三维坐标转换的通用整体最小二乘算法

三维坐标转换模型属于非线性EIV（errors-in-variables）模型,现有整体最小二乘算法均设定了某些特殊假设条件,如仅适用于小角度或者属于非统计意义上的数值解,并且不能用于结构性的系数矩阵等,算法适用性受到极大限制。本文提出了三维坐标转换模型的通用加权整体最小二乘算法,该算法适用于任意旋转角度以及一般性的权矩阵情况下的三维坐标转换模型,并且将结构性系数矩阵、同时包含随机和非随机元素的系数矩阵等情况纳入到了统一的坐标转换模型算法。实例计算表明,本文提出的算法具有通用性,适用于实际应用中的各类三维坐标转换模型。     

不等式约束加权整体最小二乘的凝聚函数法

误差向量的方差-协方差阵是一般对称正定矩阵下的附不等式约束加权整体最小二乘平差模型,研究了其参数估计和精度评定问题。首先,将残差平方和极小化函数在整体最小二乘准则下转化为只包含模型参数的目标函数,同时将所有的不等式约束表示成一个等价的凝聚约束函数,并运用乘子罚函数策略将不等式约束加权整体最小二乘平差问题转化为相应的无约束最优化问题,并用BFGS方法求解。然后,将误差方程和约束函数线性展开,推导了最优解和观测量间的近似线性函数关系,运用方差-协方差传播律得到了最优解的近似方差。最后,用数值实例验证了方法的有效性和可行性。     

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。     

拟牛顿修正法解算不等式约束加权总体最小二乘问题

根据总体最小二乘准则,可以将附有不等式约束的变量误差（errors-in-variables,EIV）模型转化为标准最优化问题,并运用有效集法、序列二次规划法等优化方法求解。已有算法在涉及计算目标函数的Hesse矩阵（二阶导数）时,存在计算量较大的缺陷。针对上述问题,利用基于拟牛顿法修正Hesse矩阵的序列二次规划算法解算附有不等式约束加权总体最小二乘问题,新算法减小了计算量,可以提高收敛速度。通过实例,证明了该算法具有很好的适用性和计算效率。     

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。     

加权整体最小二乘EIO模型与算法

构造了加权整体最小二乘EIO(errors-in-observations)模型,只改正独立观测值,观测值协因数阵最简洁,可克服EIV模型缺陷。基于EIO模型推导了参数估计和协因数阵精确迭代算法,实例结果正确,计算效率高。     

基于非线性高斯-赫尔默特模型的混合整体最小二乘估计

针对EIV模型的系数矩阵同时包含固定量和随机量的情况,通过将系数矩阵中的随机量提取出来纳入平差的随机模型,从而将EIV模型表示为非线性高斯-赫尔默特(Gauss-Herlmert,GH)模型形式,推导了混合LS-TLS(least squares-total least squares,LS-TLS)算法及其精度估计公式。算法适用于系数矩阵包含固定列、固定元素和随机元素的一般情况。模拟实例结果表明,混合LS-TLS算法与已有能够解决系数矩阵同时含固定量和随机量的结构性或加权TLS算法的估计结果一致;混合LS-TLS的估计结果统计上要优于LS或TLS估计结果。     

不等式约束最小二乘问题的解及其统计性质

对不等式约束最小二乘平差问题,借助非线性规划中的凝聚约束方法把多个不等式约束转化为一个等式约束,采用拉格朗日极值法求解,解与贝叶斯解或单纯形解一致。其优点在于该解能够表示为观测的明显表达式,由此解的统计性质与最优性可以确定。给出演示该方法的GPS单点定位算例。     

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。     

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。     

抗差加权整体最小二乘模型的牛顿-高斯算法

基于加权整体最小二乘的牛顿-高斯迭代算法,提出了一种抗差加权整体最小二乘模型。利用标准化残差构造权因子函数,并采用中位数法获得具有抗差性的单位权中误差估值,能同时实现观测空间和结构空间抗差。为获得标准化残差,利用线性近似的协因数传播律推导了加权整体最小二乘残差协因数阵的表达式,并给出模型的迭代计算方法。试验结果表明:对于加权整体最小二乘的粗差处理问题,本文提出的方法具有良好的抗差性能,参数估值与不含粗差时加权整体最小二乘的结果没有显著的差异,性能优于直接由残差构造的稳健加权整体最小二乘模型。     

复数域总体最小二乘平差

在复数域最小二乘的基础上提出了复数域总体最小二乘平差方法,推导了复数域总体最小二乘和复数混合总体最小二乘的相关公式。通过算例比较分析了复数观测值的残差的模的平方和最小(平差准则1)下及残差的实部和虚部的平方和分别最小(平差准则2)下的复数最小二乘、复数观测值和系数矩阵的残差的模的平方和最小(平差准则3)下及残差的实部和虚部的平方和分别最小(平差准则4)下的复数总体最小二乘方法的优劣。试验结果表明:平差准则1下复数最小二乘较平差准则2下得到的结果更加合理,平差准则3下复数总体最小二乘较平差准则4下得到的结果更为准确;当顾及系数矩阵误差时,平差准则3下复数总体最小二乘要优于平差准则1下复数最小二乘。     

加权总体最小二乘的地面解析摄影测量算法

在分析加权总体最小二乘解与经典最小二乘解的区别和联系的基础上,将加权总体最小二乘平差理论首次应用于地面摄影测量的解析相对定向算法中,并给出了基于相对定向模型的加权总体最小二乘的算法步骤。同时,将Procrustes理论引入到解析绝对定向模型中,推导了基于Procrustes理论的加权总体最小二乘解。具体算例证明了加权总体最小二乘平差理论应用于地面摄影测量处理中能够获得精确稳定的解析参数。     

基于混合最小二乘与总体最小二乘的激光雷达滤波算法

机载激光雷达点云数据滤波技术是LiDAR数据后处理最关键的内容之一。利用最小二乘平差的曲面拟合滤波算法存在一定不足,基于混合最小二乘和总体最小二乘的算法可以有效弥补不足。本文提出一种基于混合最小二乘和总体最小二乘的曲面拟合滤波算法。实验表明,本文滤波算法效果良好,满足实际应用需求。     

顾及粗差的混合最小二乘平差实验分析

通过详细介绍总体最小二乘法以及其与经典最小二乘法的关系,引出综合了经典最小二乘法与总体最小二乘法的混合最小二乘平差法。为了研究混合最小二乘法的优劣,本文设计一套比较混合最小二乘法与经典最小二乘法的实验方案。通过实验结果可知,混合最小二乘法并非总优于经典最小二乘法,只有当系数阵误差比观测值误差大或略小时,混合最小二乘法才始终优于经典最小二乘法。     

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。     

隐式标度因子的总体最小二乘估计方法

分析指出了标度总体最小二乘方法(STLS)存在的问题,提出了一种隐式标度因子的标度总体最小二乘方法(Im STLS)。区别于现有STLS方法在平差准则中引入标度因子,Im STLS方法在EIV函数模型中顾及标度因子,从而解决了现有STLS平差准则形式与标度因子实际表征的平差结果不一致的问题。此外,利用所建函数模型的重构表达式推导的Im STLS估计量及其方差-协方差阵,与经典最小二乘平差理论具有形式同构性。最后,验证了所提方法统一表达LS,DLS和TLS的正确性,并讨论给出了标度因子对平差结果的影响及确定方法。     

基于整体最小二乘法的线性回归建模和解法

对基于自变量和因变量误差的回归问题进行了进一步研究,证明了两种方法的实质并未解决同时考虑自变量和因变量的误差问题,其解算结果和不考虑自变量误差的解算结果完全相同。给出了能同时顾及自变量和因变量误差的新的回归模型,并推导了具体的解算方法。算例结果和基于矩阵分解的整体最小二乘法解算方法的结果相同,说明了本文方法的正确性。