基于同伦法的非线性最小二乘平差统一模型

基于非线性同伦思想，提出了非线性同伦最小二乘平差统一模型，该方法既可适用于满秩网非线性最小二乘平差，也可适用于秩亏网非线性最小二乘平差。算例表明，对于精度较差的初始值，算法仍能精确地收敛到原方程的参数估值。     

基于同伦算法的非线性最小二乘相位解缠

线性加权最小二乘方法进行相位解缠时,采用迭代法求解,收敛速度慢,不容易得到精确解。本文提出非线性相位解缠模型,并采用同伦算法实现非线性最小二乘相位解缠。通过真实数据与线性最小二乘相位解缠算法进行对比实验,验证了该方法是有效的,特别是在有噪声干扰的区域,该方法可以提高相位解缠的精度。     

同伦函数与填充函数相结合的非线性最小二乘平差模型

提出了同伦函数与填充函数相结合进行非线性最小二乘平差的方法。先采用同伦函数求解非线性恰定方程组,得到一个局部最优解,然后以该局部最优解为基础构造填充函数,通过对填充函数求解,得到比当前局部最优解更小的局部极小点,再以该局部极小点为基础重新构造同伦函数和填充函数进行求解,通过有限步的循环迭代,最终找到非线性最小二乘平差的全局最优解。实例验证,该方法能有效地寻找出非线性最小二乘平差的全局最优解。     

同伦加权整体最小二乘平差算法

针对标准最小二乘(SLS)解EIV模型存在算法收敛性受初值影响的问题,提出同伦加权整体最小二乘平差法。首先根据SLS理论,按照整体最小二乘平差准则获得求解EIV模型的法方程,联合同伦理论构建同伦加权整体最小二乘平差模型;然后采用预估-校正法对模型进行求解,并设计对应的计算算法;最后以直线拟合和二维坐标变换为例,对所提算法的可行性进行验证,针对不同初值情况对新旧算法收敛性对比。实验结果表明,在初值离真值较远时,新算法仍然能够收敛,解决SLS-WTLS中出现的发散和奇异问题。     

基于同伦方法的非线性测量模型参数估计

提出了非线性模型参数稳健估计的同伦算法和带约束非线性模型参数估计的同伦算法,推导了相应的非线性同伦算法的函数模型.算例计算结果表明,所提出的算法对初值要求不高,算法收敛,计算结果精度较好,是非线性测量模型参数估计的一种有效方法.     

基于非线性最小二乘的坐标转换及精度分析

在GPS应用中经常涉及到坐标系转换的问题。利用七参数线性模型进行坐标转换是目前常用的坐标转换方法,但是当旋转角较大时,利用七参数线性模型转换会存在较大的模型误差。本文提出七参数模型的非线性最小二乘求解方法,结合模拟坐标数据比较了非线性最小二乘与传统迭代法的求解精度。结果表明：在旋转角较大的情况下,利用非线性最小二乘方法求解坐标转换参数精度比迭代法有明显提高。     

基于同伦算法的非线性坐标转换模型研究

阐述坐标转换的常用模型,分析线性化坐标转换模型的模型误差,给出这种误差对旋转参数限制的最大旋转角度。首次将同伦算法应用于坐标转换模型中,提出基于同伦算法的非线性坐标转换模型,避免线性化所带来的模型误差,解决在大角度旋转情况下线性化模型不能使用的问题。数据计算表明,文中提出的非线性坐标转换模型同伦方法是削弱坐标转换误差,高精度求解坐标转换参数的有效方法。     

快速同伦算法在非线性最小二乘平差中的应用

针对线性化近似法模型误差大,牛顿迭代法和高斯-牛顿法局部收敛等不足,而同伦算法在非线性数据处理方面有独到优势。通过对同伦路径跟踪过程中牛顿迭代终止判据和步长控制策略进行了改进,得到了一种快速、稳定的同伦路径跟踪算法。     

基于GPS高程拟合的总体最小二乘算法研究

针对GPS测量噪声影响高程拟合精度的问题,本文详细阐述了最小二乘方法、总体最小二乘算法和加权总体最小二乘算法三种误差处理方法的基本原理及计算公式。根据常用的两种曲面拟合模型,通过对实测数据拟合结果分析GPS测量噪声对高程拟合精度的影响,并对比上述三种算法的结果。数值计算结果表明在顾及GPS测量噪声的情况下,总体最小二乘算法能够很好地削弱其对高程拟合的影响,从而提高拟合精度。     

总体最小二乘在GPS高程转换中的适用性分析

在GPS高程转换中,位置信息通过观测手段获得,在平差处理中,系数矩阵和观测向量都存在误差。在阐述总体最小二乘平差原理的基础上,以常用的GPS高程转换模型为基础,利用某城市实测GPS数据,证明了总体最小二乘方法在GPS高程转换方面的优势性:模型更合理;精度更高;复杂地形的精度改善更明显。     

适用于任意旋转角的三维直角坐标转换方法

直接从三维直角坐标转换的非线性方程出发,根据最优化问题的极值条件,采用基于同伦连续思想的Li-Yorke算法进行求解。结果表明,该方法是一种结果稳定、精度较高的大范围收敛方法,适用于任意旋转角的三维直角坐标转换。     

广义非线性动态处理模型及其解算方法

本文针对当今各国高层领导和科学家十分关注并大力倡导的“数字地球”、“数字国家”、“数字城市”、“数字矿山”等科学工程构建中遇到的大量的多源、多维、多类型、多时态、多精度并具有非线性特征的联合数据处理问题的特点,建立了一个广义非线性动态联合数据处理模型及其相应的广义非线性最小二乘模型。针对该模型规模大、维数高的特点,借鉴多变量函数寻优的“变量轮换法”或“因素交替法”的思想、结合无记忆牛顿法,建立了一个解算算法,该算法将大规模的优化问题分解为两个较低规模的优化问题进行解算,降低了问题的规模,借助无记忆牛顿法,减少了存储量,特别适合大规模问题的解算。     

一个广义非线性最小二乘迭代算法及其在多维多时态多精度数据处理中的应用

本文针对当今各国高层领导和科学家十分关注并大力倡导的“数字地球”、“数字国家”、“数字城市”、“数字矿山”等科学工程构建中遇到的大量的多源、多维、多类型、多时态、多精度并具有非线性特征的数据处理,针对数据测量采用多种观测手段采集多源、多维、多类型、多时态、多精度数据,数据处理的函数模型中不仅仅含有非随机参数,而且含有随机参数,其随机参数又常常为动态的等特点,建立了广义非线性动态最小二乘数据处理模型。针对该模型规模大、维数高的特点,借鉴多变量函数寻优的“变量轮换法”或“因素交替法”的思想、结合BFGS算法,建立了一交替寻优的解算方法,该算法将大规模的优化问题分解为两个较低规模的优化问题进行解算,降低了问题的规模,减少了计算量。     

基于激光跟踪仪三维控制网严密平差与软件实现

利用激光跟踪仪三维测量数据,结合光束法三维严密平差模型,采用同伦微分算法进行MATLAB接口技术编程。并运用BEPCII储存环激光跟踪仪测量数据进行程序试算,得出较好的平差值以及相关有意义的结论。     

Least-squares variance component estimation

Least-squares variance component estimation (LS-VCE) is a simple, flexible and attractive method for the estimation of unknown variance and covariance components. LS-VCE is simple because it is based on the well-known principle of LS; it is flexible because it works with a user-defined weight matrix; and it is attractive because it allows one to directly apply the existing body of knowledge of LS theory. In this contribution, we present the LS-VCE method for different scenarios and explore its various properties. The method is described for three classes of weight matrices: a general weight matrix, a weight matrix from the unit weight matrix class; and a weight matrix derived from the class of elliptically contoured distributions. We also compare the LS-VCE method with some of the existing VCE methods. Some of them are shown to be special cases of LS-VCE. We also show how the existing body of knowledge of LS theory can be used to one’s advantage for studying various aspects of VCE, such as the precision and estimability of VCE, the use of a-priori variance component information, and the problem of nonlinear VCE. Finally, we show how the mean and the variance of the fixed effect estimator of the linear model are affected by the results of LS-VCE. Various examples are given to illustrate the theory.