��Ȩ������С���˵ĵ����ⷨ

?????????????С???????????????????????С???????????????С???????????????????????????????????????С?????????????????????????С??????????????????й?????????????????????????y?????????     

���Ȩ������С����ƽ�������һ���·���

?????????С???????????????????????????????????????????????????в?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????÷??????????????????Schaffrin & Wieser????????????????????     

��Ͻṹ������С���˲�������

???????????????????к?????????????????к??????????????????????С????????????????????????????????????С?????????????????????????С?????????????????????????С?????????????????????????????????????????????????????????????????С?????????з???????????????????????????????????????????С?????????????????????????????к?????????????????????????????????????????????????λ????????????????????????λ?????????????????????????????????????з?????????????????????????????????????????,??????????С??????????????????λ???????????????????????????     

������С���˵��Ŷ�����

??????????????????????????????????????????????????????????????????????????????????????????????????μ???С???????????С????????????????????????С??????????????????????????????????????????????С???????????????????????????????????С??????????????????С???????????С????????????????????????????     

����������С���˷���������ת�Ƕ���ά����ת��

???о???????????????????????????У????????????????????????????????(EIV???)?????????????????????????????2???????????????????????????С????????н???????????(?????????)??????2???????????С?????(??????????????е???????С?????)???н????????????????????????????????????????????????????     

��ά�����Ի�׼ת���ļ�Ȩ�ͼ�Լ��������С���˽���ģ��

????????????????????????????????С?????WTLS??????????????С?????CTLS????????????????????δ???????????????????????????????????????????????????????????????????????????????????WTLS??CTLS???????м???????????????????????????????÷???????Ч?????????????????????????     

������С���˷�������ά����ת���е�Ӧ��

????о???????С???????????С????????????С????????????????е???????????????????????????????У??????????????????μ?????????????????????????????????С???????????????е????????A??????????b??????????????????????????????????????????LS????????????????С??????????????????????????????????     

����С��������ֵ��������������ݶ����ݴֲ�̽�ⷽ��

????С??????????????С???????????????????????????????????????????????а???????????????????????????д??????????????????????????????????????????????????????????????97%???????     

������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

��Ȩ������С�����㷨�ĸĽ�

???EIV????????????????????????????????????????????????????????е?????????С?????????????????????????????????????????????????????????????С???????????????????????????????????????????????????????????С?????????????????????????в???     

线性回归模型的稳健总体最小二乘解算

针对线性回归中自变量和因变量可能含有粗差的情况,提出线性回归模型的稳健总体最小二乘法。将线性回归模型进行等价变换,视其总体最小二乘平差模型为非线性,根据选权迭代的思想推导线性回归模型的稳健总体最小二乘迭代算法。以模拟算例在自变量和因变量同时添加粗差的情况下进行10 000次试验,并从中选出一组数据进行具体分析,结果验证了本文算法的有效性和可行性。     

���Իع�������С����ƽ��ģ�ͼ�����

??????????????г????е?????????????С???????????????????????С?????????????????????????????????????С????????????????????????????????????????????     

病态加权总体最小二乘模型的正则化抗差解法

针对EIV模型系数阵病态且系数阵和观测值精度不同的情形,基于拉格朗日乘数法导出病态加权总体最小二乘模型的正则化解法,并证明已有的等权病态总体最小二乘模型的正则化解法是其特例。在此基础上,进一步提出基于中位数法的病态加权总体最小二乘模型的正则化抗差解法,并用第一类Fredholm积分方程和病态测边网两个算例验证算法的有效性。结果表明,受系数阵病态性以及粗差的影响,最小二乘解和总体最小二乘解精度较差,严重偏离真值;正则化解法在顾及系数阵和观测值误差的同时可有效削弱模型的病态性,其精度较最小二乘解和总体最小二乘解有所提升;而正则化抗差解法在正则化解的基础上,利用等价权函数重构权阵,能有效抵御粗差的影响,其精度最高。     

空间直线的结构总体最小二乘拟合

提出结构总体最小二乘方法拟合空间直线,该方法能顾及三维坐标的误差,同时保证测量点到拟合直线的距离和最小。通过算例分析,验证了该方法的有效性和可行性。     

多元加权总体最小二乘新解法

将多元加权总体最小二乘模型进行变换,转化为加权总体最小二乘模型,推导构造新的系数矩阵和系数矩阵元素协因数阵的公式,研究多元加权总体最小二乘的解算流程。以Jazaeri加权总体最小二乘为例,给出多元总体最小二乘参数的解算过程。通过算例分析和比较,验证了该方法的有效性。     

三维坐标转换的稳健加权总体最小二乘算法

针对当前加权对称相似变换中仅考虑观测值含有随机误差,而不考虑观测值含有粗差的情况,基于加权对称相似变换进一步验证其不具有抗差性,并在此基础上采用选权迭代法进行稳健加权对称相似变换。由中位数法求解具有抗差性的单位权中误差,构造标准化残差,求解权因子,进而求得可靠的参数解。实验结果表明,当观测值含有4~6个粗差时,采用该方法能够探测出更多可能存在粗差的数据,给出的权因子更合理,所得参数解精度更高、稳定性更强。     

附不等式约束的总体最小二乘迭代算法

基于惩罚函数和测量平差中权的思想,提出了附不等式约束的总体最小二乘平差模型,即利用惩罚函数对不等式约束方程构造约束权,通过零权和无限权将不等式约束转换为等式约束,从而将不等式约束平差准则转化为传统的测量平差准则。同时,根据非线性最小二乘平差理论,用构造结构矩阵的方法来顾及系数矩阵的结构性,推导了附不等式约束的总体最小二乘迭代算法。该算法迭代格式与传统的间接平差类似,只需经过若干次迭代便能得到最优解。     

求解球面拟合的改进总体最小二乘算法

在球面拟合中,系数矩阵和观测向量的误差同源,均来源于球面点坐标。不同位置有相同元素存在,从理论上讲,这些相同元素应该有相同的改正数,并且非线性形式出现在观测向量中。为此,本文推导了一种改进的总体最小二乘算法,可以很好地克服上述问题。通过算例分析发现,本文方法得到的参数估值更为可靠,证明了本文方法的有效性。     

稳健总体最小二乘Helmert方差分量估计

对于总体最小二乘而言,经常需要处理不同精度或者不同类型的观测数据,根据先验方差来定权往往不准确,同时观测数据中可能含有粗差。针对这两个问题,提出稳健总体最小二乘Helmert方差分量估计,将稳健估计和Helmert方差分量估计同时应用于总体最小二乘中。最后通过两个实验的计算结果表明,该方法是可行的、有效的。     

基于选权迭代的总体最小二乘算法在三维坐标转换中的应用

提出一种基于选权迭代的TLS算法,通过IGG I函数进行定权,降低含粗差观测值的权值,在进行三维坐标转换时能有效地处理观测值粗差。实例证明,该算法可以获取更高精度的三维坐标转换参数。