总体最小二乘平差理论解算的方法对比分析.docVIP

总体最小二乘平差理论解算的方法对比分析 　　【摘 要】本文主要对现有的总体最小二乘平差理论进行了相关分析，结合其两种解算方式包括奇异值分解法和迭代解法，进行了相关的理论阐述，最终得到了总体最小二乘平差迭代解法更适合应用与测量平差分析。 　　【关键词】总体最小二乘平差；奇异值分解法；迭代解法 　　中图分类号： O212.1 文献标识码：A 文章编号： 2095-2457（2018）03-0163-002 　　Comparison and Analysis of Solution Methods of Total Least Square Adjustment Theory 　　JIANG Jia-qing* 　　（Tianjin Municipal Engineering Design and Research Institute， Tianjin 300202， China） 　　【Abstract】In this paper， we mainly analyze the existing theory of least-squares adjustment， and combine the two methods of calculation including singular value decomposition and iterative method to explain the relevant theory. Finally， Multiply adjustment iterative method is more suitable for application and measurement adjustment analysis. 　　【Key words】Total least squares adjustment； Singular value decomposition method； Iterative solution method 　　0 引言 　　在?稻荽?理中，最小二乘法（Least Squares， LS）是最基本的数据处理方法，从18世纪高斯提出后发展至今成为数据处理领域应用最广泛的方法。最小二乘法是以只存在观测向量误差为前提的。然而，在测量数据处理过程中，由于采样误差和建模误差，观测向量误差和系数矩阵偏差往往是同时存在的。在这种情况下，用最小二乘法求得的参数估值就不再是最优无偏估计了。针对这种情况，在20世纪80年代有学者对最小二乘方法进行扩展，提出了总体最小二乘方法，该方法在计算观测值误差的同时还能顾及模型系数矩阵误差，在系数矩阵存在误差时，总体最小二乘解比最小二乘解更为真实可靠。 　　在本章节中，作者首先以一个直线拟合模型介绍最小二乘方法的基本思想及原理；然后以一个系数矩阵存在误差的问题引出总体最小二乘方法并阐述了其原理；最后给出了两种最为常见的总体最小二乘问题的解法及其详细的推导过程。 　　1 总体最小二乘原理及解法 　　经典的高斯-马尔柯夫模型假设函数模型是已知且非随机的，并且只考虑观测向量含随机误差，假设系数矩阵不存在误差或者不考虑系数矩阵误差。但是在很多实际问题中，比如大地测量反演、边坡监测、空间数据分析和坐标转换等数学模型中，函数模型的系数矩阵也是由观测数据组成。因此，不仅观测向量存在误差，系数矩阵也有可能出现随机误差。此时，再用最小二乘原理做数据处理的话，计算结果就不能再保证其最优无偏性。而总体最小二乘方法就能很好地解决这一问题，该方法在计算观测值误差的同时还能顾及模型系数矩阵误差。 　　1.1 总体最小二乘问题描述 　　设线性函数模型为：L=AX-V（1） 　　上式中，L为n×1观测向量，A为n×t系数矩阵，X为t×1未知参数，V为观测向量误差。总体最小二乘方法是不仅考虑观测向量含有误差V，而且还顾及系数矩阵误差EA，那么上式应改写为 　　L=（A+EA）X-V（2） 　　对应的误差方程可写为 　　V-A -EA +L=0（3） 　　误差的期望和方差为 　　Vvec（E ）～00，σ I 00 I ？茚I （4） 　　式中，In和It分别为n和t阶单位矩阵，vec（EA）是将矩阵EA按列拉直得到的列向量化函数，vec（EA）∈R（n×t）×1；表示克罗内克（Kronecker）积。（2-10）式的矩阵形式为 　　（[A L]+[E V]）?X-1=0（5） 　　求解上述方程的总体最小二乘方法可以表示为一个约束化问题： 　　‖（E ，V）‖ 式中‖（E ，V）‖ 是矩阵的Fronenius范数。 　　求解‖（E ，V）‖ 最小的问题即为总体最小二乘问题，当nt即线性方程超定时的总体最小二乘解。下面就介绍一下超定方程