GPS监测网基准点位移及观测粗差的抗差估计方法

根据GPS监测网中基准点位移和观测值粗差联合影响的误差方程 ,提出可以将基准点位移看做是一种特殊的观测值粗差 ,从而对二者进行联合处理的抗差估计模型。通过模拟计算 ,该模型较好地解决了基准点位移和观测值粗差对变形分析结果影响的问题。

卡尔曼滤波粗差探测在GPS变形监测中的应用

在GPS变形监测中,由于受到周跳、SA政策、整周模糊度解算误差及其多路径效应的影响,致使观测数据中含有粗差。用标准卡尔曼滤波方法进行数据处理时,观测数据中的粗差会在卡尔曼滤波预测残差中得到反映。通过结合标准卡尔曼滤波模型与拟准检定法检测,找出并剔除粗差,处理得到正确的结果,并列举了实例证明该方法的实用性。

渐进性优化的尺度自适应Cauchy稳健估计模型及其应用

稳健估计技术在几何建模与平差处理中至关重要。传统加权迭代法无法处理高粗差比率(≥50%)问题;随机采样一致性方法(RANSAC)仅能获得近似解且时间复杂度高。本文提出一种渐进优化的尺度自适应Cauchy稳健估计模型。首先,通过在Cauchy核函数中引入控制参数(尺度因子)来调节其稳健性;其次,利用控制参数过滤掉一部分大残差观测值,降低真实粗差比率。所提模型采用由粗到精的迭代加权最小二乘法(IRLS)进行渐进优化,在迭代过程中不断减小控制参数来提升模型对高粗差比率的稳健性。同时,本文给出了其在经典摄影测量任务中的应用,包括误匹配剔除、后方交会及点云配准。试验结果表明,对非对抗性粗差(non-adversarial outliers),该模型能有效处理高达80%的粗差点并且其运行效率比RANSAC快2~3个数量级。