• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      偏差改正的Partial EIV模型方差分量估計

      2019-06-10 02:41:04王樂洋溫貴森
      測繪學(xué)報 2019年4期
      關(guān)鍵詞:算例協(xié)方差估值

      王樂洋,溫貴森

      1. 東華理工大學(xué)測繪工程學(xué)院,江西 南昌 330013; 2. 流域生態(tài)與地理環(huán)境監(jiān)測國家測繪地理信息局重點實驗室,江西 南昌 330013; 3. 江西省數(shù)字國土重點實驗室,江西 南昌 330013

      在測量數(shù)據(jù)處理中,Gauss-Markov模型是常用的平差模型,模型解算常用的方法為最小二乘方法。然而在某些實際情況中,Gauss-Markov模型系數(shù)矩陣A的元素可能由某些含有觀測誤差的觀測值構(gòu)成,此時經(jīng)典的最小二乘平差方法不夠嚴密。總體最小二乘[1-4]是同時顧及了觀測向量與系數(shù)矩陣誤差的平差方法,是變量誤差(errors-in-variables,EIV)模型的嚴密估計方法。文獻[5—7]研究了總體最小二乘的迭代算法;文獻[8—14]研究了附有等式約束和不等式約束條件的總體最小二乘方法;文獻[15]研究了提高計算效率的總體最小二乘方法。部分變量誤差[16](partial error-in-variables,Partial EIV)模型是考慮了EIV模型系數(shù)矩陣中存在隨機元素和非隨機元素的情況,相比于EIV模型,Partial EIV模型更具有一般性和適用性,且在算法及應(yīng)用中都得到了廣泛的研究[17-25]。

      由于EIV模型或Partial EIV模型受非線性的影響,總體最小二乘解算得到的參數(shù)估值及單位權(quán)方差估值是有偏的[26-27]。文獻[28]分析了系數(shù)矩陣誤差對EIV模型平差參數(shù)估值的影響。文獻[29]基于泰勒公式展開的二次項,得到了非線性函數(shù)的偏差公式。文獻[30]基于EIV模型,通過線性化處理得到了參數(shù)估值及參數(shù)估值一階近似協(xié)方差陣。文獻[27]對迭代的最后一步表達式進行線性化,得到了參數(shù)估值的一階近似協(xié)方差陣。文獻[16]根據(jù)非線性理論得到了參數(shù)估值偏差及一階近似協(xié)方差陣。文獻[31]通過迭代計算得到參數(shù)估值的協(xié)方差陣。文獻[32]推導(dǎo)了多元總體最小二乘算法并得到了參數(shù)估值的一階近似協(xié)方差陣。以上計算方法及通過協(xié)方差傳播得到的參數(shù)估值方差只計算到一階近似。文獻[33]使用SUT(scaled unscented transformation)方法計算得到總體最小二乘參數(shù)估值的二階近似協(xié)方差陣。文獻[34]推導(dǎo)了總體最小二乘精度評定的二階近似函數(shù)法,將參數(shù)估值精度提高至二階,進一步完善了總體最小二乘精度評定理論。

      方差分量估計[35-39]是針對隨機模型不準確從而對權(quán)進行修正的驗后估計方法,方差分量估計方法通過預(yù)平差得到的信息根據(jù)一定的原則對觀測量的驗前方差或協(xié)方差進行估計、重新定權(quán)。文獻[40]分析了EIV模型的最小二乘方差分量估計。文獻[41]引入權(quán)修正因子,推導(dǎo)了Partial EIV模型的Helmert方差分量估計。文獻[42]得到了Partial EIV模型的非負最小二乘方差分量估計;然而以上總體最小二乘方差分量估計方法中并未考慮參數(shù)估值有偏性的影響。文獻[43]推導(dǎo)了EIV模型的最小范數(shù)二次無偏估計,分析了由參數(shù)估值偏差引起的方差分量估值的偏差,推導(dǎo)了方差分量估值偏差的表達式。

      基于上述分析,本文考慮總體最小二乘估計參數(shù)估值的偏差,進行偏差改正得到偏差改正后的參數(shù)估值,更新由參數(shù)估值引起變化的中間變量,將偏差改正與方差分量歸為整體同時迭代計算,進行偏差改正后的方差分量估計及二階精度評定。通過算例試驗,將偏差改正后得到的結(jié)果與未進行偏差改正的結(jié)果進行對比分析,驗證本文方法的可行性。

      1 Partial EIV模型參數(shù)偏差及精度評定

      1.1 Partial EIV模型解算

      針對EIV模型系數(shù)矩陣中存在固定元素及重復(fù)出現(xiàn)的隨機元素,文獻[16]將系數(shù)矩陣中的隨機元素分離,提出了Partial EIV模型,其數(shù)學(xué)模型為

      函數(shù)模型

      (1)

      隨機模型

      (2)

      目前針對Partial EIV模型的解法較多,本文參考文獻[19]的求解思路,構(gòu)造拉格朗日條件極值函數(shù)

      Φ=eTQ-1e+2λT(y-(βT?In)(h+Ba)+Ce)

      (3)

      對式(3)進行解算最終可得到參數(shù)估值的表達式為

      (4)

      (5)

      由于總體最小二乘方法顧及了系數(shù)矩陣誤差,式(1)可以看作為非線性模型,Partial EIV模型解算得到的參數(shù)是有偏或近似無偏的[16]。將Partial EIV模型視為非線性模型得到

      e=f(x)-l

      (6)

      (7)

      (8)

      (9)

      通過迭代計算最終得到參數(shù)估值為

      (10)

      式(4)與式(10)是等價的,通過迭代計算都能得到相同的參數(shù)估值。

      1.2 基于二階導(dǎo)數(shù)的偏差計算及精度評定

      文獻[16]針對Partial EIV模型的非線性推導(dǎo)了參數(shù)估值的偏差表達式及參數(shù)估值的一階近似協(xié)方差陣。參數(shù)估值偏差表達式和協(xié)方差表達式分別為[16]

      (11)

      (12)

      同理,式(4)通過協(xié)方差傳播律可以得到參數(shù)估值的一階近似協(xié)方差

      (13)

      (14)

      (15)

      (16)

      (17)

      式(15)可以得到參數(shù)估值的偏差

      (18)

      進而可以得到偏差改正后的參數(shù)估值

      (19)

      (20)

      2 基于偏差改正的方差分量估計

      隨機模型的驗后估計又稱方差分量估計,是針對平差前給定的隨機模型不準確而提出的方法。方差分量估計的基本思想是先對各類觀測值定初權(quán),進行預(yù)平差,利用預(yù)平差后得到的信息,主要是各類觀測值的改正數(shù),并根據(jù)得到的觀測值的改正數(shù)對各類觀測值的驗前方差和協(xié)方差進行估計,重新定權(quán)。

      考慮式(2)隨機模型形式為

      (21)

      (22)

      對總體最小二乘解算可以得到

      (23)

      (24)

      式中,p在本文中取值為2,Qk的形式為

      (25)

      式中,k=1時,表示觀測量y對應(yīng)的初始協(xié)因數(shù)陣;k=2時,表示系數(shù)矩陣對應(yīng)的初始協(xié)因數(shù)陣。

      本文以最小二乘方差分量估計方法為例,文獻[40]分析了總體最小二乘的最小二乘方差分量估計,將方差分量作為參數(shù)進行最小二乘平差解算得到

      (26)

      式中,vh表示取出對稱矩陣的上三角元素按照一定的順序排列成列向量。

      文獻[36]通過公式轉(zhuǎn)換得到法矩陣N和列向量L的形式為

      (27)

      針對Partial EIV模型式(1),模型的總觀測量個數(shù)為n+t,必要觀測量個數(shù)為t+m,在平差計算時是將系數(shù)矩陣含有觀測誤差的數(shù)據(jù)作為參數(shù)進行解算;根據(jù)非線性解算理論,參數(shù)β與系數(shù)矩陣觀測值a組成的向量x在進行式(10)的迭代計算時是存在偏差的,而參數(shù)估值影響觀測值改正數(shù),從而影響方差分量估計。將偏差改正后的參數(shù)估值代入方差分量估計中,即存在

      (28)

      繼而有

      (29)

      式中,下標bc表示偏差改正后對應(yīng)的值。

      (30a)

      進而得到

      (30b)

      (31a)

      (31b)

      將參數(shù)估值偏差改正與方差分量估計作為一個整體進行迭代計算,其迭代流程見圖1。

      圖1 偏差改正方差分量估計迭代流程Fig.1 Flow chart of bias correction variance components estimation iteration

      3 算例與分析

      3.1 算例1 直線擬合

      采用文獻[18]的數(shù)據(jù),直線擬合的模型為

      (32)

      已知坐標觀測值(xi,yi)和相應(yīng)的權(quán)值(pxi,pyi),見表1。

      考慮觀測數(shù)據(jù)的個數(shù),構(gòu)造Partial EIV模型的向量h與矩陣B的形式為

      (33)

      現(xiàn)分別使用最小二乘(LS)、總體最小二乘(TLS)、總體最小二乘的最小二乘方差分量估計方法[40](TLS-VCE)及本文方法(偏差改正的方差分量估計)計算,得到的參數(shù)估值、參數(shù)估值偏差及方差分量估值結(jié)果見表2。

      表1 坐標觀測值及相應(yīng)的權(quán)值[18]

      表2 算例1不同方法得到的參數(shù)估值、參數(shù)估值偏差及方差分量估值

      從表2可以看出,經(jīng)過偏差改正后的方差分量估計得到的方差分量估值及參數(shù)估值都有所改變,這主要是由參數(shù)估值的偏差引起的,參數(shù)估值偏差越大,對結(jié)果的影響也越大。計算得到參數(shù)估值的標準差結(jié)果見表3。

      表3 算例1參數(shù)估值的標準差

      3.2 算例2 二維仿射變換

      根據(jù)文獻[38—39]算例思想,在長寬為100 m的正方形區(qū)域內(nèi),沿縱橫坐標方向每隔10 m選取一個點,共121個點,在正方形區(qū)域的所有點中均勻選取31個點作為公共點進行二維仿射變換。二維仿射變換模型可以表示為

      (34)

      式中,Δx、Δy為平移參數(shù);ωx、ωy為旋轉(zhuǎn)參數(shù);kx、ky為尺度參數(shù);(xi,yi)、(Xi,Xi)分別為第i個公共點的原始坐標系及目標坐標系的坐標。

      將式(34)改寫成矩陣形式得到

      (35)

      式中,a1=kxcosωx;b1=kysinωy;a2=-kxsinωx;b2=kycosωy,構(gòu)造Partial EIV模型的向量h與矩陣B的形式為

      (36)

      給定一組轉(zhuǎn)換參數(shù)真值,Δx=Δy=0,ωx=100,ωy=110,kx=1.01,ky=1.02,假設(shè)目標坐標系坐標之間相互獨立且等精度,原始坐標同一點中x、y坐標獨立,不同點間坐標相關(guān),對應(yīng)協(xié)因數(shù)陣中非對角線元素為

      (37)

      式中,qij為協(xié)因數(shù)陣中對應(yīng)的元素值;dij為i、j點間的距離;d0為常數(shù)且取值為10 m。

      現(xiàn)分別給原始坐標與目標坐標模擬均值為0,服從正態(tài)分布的隨機誤差。其中,原始坐標單位權(quán)中誤差為1 cm,目標坐標單位權(quán)中誤差為3 cm。分別使用最小二乘(LS)、總體最小二乘(TLS)、總體最小二乘的最小二乘方差分量估計[40](TLS-VCE)及本文方法計算,得到的參數(shù)估值、參數(shù)估值偏差及參數(shù)估值與真值的差值范數(shù)見表4。

      表4 算例2不同方法得到的參數(shù)估值、偏差及差值范數(shù)

      從表4可以看出,由于該算例中參數(shù)估值偏差較小,不同方法得到的參數(shù)估值相差較小,參數(shù)估值與真值的差值范數(shù)也較小,但方差分量估計方法可以得到與平差前給定的方差分量相近的估值;計算得到原始坐標與目標坐標的方差分量估值見表5。

      表5 算例2原始坐標與目標坐標方差分量估值

      從表5可以看出,方差分量估計方法得到原始坐標的觀測精度為2.994 689 cm,目標坐標的觀測精度為1.142 152 cm,與平差前給定的3 cm和1 cm接近;而由于該算例中參數(shù)估值偏差較小,經(jīng)過偏差改正后的方差分量估值與未經(jīng)過偏差改正的相差較小,但都接近于驗前給定的方差分量。

      3.3 算例3 四參數(shù)坐標轉(zhuǎn)換

      在算例2中,由于觀測量誤差較小,在構(gòu)造總體最小二乘平差模型時,系數(shù)矩陣誤差很小,TLS與LS結(jié)果相差較??;文獻[28]指出系數(shù)矩陣的信噪比達到一定量級時,參數(shù)估值的相對偏差很小,LS與TLS結(jié)果必然沒有差別??紤]一個四參數(shù)坐標轉(zhuǎn)換模型

      (38)

      根據(jù)所提供坐標個數(shù),得到向量h、B形式如下

      (39)

      表6 算例3坐標觀測值及協(xié)因數(shù)

      表7 算例3不同方法得到參數(shù)估值、偏差及方差分量估值

      從表7與表8可以看出,方差分量估計方法可以得到與平差前相近的方差分量,對參數(shù)估值也有修正作用,而加入偏差改正后的方差分量估計方法得到的參數(shù)估值與真值的差值范數(shù)最小,數(shù)值為0.269 620,更接近于參數(shù)真值。

      3.4 算例分析

      (1) 算例1中,方差分量估計方法可以得到不同類數(shù)據(jù)的方差分量估值,而考慮總體最小二乘參數(shù)估值的有偏性時,對參數(shù)估值進行偏差改正,將改正后的參數(shù)估值與方差分量估計結(jié)合成整體進行計算,可以得到修正后的參數(shù)估值與方差分量估值。方差分量估值影響參數(shù)估值的精度評定,從表3的參數(shù)估值標準差可以看出,偏差改正后的參數(shù)估值標準差小于未偏差改正的參數(shù)估值標準差,而二階方差在數(shù)值上要大于一階,說明在非線性模型的精度評定時應(yīng)盡可能考慮線性化過程中舍去的高次項信息。

      (2) 算例2中,由于觀測數(shù)據(jù)的量級與觀測誤差的量級差別較大,系數(shù)矩陣誤差對平差結(jié)果的影響較小,相應(yīng)地將平差模型作為非線性模型時,得到的參數(shù)估值偏差很小,量級為10-7,表4所提供的參數(shù)估值結(jié)果都與LS結(jié)果相差較?。槐?中方差分量估計方法都可以得到接近于平差前給定的方差分量,說明了方差分量估計方法的有效性;而由于參數(shù)估值偏差較小的原因,經(jīng)過偏差改正后得到的方差分量估值與未經(jīng)過偏差改正得到的方差分量估值接近一致,這也說明偏差大小與數(shù)據(jù)初始精度及模型的非線性強度有關(guān)[44]。

      (3) 算例3中,考慮觀測數(shù)據(jù)量級較小且觀測量的方差較大的四參數(shù)坐標轉(zhuǎn)換模型,表7中給出計算得到參數(shù)估值的偏差最大為0.017 362,參數(shù)的偏差百分比為1.34%,模型具有非線性形態(tài)且有必要考慮泰勒展開式的二階項[44],表7提供的參數(shù)估值與真值的差值范數(shù)中,經(jīng)過偏差改正后的方差分量估計得到的參數(shù)估值最接近于真值,相比于不考慮偏差改正的方差分量估計方法,更說明了偏差改正的必要性;從表8中的參數(shù)估值標準差可以看出,加入偏差改正后得到一階近似標準差要比不加偏差改正的小,而考慮泰勒級數(shù)展開的二階項時,二階近似要大于一階近似標準差,在線性化過程中忽略高次項時可能會舍去某些信息,而考慮了部分隨機量的隨機性的方法在理論上更加嚴密。

      4 結(jié)束語

      非線性模型在線性近似過程中會帶來模型誤差,導(dǎo)致得到的最小二乘估計的參數(shù)估值是有偏的。本文考慮了Partial EIV模型參數(shù)估值的偏差并得到偏差改正后的參數(shù)估值,在方差分量估計中,參數(shù)估值對觀測值改正數(shù)等有直接影響,進而影響方差分量估計的準確性。因此,本文將參數(shù)估計、偏差改正和方差分量估計作為整體進行迭代計算,將偏差改正后的參數(shù)估值代入方差分量估計中,從而獲得更加可靠的方差分量估值與參數(shù)估值。根據(jù)不同的平差模型及數(shù)據(jù)結(jié)構(gòu),當系數(shù)矩陣誤差與系數(shù)矩陣量級很大時,模型的非線性強度較低,參數(shù)估值的偏差必然很小,此時進行偏差改正得到的結(jié)果變化不大;當偏差較大時,進行偏差改正可以得到更好的結(jié)果;得到更加合理的方差分量估值對隨機模型進行修正,從而獲得更加合理的參數(shù)估值及精度信息,是對總體最小二乘理論的進一步完善。本文將偏差改正結(jié)合到方差分量估計中,然而并未對偏差量級對結(jié)果產(chǎn)生影響的程度進行分析,這也是今后將要開展的工作。

      猜你喜歡
      算例協(xié)方差估值
      巧用估值法
      不確定系統(tǒng)改進的魯棒協(xié)方差交叉融合穩(wěn)態(tài)Kalman預(yù)報器
      基于振蕩能量的低頻振蕩分析與振蕩源定位(二)振蕩源定位方法與算例
      一種基于廣義協(xié)方差矩陣的欠定盲辨識方法
      互補問題算例分析
      基于CYMDIST的配電網(wǎng)運行優(yōu)化技術(shù)及算例分析
      如何創(chuàng)業(yè)一年估值過十億
      豬八戒網(wǎng)為何估值過百億?
      100億總估值的煉成法
      燃煤PM10湍流聚并GDE方程算法及算例分析
      阳春市| 简阳市| 安塞县| 宁国市| 河间市| 丹阳市| 新邵县| 寻乌县| 太仓市| 白山市| 玉山县| 称多县| 徐州市| 舞钢市| 平昌县| 灌南县| 富裕县| 正蓝旗| 古交市| 德令哈市| 富源县| 重庆市| 元江| 木兰县| 淮南市| 虎林市| 梁山县| 广东省| 高要市| 竹溪县| 界首市| 襄汾县| 托里县| 昭平县| 湘阴县| 德兴市| 桃园市| 云阳县| 南召县| 和龙市| 昭苏县|