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。     

部分有界不确定性数据平差方法

针对传统最小二乘法以及总体最小二乘法不完全适合于系数矩阵带有有界误差,及有界不确定性数据平差方法也不能直接用于系数矩阵只是部分带有有界误差的问题,基于有界误差问题的平差方法,给出解决部分有界问题的迭代算法,并验证该方法的有效性。     

等式约束病态总体最小二乘模型的正则化解及其精度评定

利用平差参数间合理的先验信息能够显著提高解的精度。在病态总体最小二乘模型的基础上，引入等式约束条件，建立等式约束病态总体最小二乘模型，构建该模型的约束正则化准则，并根据拉格朗日极值法导出参数的迭代解及方差-协方差阵，最后以数值算例和病态测边网算例验证公式的正确性。结果表明，新方法通过正则化准则能改善法矩阵的病态性，且遵从EIV准则顾及系数阵的误差，同时还考虑参数间合理的先验信息，其解的精度得到显著提升。     

病态总体最小二乘靶向奇异值修正法

一般病态问题是法矩阵出现几个特征奇异值，计算过程中可用靶向矩阵修正奇异值。总体最小二乘迭代过程中，系数矩阵不断微变，靶向矩阵也应随之改变。针对靶向矩阵变化问题，推导2种病态总体最小二乘靶向奇异值修正法，先求出新系数矩阵，再求靶向矩阵，最后迭代计算出参数估值。实验验证了该方法的优势。     

线性回归总体最小二乘平差模型及解算

针对系数矩阵含有一列常数列的线性回归总体最小二乘平差问题,提出一种总体最小二乘平差模型。在此基础上,推导了线性回归总体最小二乘的迭代算法,并采用一个算例验证了模型和算法的可行性。     

参数带椭球约束平差算法的应用

针对实际工程应用中遇到的参数带有范围约束的情形，提出带椭球约束的平差算法，并给出其具体模型和解算步骤。数值模拟实验和病态测边网数据计算表明，在处理病态问题时，最小二乘平差（least-squares，LS）已不适用，而与岭估计、奇异值分解法（singular value decomposition，SVD）以及不等式约束相比，本文算法精度更高。     

地壳形变分析的总体最小二乘配置方法

针对地壳形变问题中观测向量和趋势项系数矩阵均含有误差的情况,研究了总体最小二乘配置平差方法,在广义总体最小二乘准则下推导了具体的解算公式和迭代算法。利用模拟的地壳水平形变和2009年意大利L’Aquila实际地震数据进行分析,结果表明,总体最小二乘配置与传统的最小二乘配置方法在地壳形变分析中的效果基本一致,并给出了相关的理论依据。     

部分待估参数具有先验随机性的WTLS平差

部分待估参数具有先验随机信息，且误差方程系数矩阵含有观测误差，是一类新的平差问题。本文构造了部分待估参数含有先验随机信息的加权整体最小二乘平差函数模型，推导该模型参数估计与精度评定公式，给出计算步骤，适用于一般情形。实例对比分析证明，该算法正确可靠，迭代收敛速度较优。     

空间直线拟合的PEIV模型的构建与解法

针对空间直线拟合不宜直接采用总体最小二乘算法和混合总体最小二乘算法的问题，提出一种基于PEIV模型的总体最小二乘法的空间直线拟合算法。首先将空间直线的标准方程进行变换，改写为总体最小二乘的EIV模型；然后针对系数矩阵的特点，将模型转换为更加合理的PEIV模型，线性化成类似于最小二乘间接平差形式，采用迭代的方法求解拟合参数。平差过程保证了系数矩阵重复元素的改正数一致，常数元素的改正数为零，符合实际理论；最后，通过算例比较验证了该方法的可行性和优越性。     

非等间距GM(1,1)模型的总体最小二乘算法及其病态问题

在非等间距GM(1,1)模型中，系数矩阵中有无误差的常数项和有误差的随机项，并且系数矩阵与观测向量误差同源，即系数矩阵与观测向量中有相同的元素存在，这些相同元素应该有相同的改正数，为此本文推导了一种适合非等间距GM(1,1)模型求解的总体最小二乘算法。同时，考虑到非等间距GM(1,1)模型中存在病态问题时影响总体最小二乘计算结果的稳定性，提出对系数矩阵常数列乘以某一常数的方法，以改善病态问题。     

基于实四元数的大旋转角三维坐标转换的改进谱修正迭代解法

提出一种基于单位实四元数的大旋转角三维坐标转换病态问题的新方法，该方法用单位实四元数构造旋转矩阵，可避免复杂的三角函数求导，易于线性化，系数矩阵更为简洁；考虑到模型法方程矩阵的病态性，引入岭参数和泛函矩阵，从而降低了方程病态性带来的不利影响，使方程求解达到稳定，同时方程迭代求解时解的估计值接近真值的程度较谱修正迭代法高。利用模拟及实测数据对算法进行验证，结果表明，该算法具有收敛速度快、不依赖转换参数初值、全局收敛、解为无偏、便于程序实现等优点，可为通用坐标转换提供一种新途径。     

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。     

���Ȩ������С����ƽ�������һ���·���

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

��̬������С����ģ�͵������㷨

????????????????????????????????????????????????????С????????в???????,?????????????С???????????????????????????????????Tikhonov?????????????????????С??????????????????????????????????????????????Э????????????????????Fredholm???????????????????????????С????????????????????? ???????????????????????й?????????????????????????????     

����Landweber�������ȿ���������С���������㷨�о�

???????Landweber???????x ^?? _k+1=x ^?? _k-f??(x ^?? _k) ^*(f(x ^?? _k)-y ^??) ???з??????????????????????????????????????????????????1/????? |(B??(x _k)B(x _k))|???????????μ???????????????С?????????Landweber???????, x ^?? _k+1=x ^?? _k-??(B??(x ^?? _k)B(x ^?? _k)) ^*B??(x ^?? _k)(f(x ^?? _k)-y ^??) ??????????????????????????????????????????????????????????????????ó?????[WTBZ]Landweber??????????????????????????????????????????С????????????     

基于QSSP的震源破裂过程反演方法

在Qt平台上,基于QSSP软件,利用C⁺⁺进行地震破裂过程反演方法研究。采用按阶段反演的方法,第1阶段反演采用热浴算法进行全局搜索,先按断层区域的构造背景等初始条件对参数范围进行划取,在该范围内随机给定一组初始值开始迭代,使波形初步拟合避开局部最优解;第2阶段反演使用拟牛顿法进行快速收敛,提高波形拟合程度,迭代至目标函数小于误差条件时停止,输出满足误差条件的待解模型参数。为避免模型参数出现病态问题,使用拉普拉斯方程建立平滑矩阵并引入平滑因子对断层模型进行平滑约束。使用棋盘模型验证该方法的稳定性和可靠性。最后,将全国13个台站的重力数据积分后对2013-04-20芦山7.0级地震的破裂过程进行反演,并与其他研究结论进行对比分析。     

L���߷��ڷ��ݻ�ɽ��ѹ��Դ�����е�Ӧ��

?????α???????????????????????Mogi??????????????????????????????????????????????????????????????????????????????????????L?????????????????????????????????????????????