经典平差模型解算方法统一性研究

针对5种经典平差模型公式繁多、易于混淆的问题,本文通过设置参数的系数矩阵、等式转换、参数向量的分组消元等方法分别实现了附有参数的条件平差与其余平差模型之间的转换。同时,在等式转换过程中打破了附有参数的条件平差与间接平差模型之间参数选择的约束,完成了二者的转换,为实现附有参数的条件平差对附有限制条件的间接平差的统一奠定了基础。最后通过实例验证了上述方法的正确性。     

卫片RPC参数解算浅谈

RFM通用成像模型用于构筑真实传感器模型,它与传感器无关且形式简单,成为遥感影像定向的主要方法之一。因此,RPC参数的解算对于我国高分辨率卫星数据的广泛应用尤为重要,本文浅谈RPC参数的解算流程,以供参考借鉴,交流学习。     

基于SINEX解的数据组合及系统误差分析

介绍了采用不同GPS分析中心的SINEX解进行数据组合的处理方法,并采用附加系统误差参数的函数模型对数据组合中的系统误差进行了平差处理。从结果可以看出,估计了Helmert转换参数的测站坐标精度比没有估计Helmert转换参数的测站坐标精度要高,说明本文方法能有效地消除系统误差的影响,并估计了系统误差的大小。     

基于Moore-Penrose广义逆及立体矩阵的可分离非线性最小二乘解算方法

针对测绘领域中函数模型为非线性函数的线性组合的特殊结构,本文提出了基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法。该方法首先利用变量投影算法消除可分离非线性模型中的线性参数,将包含两类参数的原非线性优化问题转化为仅含有非线性参数的最小二乘问题。然后,基于Moore-Penrose广义逆矩阵的微分和立体矩阵理论计算最小二乘目标函数的一阶导数,进而采用非线性优化的LM方法求解非线性参数的最优估值。最后,根据最小二乘方法求解线性参数的最优估值。通过指数函数模型拟合和机载LiDAR全波形参数求解试验与传统参数不分离优化方法进行对比,结果表明,基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法对待求参数初值依赖性低,同时避免了迭代过程中线性参数导致的病态问题,算法稳定性好,为测绘领域中可分离非线性最小二乘问题的解算提供了一种思路,也拓展了可分离非线性最小二乘方法的应用。     

测量平差双光滑参数解算半参数模型的研究

半参数模型解算的补偿最小二乘法用于测量平差,是基于残差带权平方和与系统误差补偿项之间的平衡关系而提出的,这种平衡是通过光滑参数来实现的。光滑参数一般利用特定方法在正实数中选取,范围较大。本文尝试在极小化过程中,将残差和补偿项两部分同时赋予光滑参数,给出了此种情况下的半参数模型的解及简单的统计性质。为保证残差和补偿项的平衡关系,解算时,要求两部分光滑参数之和等于1,且光滑参数在不大于1的正数中选取,这样大大缩小了光滑参数的选择范围。模拟算例证明了这种方法的可行性。     

基于非线性模型高精度参数估计的新解算方法

在对传统求解非线性模型参数的思想进行分析和研究的基础上,提出一种利用多平差方法对待估参数进行相互迭代,以求得参数估值的新算法。通过实例说明该算法在解算精度和收敛速度方面优于传统解算方法。     

分离系统差的地面网与卫星网之间转换的数学模型及其解算方法

本文分析了地面网所含系统差之后,指出只需要两个参数就可描述地面网的定向系统差。若分别考虑地面水平网的尺度参数K_L和高程网的尺度参数K_H,则地面网与卫星网间转换的数学模型中参数的个数为10个。若假定K_L=K_H,则参数需要9个。导出了含有9个和10个未知参数的模型。提出采用部分参数带权的相关平差法解决九参数和十参数模型的法方程式系数阵秩亏问题。最后,利用我国实际数据检核了这些模型。计算表明,这种方法能有效地将坐标系的定向参数和地面网的定向系统差参数分开。揭示了我国地面水平网的尺度参数与高程网的尺度参数不一致,并给出了它们的参考值。     

概率积分法预计参数解算的总体最小二乘岭估计法

将总体最小二乘平差方法应用于矿山开采沉陷概率积分法预计参数的解算,建立了概率积分法总体最小二乘平差模型,给出了非线性总体最小二乘平差的迭代算法。并以淮南矿区谢桥矿某工作面为例,考虑观测方程系数阵病态性的影响,分别采用最小二乘岭估计法和总体最小二乘岭估计法解算预计参数,计算表明,采用总体最小二乘岭估计法在解算预计参数时精度更高,且拟合参数的估值受到模型参数初值的影响。     

网络RTK模糊度解算与误差项提取方法研究

提出了一种基于非组合模型的网络RTK参考站间模糊度解算和误差项提取方法。采用模型削弱对流层延迟影响,组成双差观测方程,利用Kalman滤波估计模糊度和电离层参数,固定模糊度后,进一步计算对流层参数。实测数据验证结果表明,该方法固定的双差模糊度是准确、可靠的。     

一种基于F-J线性-非线性模型解的迭代最小二乘方法

基于贝叶斯理论的线性与非线性模型反演方法（Fukuda-Johnson,F-J）已广泛应用于地球物理模型的线性-非线性参数反演。但F-J方法的反演结果可能受马尔可夫链蒙特卡洛采样（Markov chain Monte Carlo,MCMC）经验参数选择的影响,而反复调试合适的经验参数需耗费大量计算时间。对线性与非线性模型进行线性化后,也可以利用迭代最小二乘方法反演,但该方法难以选择合适的初始值。为提高参数反演计算效率和避免参数初值选择影响,提出了一种以F-J方法模型解为初始值的迭代最小二乘方法。该方法只需计算一次F-J方法模型解和有限次最小二乘迭代,既提高了F-J方法的反演效率,又能获得迭代最小二乘全局最优解。针对模拟数据实验和实际数据算例,分别采用F-J方法、随机生成初始值的迭代最小二乘方法和以F-J方法结果为初值的迭代最小二乘方法进行参数反演。结果表明,直接使用F-J方法时,MCMC采样参数会影响反演结果;直接进行迭代最小二乘反演时,初始值选取不当会导致迭代无法收敛到正确的结果;以F-J方法的结果作为迭代最小二乘方法的初始值进行反演,可以充分发挥F-J方法的全局最优性和迭代最小二乘方法计算量小、稳定性好的优势。