利用L1范数和中位数选取拟准观测值

粗差探测拟准检定法的核心是拟准观测的选取。提出了L₁范数和中位数相结合的方法选取拟准观测值,并设计了相应的准则。首先利用L₁范数方法得到稳健的残差,将其中残差接近于零时对应的观测值直接确定为拟准观测值,然后将余下残差形成新的残差向量,并计算其绝对值的中位数,拟准观测值即为那些余下残差绝对值小于中位数所对应的观测值。GPS网平差和GPS单点定位计算结果表明本文提出的选取拟准观测值的方法有效可行。     

一种改进的病态问题截断奇异值方法

截断奇异值分解方法是通过删除较小的奇异值及对应的特征向量获得病态模型的稳定解.文中首先将线性病态模型表示成近似的秩亏模型,证明秩亏模型的最小范数最小二乘解与截断奇异值解的等价性;然后,根据模型参数间的先验信息,以参数的线性函数的二次范数最小为目标,在残差范数最小条件下给出改进的最小范数最小二乘解,其实质是截断奇异值解的修正.截断参数的选取采用L曲线法.计算实例表明,修正的截断奇异值算法稳定有效,比正则化解和截断奇异值解具有更小的均方误差.     

P-范分布与P-范最小平差

本文提出了 n元p-范分布的概念,从而在极大似然估计的基础上将最小二乘法与一范及无穷范最小平差法统一起来。随后本文还给出了p-范最小平差的计算方法。     

L1范数探测粗差失效的观测量识别方法

粗差发生时,L_1范数估计求得的条件方程闭合差较最小二乘估计(LS)的残差更能集中反映粗差,从而有助于粗差的发现与定位。然而,存在一类观测值,虽然其具有粗差发现和定位能力,但在采用L_1范数估计解决粗差探测问题时,无论含有多大量级粗差都不能准确定位,为叙述方便,称其为L_1抗差性失效点(robustness failpoint in L_1-norm estimation,RFP-L_1)。显然,只有判定测量系统不存在RFP-L_1,或存在时能够准确判断其是否含有粗差,才能保证基于L_1的粗差探测结果的准确、可靠,此过程中,RFP-L_1的识别是问题解决的基础。本文由条件方程,推导出观测值粗差对条件方程闭合差绝对值和的影响系数计算式,得到了最小影响系数大小与观测值是否为RFP-L_1的判别关系,并探讨了存在RFP-L_1的测量系统设计矩阵数值特点,提出了判断RFP-L_1观测值的方法。仿真试验表明,最小影响系数反映了观测值粗差对L_1范数估计目标函数的影响大小,非RFP-L_1和RFP-L_1的最小影响系数具有分别等于1和小于1的规律性,同时得出,若观测方程中系数矩阵只有±1和0,对应的观测量均不属于RFP-L_1。     

自由网平差法之计算

对自由网作秩亏平差，即求其最小二乘范数解，是近十年提出的一种自由刚平差的新方法。业已证明，这种方法所求的未知数精度均匀，协因数阵的迹为最小，网中观测量的改正数及其函数和它们的精度（一般称之为不变量）与网中有必要起始数据的经典自由网平差（条件平差或间接平差）的相应结果完全相同，     

Galileo导航系统观测值的质量分析

从信噪比、伪距多路径效应、单差残差和非差观测值精度等方面对进入初始服务初期Galileo导航系统观测值的质量进行了对比分析,最后简要评估了Galileo导航系统的单点定位精度。结果表明:在信噪比方面,Galileo E5最高,E1、E5a和E5b次之且基本相当;在伪距多路径方面,Galileo E1最大,其次分别为E5b和E5a,而E5最小;在单差残差方面,Galileo导航系统单差相位残差基本在±4 mm内,单差伪距残差基本在±0.3 m内;在非差观测值精度方面,Galileo导航系统相位观测值精度E1最高,E5a、E5b和E5次之且基本相当,而伪距观测值精度E5最高,E5b最差;整体上而言,Galileo导航系统观测值的数据质量略优于GPS和BDS;Galileo导航系统单频伪距单点定位的水平精度约为2.2 m,与GPS和BDS的水平定位精度基本相当,而高程精度约为5.2 m,稍差于GPS和BDS,这与可观测卫星数和PDOP有很大的关系。     

L1范数估计中残差的分析

对错误观测值的探测是一项富有挑战性的技术，它需要摄影测量及其他测量工作者具有在日复一日的工作中积累起来的一种专门的能力。本文主要探讨了一种稳健估计量，在有粗差出现的观测值中，它能较为满意地探测出这种粗差。现有的许多探测粗差的方法都是基于不具备稳健性的最小二乘法。本文研究的稳健估计是Ｌ１范数最小，以及关于网平差的一些独有的特征。从理论上和经验上描述Ｌ１范数残差的抽样分布，用以说明对错误观测值的统计推     

等价条件闭合差最小范数分量的GNSS坐标时间序列噪声估计

为了精确高效地求解全球导航卫星系统（global navigation satellite system,GNSS）坐标时间序列噪声分量,结合等价条件平差模型以及最小范数二次无偏估计法,提出等价条件闭合差最小范数分量估计方法。首先,采用等价条件闭合差构造二次型方差估计公式,结合不变性、无偏性、最小范数准则等条件,导出基于等价条件闭合差的方差-协方差分量最小范数估计公式;然后,采用最小二乘方差分量估计（least-squares variance component estimation,LS-VCE）法、最小范数二次无偏估计法（minimum norm quadratic unbiased estimate,MINQUE）验证所提方法的正确性及有效性。通过模拟时间序列和北美GNSS站坐标时间序列的噪声估计结果发现,所提方法与LS-VCE法和MINQUE法的估计效果一致,但计算时间相较于LS-VCE法减少了70%以上。     

秩亏自由网平差的一种新解法

提出秩亏自由网平差的一种新解法,只亲知道误差方程系数阵中ｔ０个线性无关的列向量,就能很快地得到最小二乘最小范数解,实际计算表明,这种新解法是简单有效的。     

相关观测的L1范数最小化方法的比较分析

在抵御粗差影响方面,L_1范数最小化方法比最小二乘更具可靠性。求解L_1范数最小化问题,主要有选权迭代法和线性规划法两种方法。针对相关观测,通常采用权阵的对角线元素来构造L_1范数最小化问题的目标函数,这种处理方法容易忽略观测值之间的相关性。如果采用Cholesky分解消去观测值之间的相关性,则容易造成粗差的转移,进而影响抗差功效。本文对上述两种方法进行了比较分析,数值实验结果表明将相关观测转换为独立等权观测,有利于增强线性规划的稳健性,而在探测粗差方面则具有等价性。由于基于选权迭代的方法收敛性较差,故不适合求解L_1范数最小化问题。     

残差绝对值和最小法在单线阵CCD卫星影像后方交会粗差探测中的应用

利用残差绝对值和最小法进行单线阵CCD卫星影像的后方交会，一般来说，不仅可以克服外方位元素之间的强相关性，而且可以有效地剔除粗差。实验证明该方法简便、稳健、有效。     

一次范数最小估计的两种算法

测量数据服从正态分布情况下,最小二乘估计具有最优统计性质,如果测量数据受到粗差干扰而偏离正态分布,就会使最小二乘估计的最优性受到严重冲击,而且估计失实。然而,若采用一次范数最小估计,则所得结果比较好。介绍一次范数最小估计(L1估计)的两种算法——选权迭代法和线性规划法,并通过Matlab模拟实验比较这两种方法的优缺点,证明L1估计的良好抗差性。     

L1范估计的巴尔达型检验及其可靠性

根据残差与真误差的Bahadur型关系,L1范估计中, 粗差几乎完全反映到相应的残差上,这就是L1范估计能正确定位粗差的原因.对L2范估计,粗差只是部分地反应到相应残差上,由此会导致粗差误判.根据L1范估计的残差及其方差, 构造了L1范估计的巴尔达检验统计量, 并讨论了L1范估计的可靠性.与L2范估计的可靠性比较,L1范估计的可靠性受多余观测的影响小.     

Approximate representation of thep-norm distribution

［1］Liu D J,Shi W Z,Tong X H,et al.Precision analysis and quality cont rol of GIS spatial data.Shanghai:Shanghai Publishing House of Scientific Documen ts,1999 ［2］Chen X R,Fang Z B,Li G Y,et al.Non_parameter statistics.S hanghai:Shanghai Publishing House of Science and Technology,1989 ［3］Li Q H,Tao B Z.Application of probability statistical theory in survey ing.Beijing:Beijing Publishing House of Surveying and Mapping,1982 ［4］Sun H Y.p_norm distribution theory and its application in surveyin g data processing:[Ph.D Thesis].Wuhan:Wuhan Technical University of Surveying and Mapping,1995     

L1范数最小法粗差探测与定位的研究

首先对Ｂａａｒｄａ法的原理和不足进行了讨论,提出用Ｌ１－范数解的残差直接构成统计量进行粗差探测与定位,通过实例对两种方法进行了比较,得到一些有用的结论。     

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。     

分组平差与精度评定

本文详细推导了附有限制条件的条件分组平差的计算公式和精度评定公式,并由此引出其它各种分组平差——附有未知参数的条件分组平差,无参数的条件分组平差,附有限制条件的间接分组平差和序贯平差——的计算公式和精度评定公式。     

经典测量平差模型等价性分析

对经典平差模型进行了较深入的分析和比较,在数学推导的基础上,附有参数的条件平差都可以转换成其他模型。在某种意义上说,附有参数的条件平差也可作为概括模型。     

GPS网参数约束平差法研究

简要介绍了参数约束平差的模型,与常规平差方法比较,参数约束平差数据处理简单,易于程序实现,以一GPS网为算例,用参数约束平差法获得了经典自由网平差、秩亏自由网平差、符合网平差的结果。     

超大规模大地网分区平差快速解算方法

针对超大规模大地网平差解算这一难题，首先按常规将大规模大地网分解成多个子网，并组成相应子网的误差方程和法方程，然后提出了用解算约化代替求逆约化的新算法，解算约化采用Cholesky分解法，计算过程中对联系误差方程进行压缩存储，并进行相应的有效算法。如此可大大节省大型大地网平差的计算时间，利用PentiumⅣ个人计算机即可解算全国范围的约5万个点(约18万个未知参数)的超大型大地网的整体平差问题，且计算时间只需3h左右。