利用半参数模型分离GPS基线中的系统误差

采用了两个新的正则化矩阵来分离高精度GPS基线向量处理中的系统误差,一是利用时间序列法选择的正则化矩阵;二是应用平稳随机过程的自协方差函数从双差观测值中提取的正则化矩阵。算例结果表明,本文选择的两种正则化矩阵处理的过程相对简单,速度快。     

半参数模型与拟合推估模型的比较

在分析半参数模型与拟合推估模型的基础上,指出半参数模型可以包括拟合推估模型.在信号是随机量且其协方差矩阵已知时,通过选择合适的正则化参数,利用半参数模型可以改进拟合推估的结果.通过一个坐标变换的算例,比较这种情况下半参数模型和拟合推估模型的效果.     

偏差改正的Partial EIV模型方差分量估计

针对Partial EIV模型的方差分量估计中未考虑参数估值偏差所带来的影响,将Partial EIV模型视为非线性函数得到参数估值的偏差及二阶近似协方差表达式,计算得到偏差改正后的参数估值,结合方差分量估计方法,更新由参数估值影响的矩阵变量,给出了基于偏差改正的方差分量估计迭代方法。试验结果表明,参数估值及其协方差主要受参数估值偏差大小的影响,加入偏差改正能够得到更加合理的参数估值及方差分量估值,偏差改正后的方差分量估值可更加合理地评估参数估值的精度信息。     

一种病态EIV模型正则化的修正算法

针对解决变量中含有误差(EIV)模型参数估计算法的降正则化性导致即使模型参数初值可靠,参数估值也可能在迭代过程中发散的问题,该文分析现有EIV模型参数估计算法具有的降正则化性质,讨论EIV模型参数估计算法具有的降正则化性对模型正则化的影响,建立一种病态EIV模型的实时修正算法。通过算例验证该文所建立的算法,算例结果表明,该文建立的算法能够有效解决EIV模型参数估计存在的上述问题。该文所建立的病态EIV模型正则化算法更具普适性。     

半参数测量平差模型与系统误差处理

考虑半参数测量模型L=Bx+S+Δ,x$Rd为未知回归参数,S为未知Borel函数。本文首先利用自然样条函数法,找到符合条件的非参数自然插值样条函数。其次利用偏残差法并综合最小二乘法,导出了这种平差方法的解算公式。最后,用一个算例说明了此方法的优越性。     

非线性半参数模型在GPS系统误差处理中的应用

本文总结了当前测量界对系统误差的处理方法,提出了用非线性半参数核估计来处理GPS双差定位中系统误差的方法,即用非线性半参数模型中的非参数分量表达双差模型中残余的系统误差。最后通过算例检验了此方法对于提取GPS双差定位中残余的系统误差的有效性。     

半参数回归与模型精化

就一般情况给出了半参数平差的算法,并结合一种特定的情况,讨论了正规化矩阵半正定时的计算方法,给出了相应的公式。最后构造了一个模拟的平差问题,对半参数法和最小二乘法的计算结果进行了比较。计算表明,半参数法能够发现并识别模型误差或观测值中的系统误差     

用L-曲线法确定半参数模型中的平滑因子

提出了一种新的方法——L-曲线法确定平滑因子。通过确定合适的平滑因子，更好地控制了残差部分V^TPV与光滑度部分S^TRS之间的平衡，得到了更准确的参数估值。通过算例，将基于L-曲线法确定平滑因子的半参数模型解算方法和其他方法进行了比较。结果表明，用L-曲线法确定平滑因子后，提高了半参数模型计算结果的精度，可以更好地将观测值中的系统误差分离出来。     

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。     

一种Kalman滤波系统误差及其协方差矩阵的半参数估计方法

提出用半参数估计理论来解决系统误差对Kalman滤波解的影响问题。即用半参数模型中的非参数分量表达观测模型和动力学模型中未知的系统误差,在移动的窗口内,基于观测残差和状态向量预测残差拟合模型系统误差,进而修正相应的观测向量和状态预测向量的协方差矩阵,以消除系统误差对滤波的影响。同时这种方法还有明显的优点,就是在滤波过程中不需要对系统误差做任何假设。文中推导了基于正则核估计来解算导航系统半参数模型的相应公式,并根据一个模拟的算例,证明了算法的有效性。     

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。     

Partial EIV模型的解法

提出了一种求解partial errors-in-variables(partial EIV)模型的思路。通过对partial EIV模型的部分元素进行移项,重组成新形式下的平差函数模型,两次运用间接平差原理分别求解平差参数与系数矩阵中的随机元素,把总体最小二乘平差问题转化为最小二乘平差问题,并通过适当变换提高了新解法的收敛速度。最后分别采用实测数据和模拟数据进行验证,求解了本文算法与已有算法的估值结果。算例结果表明,本文算法能取得与已有算法相同的结果,是切实可行的。     

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。     

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。     

动态EIV模型及其总体卡尔曼滤波方法

针对求解动态EIV模型时未考虑状态方程中状态转移矩阵误差的问题,本文建立了一种能够同时顾及状态方程和观测方程中各量误差的动态EIV模型。推导了针对该动态EIV模型的总体卡尔曼滤波方法及其近似精度评定公式。对比分析了本文总体卡尔曼滤波方法与已有总体卡尔曼滤波方法及总体最小二乘方法的异同。算例结果表明,本文方法统计上要优于标准卡尔曼滤波方法和已有的总体卡尔曼滤波方法。     

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。