔除方法,将原始数据中的粗差剔除,再通过回归分析模型进行沉降监测的预测分析。结果表明,粗差探寻能有效地剔除粗差,提高沉降监测的预测精度,平均相对误差由5.795%降低到5.009%。     

LEGE法与QUAD法的比较

通过多维粗差的同时定位与定值法(LEGE法)和拟准检定法(QUAD法)的比较研究,以及算例的数值分析,论述了两种探测粗差方法的不同特点,并指出了二者粗差估值的等价效果。     

Partial-EIV数据探测法在三维坐标转换中的应用

在三维坐标转换中,起始和目标坐标系下的点坐标均可能存在粗差,利用总体最小二乘法求解坐标转换参数时会对计算结果产生较大影响。为了降低粗差对计算结果的影响,利用基于Partial-EIV模型的数据探测法对原始数据进行粗差剔除,以保证结果的正确性。     

平面相似变换的粗差探测方法及应用实例

基于最小二乘法的平面相似变换对粗差的反映不灵敏、稳健性差.在平面相似变换的模型建立前,必须进行粗差探测,剔除存在粗差或等级较低的公共点.本文介绍了粗差的探测方法及应用实例.     

均值平移模型的理论研究及分析

均值平移模型是处理含粗差观测值的常用模型之一,文中证明了均值平移模型的参数估值及残差二次型与剔除模型的参数估值和残差二次型完全相等,并进一步分析了均值平移模型粗差检验的性质。     

均值平移模型的理论研究及分析

均值平移模型是处理含粗差观测值的常用模型之一.文中证明了均值平移模型的参数估值及残差二次型与剔除模型的参数估值和残差二次型完全相等,并进一步分析了均值平移模型粗差检验的性质.     

基于验后方差估计原理导出的选权迭代法剔除粗差

将抗差估计的思想融入到粗差探测的算法中,设计出对模型误差,特别是粗差具有抵抗能力的粗差探测算法。基于验后方差估计原理导出的选权迭代法即为抗差估计的一种,首先是应用最小二乘法来计算观测值的参数x赞、残差v、协因数阵Qvv及单位权Q赞0的初值,然后再根据残差和有关的参数,按所选择的权函数,计算每个观测值的权,经过迭代计算求得观测值的残差,然后按照统计检验的方法剔除粗差。通过实验证明,基于验后方差估计原理导出的选权迭代具有很强的粗差探测能力。     

一种卫星钟差异常精确探测的两步法策略

针对卫星钟差数据中的粗差和钟跳两类异常进行精确探测,提出使用历元单差算法和拟准检定法相结合的两步法策略,第1步,依据钟跳和粗差在历元单差序列中不同表现特点,采用历元单差法探测疑似钟跳点并剔除部分粗差;第2步,对按疑似钟跳分段的数据使用拟准检定法精确探测粗差。通过模拟数据算例阐述钟差异常探测过程并进行性能分析,通过实测数据进行算法有效性验证,结果表明,仅使用历元单差法能有效探测疑似钟跳点和部分粗差,其探测的疑似钟跳点包含了真实钟跳;使用两步法既能有效规避钟跳影响,又能精确探测小粗差,探测能力接近底噪的2倍中误差。     

奇异谱分析的变形监测序列粗差探测方法

针对时间序列数据中存在的粗差问题,该文首先介绍了奇异谱分析法(SSA)和未确知滤波法(UF)的工作原理,考虑到SSA方法在识别趋势项和周期性信号方面及UF算法在区分粗差和异常值上的优势,在SSA准确提取信号的基础上结合UF算法提出了一种新的SSA-UF粗差探测法:首先利用SSA提取观测值序列的信号并获取残余分量;然后通过UF算法对残余分量进行分析确定粗差点的位置;最后确定粗差点并剔除。通过单因素和多因素主导变形的观测值序列两个实例的验证分析,结果表明,该文中提出的SSA-UF粗差探测法与SSA数据统计方法相比在监测数据处理中的粗差探测效果明显,可靠性更高,为后续监测数据分析处理奠定了较好的基础。