抗差加权总体最小二乘算法及其在矿区高程拟合中的应用

文中针对矿区高程异常参数求解中，传统最小二乘系数矩阵易受观测值误差影响、总体最小二乘难以抵抗粗差等缺陷，提出一种抗差加权总体最小二乘算法。采用模拟和矿区实测数据对算法进行验证，结果表明：该算法既能削弱系数矩阵受观测值误差影响，也能较好抵抗观测粗差，极大提高了解算结果的精度与可靠性。

基于精度因子与距离残差的加权最小二乘算法在DTMB辅助北斗定位中的应用

北斗三号系统已完成建设,该系统可以在空旷的室外提供较为准确的定位信息。但是在城市峡谷区域,北斗信号会受到遮挡。当能够提供有效定位信息的北斗卫星数目逐渐减少时,利用北斗卫星进行定位得到的定位结果偏差会逐渐增大。本文针对以上问题,在采用地面数字多媒体广播信号辅助北斗定位的基础上,利用基于精度因子与距离残差的加权最小二乘算法进行定位,相比于利用最小二乘算法进行定位,定位精度提高了40%~50%。本文提出的算法对于解决定位基站数目不足时增加其他不同类型基站来进行辅助定位的问题具有借鉴作用。

基于约束总体最小二乘法的超宽带掘进机定位算法研究

为推进煤矿巷道内掘进机自主定位和定向综掘无人化作业,针对定位时传感器之间由于系统同步时钟偏差引起的定位误差问题,以及由于最小二乘法本身的降正则化特性引起系数矩阵严重病态,表现为系数矩阵中的微小误差会导致定位结果产生巨大偏移的问题。提出了一种基于超宽带的到达时间差(TDOA)约束总体最小二乘法(CTLS)的定位算法:将TDOA非线性观测方程组做线性化处理,结合系统误差在观测方程组的分布特性,采用CTLS算法得到经优化后的目标函数,通过牛顿迭代法得到目标位置估计。实验结果表明,在TDOA测量误差较小的条件下,目标位置估计精度能够接近克拉美罗下限(CRLB)。

不同加权总体最小二乘算法在坐标转换中的应用与分析

介绍了三种求解变量含误差模型的加权总体最小二乘算法,分别为Xu算法、Fang算法和Zhou算法。由实测数据与模拟数据,将这三种算法应用于坐标转换模型,通过模型参数的求解,分析三种算法的区别与联系。

加权总体最小二乘法在三维框架转换中的应用

国际地球参考框架转换是小角度直角坐标转换,一般采用布尔莎七参数模型通过最小二乘方法求解。针对坐标转换中存在系数矩阵有常数元素和重复元素的情况,提出适用于ITRF转换的加权结构总体最小二乘方法。该方法考虑坐标先验精度,构造了顾及系数矩阵结构性的矩阵,确保重复元素具有相同的改正数,并使用拉格朗日乘数法迭代求解。实际数据解算转换参数结果显示,该算法的精度和准确度优于传统方法。

加权总体最小二乘的效率优化算法

加权总体最小二乘法是理论上估计EIV模型参数相对严密的方法,其迭代过程中涉及的矩阵运算较为耗时,在处理大量级数据时尤其明显。PEIV模型有助于提高加权总体最小二乘法的计算效率。本文基于PEIV模型和经典最小二乘准则给出了一种加权总体最小二乘法算法,算法的推导过程简洁,易于理解,迭代过程中无需重构矩阵,减少了矩阵运算量。最后通过仿真试验验证了算法的可靠性。试验结果表明,本文算法可以取得与现有算法相同的参数估计精度且计算效率更高。

加权总体最小二乘平差的改进算法

当观测向量和系数矩阵不等精度时,利用系数矩阵元素和观测向量之间的映射关系,通过误差传播定律推导了系数矩阵的协因数阵,算例结果表明,改进的加权总体最小二乘法能够得到正确、合理的参数,且本文方法简单、实用。

大规模加权总体最小二乘问题的迭代算法

变量含误差(EIV)模型常常用加权总体最小二乘方法估计参数,但是当系数矩阵为大规模稀疏阵时,该算法会花费较大的计算量和存储空间.为了控制存储和计算量,提出了一种基于加权Rayleigh商的迭代算法.数值算例表明,与经典的总体最小二乘算法相比,新算法减少了计算量和存储空间,并且能更好地估计参数.

加权总体最小二乘在三维激光标靶拟合中的应用

针对平面标靶和球标靶拟合中最小二乘方法和总体最小二乘方法存在的问题,提出了一种加权总体最小二乘的拟合方法,根据点云激光反射强度以及对系数阵A列向量部分修正引入权阵P、PX、P0,建立较LS方法和TLS方法更加合理的模型,并给出相应的迭代算法。经实例计算证明加权总体最小二乘方法更加合理,可以获得更高精度的参数解。

加权总体最小二乘在三维基准转换中的应用

对比研究加权总体最小二乘(weighted total least-squares,WTLS)方法和混合最小二乘(LS-TLS)方法、最小二乘(least-squares,LS)方法在三维空间小角度直角坐标转换中的适用性。在两套坐标系下坐标测量值均存在误差时,用WTLS方法不但可以对观测向量y和系数矩阵A同时修改、将坐标先验精度引入平差计算,而且引入的权阵PA对系数阵A起到固定常数元素而只修改必要数据元素的作用,以得到更合适的参数解。

基于最小二乘原理的多传感器加权融合算法

以存在随机扰动环境中的不同参数多传感器为研究对象 ,基于最小二乘原理 ,提出了一种加权融合算法 ,推导出各传感器的权系数与测量方差的关系。并且根据测量信息 ,提出了一种方差估计学习算法 ,实现对各传感器测量方差的估计 ,从而对各传感器的权值进行合理的分配。该算法简单 ,能快速。

基于加权总体最小二乘法的GPS高程拟合

在GPS高程拟合中,针对传统最小二乘方法不能解决系数矩阵存在误差的问题,提出了一种基于加权总体最小二乘的拟合方法。对平面和二次曲面多项式建立更加合理的拟合模型,并给出了相应的迭代算法。实例计算表明,加权最小二乘方法能够得到更好的估计参数,高程异常值拟合精度也相应提高。

基于加权总体最小二乘的平面点云拟合方法

根据每个点云激光反射强度不同以及对于系数阵A的部分修正,在地面三维激光的平面点云拟合中引入加权总体最小二乘的方法,建立较最小二乘方法和总体最小二乘方法更加合理的模型。根据相应的迭代算法,经实例计算证明该方法更加合理,可以获得更高精度的参数解。

加权总体最小二乘点云平面拟合定权方法探讨

针对加权总体最小二乘点云数据平面拟合方法中缺少统一定权准则的问题,提出以先验入射角及距离定权两种方法。利用稳健估计构造了基于强度值定权的稳健加权最小二乘、基于先验入射角定权的加权最小二乘与基于距离定权的加权最小二乘3种新的平面拟合算法,并应用于拟合扫描不同反射材质获取的平面点云数据。算例表明,以距离定权构造的距离加权总体最小二乘法的各项精度指标均优于其他算法,拟合效果最好。

病态总体最小二乘模型的正则化算法

当线性观测方程的观测向量与设计矩阵均包含随机误差时,需要采用总体最小二乘法进行参数估计,但传统的总体最小二乘无法处理病态问题,需要进行正则化处理。根据Tikhonov正则化原理,导出了等权总体最小二乘正则化解法的计算公式,并提出了用数值方法估计正则化解方差-协方差阵的方法。采用第一类Fredholm积分方程的算例验证了正则化总体最小二乘算法。结果表明:采用的设计矩阵和常数项向量都含有观测误差时,该算法能明显改善估值的精度。

曲线数据压缩的总体最小二乘算法

在曲线数据压缩的Ramer-Douglas-Peucker(RDP)算法中,只有那些垂距大于限差的点得以保留,而原始曲线上所有其他点则会被删除,这就使得压缩后的数据在保留点和删除点处精度不一致.通过采用总体最小二乘法对原始数据进行分段拟合,提高了压缩数据的精度.实验结果表明,与RDP算法相比,该算法可以更好地逼近原始数据,特别是当给定限差较大时,相对RDP算法的精度改善更为明显.

一种优化的自适应总体最小二乘系统辨识算法

对于监督信号和训练信号都含有噪声的系统辨识问题,如果采用经典的最小均方和迭代最小二乘算法进行估计,会带来较大的误差,而直接求解又会有较大的计算量,不利于在线计算。将权向量的求解转化为增广输入向量自相关矩阵瑞利商的受限最佳化问题,对增广输入向量进行迭代估计,同时建立了步长因子和误差信号间的函数关系,这个函数关系是建立在代价函数相对于步长梯度的基础上,而不是基于经验公式。所提算法结构简单,具有更好的稳健性,仿真表明这种算法相对于同类总体最小二乘算法和其他自适应算法有更快的收敛速度和更高的收敛精度。

基于加权总体最小二乘法的点云平面拟合

为了提高点云数据平面拟合精度,提出强度加权总体最小二乘法。该方法是在传统加权总体最小二乘法基础上,利用点云数据中各点强度信息确定其平面拟合权重,通过均质性不同的3种平面样本数据对该方法的适用性进行了研究。结果表明,与最小二乘法和总体最小二乘方法相比,该方法对于均质性较好的点云数据有效,可以得到更高精度的参量解;而对于均质性较差的点云数据,该方法效果不理想,总体最小二乘法是最有效方法。

基于约束总体最小二乘算法的接地网故障诊断新模型

针对变电站接地网实际敷设情况往往与施工图纸有所出入、可能造成诊断结果具有较大误差的情况,在传统电路诊断模型的基础上考虑了接地网腐蚀特性,即地理位置越接近的导体被腐蚀的程度越相近,并提出局部差异性腐蚀指标表示支路电阻腐蚀倍数的相近程度,从而建立了接地网故障诊断的增广线性模型,同时运用基于奇异值分解法分解的最佳降秩逼近定理解决模型中方程组等式两端的不相容性.为校正诊断模型中存在的扰动对诊断结果的影响,采用了基于约束总体最小二乘算法的优化算法,对明晰支路和模糊支路分别迭代,在已知设计模型与实际支路敷设有偏差的情况下得出了较为满意的解.仿真计算结果验证了所提方法的正确性和有效性.

基于总体最小二乘算法的多站无源定位

将总体最小二乘算法应用于多站无源定位中,分别提出了基于角度估计的总体最小二乘算法,基于时差估计的总体最小二乘算法以及基于角度和时差估计的总体最小二乘算法。算法首先把非线性的观测方程转化为伪线性的观测方程,然后构造增广矩阵,并对该矩阵进行奇异值分解即可估计出目标位置,因此无需迭代计算或者获得目标位置的粗略估计,仿真结果表明该算法具有较高的定位精度。