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。     

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。     

论平差模型的关系与几何解释

高斯马尔可夫模型（间接平差模型）、条件平差模型和高斯赫尔默特模型是3种经典平差模型,通常根据参数个数的不同从模型形式上予以表述,但该方式不能反映模型间的本质关系。首先,以矩阵分析理论为基础,依据系数矩阵的半正交性实现了高斯马尔可夫模型与高斯赫尔默特模型的转换,完善了3种平差函数模型之间的数学转换关系,揭示了模型间内在的数学联系。然后,基于线性空间和投影算子,解释了高斯马尔可夫模型和条件平差模型的最小二乘估计,阐述了两类模型的最小二乘目标函数的等价性,并结合勾股定理和对偶性将两种经典目标函数形式扩展至4种等效目标函数,说明了其在空间意义上的构造原理,揭示了目标函数之间的几何关系和内涵,对于平差模型及其估计的数学本质的理解具有理论和应用价值。     

稳健估计的一种改进迭代算法

当观测值不含粗差、观测误差服从零均值分布时,最小二乘算法是最优无偏估计。若观测值包含粗差,由于最小二乘不具备抗差性,往往采用以M估计为代表的稳健估计方法,选权迭代算法是应用最为广泛的稳健估计方法之一。目前,选权迭代算法的每一步都需要对模型的稳健正交矩阵求逆,其运算复杂度是矩阵维数的三次方,在未知参数或粗差个数较多的情况下,计算量大、计算时间长。本文基于矩阵逆的运算法则,对现有选权迭代算法进行了改进,改进的选权迭代算法在迭代计算过程中仅需计算更新权阵后的解的改正项,不需要对正交矩阵求逆,显著提高了算法的效率。     

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。     

武汉地铁沿线土地开发利用探讨

本文调查分析了武汉市地铁沿线土地利用现状及存在的问题,提出了地铁沿线土地开发利用建议。     

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。     

三维坐标转换的非线性模型

讨论了三维坐标转换的线性模型的应用范围，提出了三维坐标转换的非线性模型，解决了线性模型对旋转角大小的限制。     

附有不等式约束的加权整体最小二乘算法

针对现有附有不等式约束的整体最小二乘算法的缺陷,本文以partialEIV（errors-in-variables）模型^[1]为基础,在整体最小二乘准则下,通过将附有不