加权整体最小二乘EIV模型与算法——与"加权整体最小二乘EIO模型与算法"一文的讨论

加权整体最小二乘方法是一种能同时顾及EIV（errors-in-variables）模型中系数矩阵和观测向量误差的参数估计方法。根据不同的应用场景,EIV模型则表现出不同的结构特征。"加权整体最小二乘EIO模型与算法"一文采用EIO模型处理EIV模型中的结构化问题^*。为了将其与现有方法进行对比,本文罗列出4种处理EIV模型结构特征的方法,并归纳了8种参数估计公式。同时从精度评定的角度讨论了整体最小二乘解的一阶及更高阶精度近似评定方法。需要强调的是,针对EIV模型及其参数估计理论可以从函数模型、随机模型和参数估计方法3个方面展开研究,但各方法殊途同归。     

基于加权整体最小二乘的矿区平面坐标转换方法

常用的平面坐标系统转换模型四参数转换法在实际工程应用中,由于公共点一般分布在较小的范围内,点之间的距离较近,因此传统的四参数转换模型中旋转参数和平移参数之间的相关性较大,容易导致法方程病态,进而影响转换参数的精度,文中从重合点坐标重心化的转换模型出发,还原出重心化之前的四参数。通过加权整体最小二乘的转换分析及迭代计算,验证运用加权整体最小二乘(WTLS)方法转换的参数质量比最小二乘(LS)、整体最小二乘(TLS)方法得到的参数质量有显著改善。     

加权整体最小二乘求解线性模型参数及精度估计

针对线性模型中最小二乘和整体最小二乘方法存在的问题,引进了加权整体最小二乘的方法,并给出了精度估算公式。通过线性模型的实例计算验证,加权整体最小二乘可以得到更加合理的拟合模型,获得更高精度的参数解,具有更小的中误差。     

附有不等式约束的加权整体最小二乘算法

针对现有附有不等式约束的整体最小二乘算法的缺陷,本文以partialEIV（errors-in-variables）模型^[1]为基础,在整体最小二乘准则下,通过将附有不     

通用EIV平差模型及其加权整体最小二乘估计

以平差基本理论为基础,提出了EIV(errors-in-variables)平差模型的通用形式,涵盖了间接平差、条件平差、附有参数的条件平差及附有限制条件的间接平差等基本EIV模型形式。基于整体最小二乘估计准则,研究了通用EIV模型的加权整体最小二乘算法,并推导了估计结果的近似精度公式。通用EIV模型及其整体最小二乘算法是对EIV模型估计理论的进一步完善,统一的整体最小二乘算法有利于软件的编程实现,有助于推动EIV模型估计理论的应用。     

加权总体最小二乘平差的改进算法

当观测向量和系数矩阵不等精度时,利用系数矩阵元素和观测向量之间的映射关系,通过误差传播定律推导了系数矩阵的协因数阵,算例结果表明,改进的加权总体最小二乘法能够得到正确、合理的参数,且本文方法简单、实用。     

顾及系数矩阵结构性的加权总体最小二乘解算

针对加权总体最小二乘平差模型中系数矩阵具有结构性的问题,该文设计了一种顾及系数矩阵结构性的加权总体最小二乘迭代解法:首先,利用非线性最小二乘平差方法将总体最小二乘模型线性化;然后,采用结构矩阵的方法顾及系数矩阵的重复元素和常数项,通过间接平差的原理推导了顾及系数矩阵结构性的加权总体最小二乘迭代公式,可适用于加权总体最小二乘的参数估计;最后,通过算例分析并与其他算法进行比较,验证了该算法的有效性和可行性。     

整体最小二乘线性回归模型与算法

从平差模型的角度,研究整体最小二乘线性回归模型条件平差与间接平差的解算方法,并在理论上证明两种解算方法的等价性。最后通过算例验证解算方法的正确性。     

加权总体最小二乘的效率优化算法

加权总体最小二乘法是理论上估计EIV模型参数相对严密的方法,其迭代过程中涉及的矩阵运算较为耗时,在处理大量级数据时尤其明显。PEIV模型有助于提高加权总体最小二乘法的计算效率。本文基于PEIV模型和经典最小二乘准则给出了一种加权总体最小二乘法算法,算法的推导过程简洁,易于理解,迭代过程中无需重构矩阵,减少了矩阵运算量。最后通过仿真试验验证了算法的可靠性。试验结果表明,本文算法可以取得与现有算法相同的参数估计精度且计算效率更高。     

整体最小二乘估计的研究进展

整体最小二乘估计方法作为经典最小二乘估计方法的扩展,近20年来被广泛地应用于信号处理、计算机视觉、图像处理、通信工程以及大地测量与摄影测量等测绘相关领域,成为各专业领域进行数据处理的基本方法。概述了整体最小二乘估计的发展历史,从整体最小二乘估计的算法、统计特性和可靠性研究三方面综述了整体最小二乘估计方法的研究进展情况,侧重强调各种算法的本质特征,并对整体最小二乘估计的研究方向进行了展望。     

稳健加权总体最小二乘方法

加权总体最小二乘没有考虑观测数据中可能存在的粗差,本文基于IGG权函数,采用选权迭代法求解加权总体最小二乘。结合模拟数据和真实数据,系统地比较了加权总体最小二乘方法、基于Huber权函数的稳健加权总体最小二乘方法和基于IGG权函数的稳健加权总体最小二乘方法的系数估计和误差估计,通过对比分析表明,两种稳健加权总体最小二乘方法的参数估计结果比加权总体最小二乘方法更加可靠,且以基于IGG权函数的稳健加权总体最小二乘方法为最优。     

基于TLS的多变量灰色模型在大坝变形预报中的应用

传统多变量灰色模型MGM(1,n)的背景值误差会使得求解的灰色参数精度降低。总体最小二乘是一种可以同时顾及到观测误差与模型系数矩阵误差的数学方法。基于此,引入TLS对传统MGM(1,n)模型的灰色参数进行修正。通过对某大坝变形数据试算,验证表明,该方法能够有效地提高变形预报精度。     

稳健估计下的坐标系统转换总体最小二乘算法

针对传统的应用最小二乘法建立高斯-马尔科夫(G-M)模型实现坐标系统转换的方法导致转换模型参数精度低下的问题,该文提出一种基于总体最小二乘算法的坐标系统转换方法。考虑到粗差会导致控制点坐标精度差异较大,因此根据稳健估计理论进行迭代定权,在总体最小二乘算法下建立G-M模型,以便求解转换模型参数,并通过算例比较不同算法的转换精度。实验结果表明:基于稳健估计的总体最小二乘抗差算法实现的空间坐标转换精度高于传统方法的转换精度。     

求解GM(1,1)模型新总体最小二乘算法

在GM(1,1)模型中系数矩阵和观测向量都是由原始序列组成的。系数矩阵中同样是有误差的,与观测向量中的误差一样,亦来源于原始序列,即它们误差同源。不同位置的相同元素应该有相同的改正数,采用传统总体最小二乘求解则不能达到此目的。针对这一缺陷,推导了一种新的总体最小二乘算法;并且通过算例验证了新方法的可行性和有效性。     

非线性二维转换模型的稳健总体最小二乘算法

针对应用线性最小二乘估计准则求解非线性平面转换模型参数时,通过定义间接参数将模型线性化的方法不能直接求解转换模型参数的问题,该文在非线性平面转换模型的基础上,建立线性模型,实现平面坐标的转换。为解决控制点已知坐标与观测坐标中均含有误差对转换参数求解的影响,对应用稳健总体最小二乘求解线性模型参数的算法进行讨论。最后,通过算例比较稳健总体最小二乘算法与最小二乘算法在抗差性方面的优势。结果表明,稳健总体最小二乘算法更适用于应用线性模型求解未知控制点的转换坐标。     

改进遗传算法及其在抗差估计中的应用

针对抗差估计的选权迭代法(IRLS)对迭代初值敏感的问题,提出了将抗差估计问题看作求全局最优化问题,利用具有全局收敛性和局部搜索能力的遗传算法(GA)进行求解;并对遗传算法的变异算子步长进行改进。最后通过实例验算,证明了GA抗差估计法的有效性和优越性。     

总体最小二乘方法在空间后方交会中的应用

不等式约束部分变量含误差(partial errors-in-variables, PEIV)模型目前主要采用线性化方法和非线性规划类算法, 前者计算效率较低, 后者基于最优化理论, 计算复杂, 未能与经典平差理论建立联系, 难以在测量实际中推广。在整体最小二乘准则下, 根据最优解的Kuhn-Tucker条件, 将不等式约束整体最小二乘解的计算转化为二次规划问题, 并提出改进的Jacobian迭代法求解二次规划。所提方法不需要对观测方程线性化, 与经典最小二乘法具有相同的形式, 易于编程实现。数值实例表明, 所提方法形式简洁, 具有良好的计算效率, 是经典最小二乘平差理论的有益拓展。     

中国大地测量数据处理60年重要进展第二部分: 大地测量参数估计理论与方法的主要进展

部分变量含误差(partial errors-in-variables, PEIV)模型是变量含误差(errors-in-variables, EIV)模型的更一般形式, 因其适用性强等优势, 近十年来被广泛应用于全球导航卫星系统(global navigation satellite system, GNSS)数据处理、坐标转换、变形监测和数据拟合等测量数据处理中。概述了PEIV模型的发展过程, 从PEIV模型参数估计算法、精度评定、随机模型估计、扩展算法和数据处理应用5个核心问题进行综述和分析。对PEIV模型的应用进行了展望, 指出有待进一步研究的问题, 旨在进一步推动测绘数据处理的发展, 并为读者提供参考和建议。     

正规矩阵选取半参数灰色模型改进的预测建模

正规矩阵是对模型误差补偿性的直接表达,时间序列法用一阶差分方程和二阶差分方程计算得到不同的正规矩阵。针对传统GM(1,1)模型没有考虑模型误差,而数据处理过程中所建立的数学模型与客观现实并不一致的问题,该文提出建立顾及模型误差的半参数模型的GM(1,1)模型。对由传统半参数模型得到的正规矩阵采取一阶差分法进行改进,并通过算例证实了改进正规矩阵的半参数模型的GM(1,1)预测精度更高。