MSE准则下岭-主成分组合估计与LS估计的比较与选择

研究了测量平差Gauss—Markov模型中岭-主成分组合估计与LS估计的比较与选择问题。首先在均方误差（MSE）准则下对岭-主成分组合估计与LS估计进行了比较,得到了岭-主成分组合估计优于LS估计的椭球条件;然后运用Monte Carlo方法对这些条件进行了假设检验;最后通过数值实验说明,在一定显著性水平下当原假设被接受时,可采用岭-主成分组合估计对LS估计做出比较有效的改进,当原假设被拒绝时,应该仍采用LS估计。     

基于敏感度分析的病态性诊断

如何针对测量实际,削弱或克服测量平差系统病态性的危害,取得更为准确的参数估值和可靠的平差成果,是当前测量工程数据处理中面临的一个重要课题,而给出更合理的诊断指标是进行病态性诊断研究的重点。本文采用矩阵微分法,通过对法矩阵的逆阵、均方误差以及最小二乘估计进行敏感度分析,提出了病态性问题的一种新的诊断技术——敏感度分析诊断法。     

Gauss—Markov模型的几乎无偏估计

现有的有偏估计在减小均方误差时,都忽视了对估计偏差的限制,致使偏差都比较大。本文提出Gauss—Markov模型的几乎无偏估计,着重减小有偏估计的偏差,使之几乎接近无偏。给出了岭估计、岭-压缩组合估计、岭-主成分组合估计对应的几乎无偏估计,讨论了这些几乎无偏估计的一些优良性质,提出了几乎无偏估计中偏参数的选择准则和方法。最后给出了一个算例,显示了几乎无偏估计的优越性。     

Gauss-Markov模型的岭型GM估计

针对目前文献中提出的各种抗差有偏估计没有对设计空间的粗差进行控制的问题,将岭估计与GM估计结合起来提出了一种新的抗差有偏估计--岭型GM估计,理论分析和计算结果均表明岭型GM估计不仅能消除法矩阵病态性的不良影响,而且能同时具有观测空间和设计空间的抗差性,是一种性能良好的估计.     

基于方差膨胀模型的粗差探测Bayes方法

基于方差膨胀模型提出并建立了用观测信息的同时利用先验信息判断粗差的Bayes方法.首先,根据Bayes统计推断的基本原理,建立了判断粗差的Bayes方法——后验概率法;然后针对测量平差实际,考虑未知参数的两种先验信息分别给出了非等权独立观测条件下基于该模型的后验概率的计算公式;最后对模拟算例进行了计算和分析.试验结果表明,用给出的探测粗差的Bayes方法是切实可行的.     

诊断复共线性的条件指标-方差分解比法

运用条件指标和方差分解比提出一种诊断设计阵复共线性的新方法———条件指标-方差分解比(CIVDP)法,该方法不但可以确定设计阵数据列之间复共线性关系的个数,而且可以确定每个复共线性关系存在于哪些数据列之间,并通过大量的模拟计算和实际应用验证该方法的有效性。