文章快速检索  
  高级检索
加权整体最小二乘EIO模型与算法
邓兴升1, 彭思淳1, 游扬声2     
1. 长沙理工大学交通运输工程学院, 湖南 长沙 410114;
2. 重庆大学土木工程学院, 重庆 400044
摘要:构造了加权整体最小二乘EIO(errors-in-observations)模型,只改正独立观测值,观测值协因数阵最简洁,可克服EIV模型缺陷。基于EIO模型推导了参数估计和协因数阵精确迭代算法,实例结果正确,计算效率高。
关键词加权整体最小二乘    EIO模型    参数估计    协因数阵    迭代算法    
Weighted total least square adjustment EIO model and its algorithms
DENG Xingsheng1, PENG Sichun1, YOU Yangsheng2     
1. School of Traffic and Transportation Engineering, Changsha University of Science & Technology, Changsha 410114, China;
2. School of Civil Engineering, Chongqing University, Chongqing 400044, China
Abstract: EIO (errors-in-observations) model is proposed for the weighted total least squares adjustment problem. The EIO model only corrects the independent observations. The observation cofactor matrix has the simplest structure. The flaw of EIV model is overcome. Based on the EIO model, the precise parameter estimation and cofactor matrix formulations are derived and proved by several examples, which show that the results are correct and the algorithm is efficient.
Key words: weight total least square (WTLS)    errors-in-observations (EIO) model    parameter estimation    cofactor matrix    iterative algorithm    

一些学者认为整体最小二乘EIV模型系数矩阵A存在结构性问题[1-4],一是含有非随机的常数项被误改正;二是含有相同元素被分配不同改正数。针对A中部分变量随机的结构性问题,有人提出采用Partial-EIV模型[4-6],将矩阵分解以避免改正非随机项并缩小计算量。本文研究发现EIV模型结构性问题并不存在,结构性问题是协因数阵QA不正确引起的。EIV模型解与A的结构无关,A的元素可相关,可为常数,可为观测量的函数,其位置可以任意分布。许多算法[7-9]均基于QA定权,但QA阶数是A中所有元素总数的平方,A元素较多时QA阶数过大,因此EIV模型在大数据量平差中迭代计算效率较低。由于EIV模型对矩阵A元素改正处理有缺陷,一些学者提出将观测向量与系数阵A中的随机元素统一至一个向量中进行处理[10-12],提出了TLS牛顿算法[10]、结构化TLS算法[11]、非典型EIV模型算法[12]。本文提出WTLS平差EIO模型,它只对平差问题中的独立观测值进行改正,观测值协因数阵是最简洁的对角阵,适用于独立平差,推导了参数估计迭代公式。由于TLS解具有非线性特征,不能直接求得精确方差,为了获得更精确的精度信息,一些学者提出基于误差传播定律的协因数迭代算法[13],以及基于无味变换原理的非线性误差传播方法[14]。前者是一种确定性方法,计算效率更高。本文基于EIO模型提出了QXX的精确迭代算法。

1 EIO模型 1.1 函数模型

误差方程如下

(1)

式中,LXV都是列向量;Lm维观测向量;Vn维(nm)独立观测改正数向量;Xu维未知参数向量;A为未知参数Xm×u阶系数矩阵;B为改正数向量Vm×n阶系数矩阵,B=diag([∂f(L, X)/Li]1m)= ivec(SBX+B0),SBB0为常系数阵,ivec表示反拉直运算,由mn×1向量转换为m×n阶矩阵。式(1)由EIV模型演变而来。由EIV模型

(2)

将误差矩阵EAe组成增广矩阵[EA  e],归类改写成一个系数矩阵B与独立观测值改正数向量V的矩阵乘积

(3)

式(3)反号即得式(1)。LA的改正矩阵VLVAV的关系为

(4)

式中,SLSA为设计系数矩阵。

1.2 随机模型
(5)

式中,ln阶扩展观测值矩阵;Vl矩阵的改正数向量;σ02是单位权方差;QllP分别是l矩阵对应的协因数矩阵及权矩阵

(6)

式中,QL为观测向量L的协因数矩阵;QA为vec(VA)的协因数矩阵。

2 参数估计 2.1 公式推导

目标方程为VTPV= min s.t. LAXBV=0,构造拉格朗日极值方程

(7)

矩阵A中不含改正数V。由式(3)可知BV=EAXe。由Φ分别对VX求偏导,得

(8)
(9)

=A+VA,联合式(1)、式(8)—式(9)可得

(10)

式(10)虽可求VXK混合矩阵,但需对n+m+u阶矩阵求逆。由式(8)得

(11)

将式(11)代入式(1)得

(12)

=(BP-1BT)-1,则

(13)

将式(13)代入式(9),设=L+VAX,则X的WTLS解为

(14a)

(14b)

其形式与经典LS解和文献[15]算法一致。由式(13)求K矩阵,并代入式(11)求矩阵V

(15)

本文算法与文献[15]算法之间不同点对比见表 1

表 1 本文算法与文献[15]算法对比 Tab. 1 Comparisons between FANG algorithm[15] and the proposed algorithm
项目 文献[15]算法 本文算法
函数模型 EIV、式(2) EIO、式(1)
随机模型 式(6)、QAQL 式(5)、Qll
Q阶数 m(u+1)×m(u+1) n×n
Q特征 非主对角矩阵 主对角矩阵
V定义 V=[vec(EA)  e]T V=[vl1vl2vln]T
V阶数 m(u+1)×1 n×1
B定义 B=[XTIn   -In] B=diag([∂f/Li]1m)
B阶数 m×m(u+1) m×n
平差方法 相关平差 独立平差
QXX 近似公式 迭代精确解
计算效率 小数据量无差异 大数据量时更优

2.2 迭代步骤

(1) 线性化形成误差方程式(1);

(2) 设置X初值,改正数V初值为0;矩阵的初值为A

(3) 将BPAL代入式(14)—式(15)中,求XV

(4) 将XV的新值用于更新B中对应元素;

(5) 重复步骤3—4,‖[X   V]i+1-[X   V]i‖≤ε(10-18)结束。

3 EIO模型精度评定 3.1 近似精度评定

单位权方差,其中m是观测向量L的阶数;u是参数X的阶数;Vn阶观测改正数向量,由式(15)计算;Pn阶权矩阵。

=L+e+BV=+BV;由式(14 b)可得近似QXX

(16)
3.2 QXX迭代精确解

XL、vec(A)构成(u+m+mu)×1阶矩阵Y,其协因数阵为

(17)

式中,AL不相关,即QLA=QAL=0。若QLQA已知,则QY

(18)

QY通过迭代求解,QY0初值虽可设置为0,但QX初值可由式(16)计算,QLQA初值由式(6)计算,其余协因数初值设为0。J为Jacobi矩阵

(19)

式中,因不相关JLX=JLA=JAX=JAL=0;JLLm阶单位矩阵;JAAmu阶单位矩阵;。求偏导时需对逆矩阵求导,由d(AA-1)= d(I)=0得d(A-1)=-A-1 d(A)A-1

,由式(14a)对xi求偏导得

(20)

式中,由可得

B=SB·X+B0;由

由式(14a)对li求偏导得

(21)

式中,

由式(14a)对aij求偏导得

(22)

式中,

符号含义:c为规范化单位向量,uci=[0    …   0    1    0   …    0]T,第i行为1,其余为0;mcj=[0    …   0   1   0    …   0]T,第j行为1,其余为0;cijm×u阶矩阵,表示第i行第j列为1,其余为0。

迭代算法求QX精确解的步骤如下:

(1) 设置QY0初值,设置容许误差ε(10-18)及迭代次数Tn(100);

(2) 计算偏导数及Jacobi矩阵J

(3) 以QY(k+1)=JQY(k)JT更新QY值;

(4) 如果||QY(k+1)QY(k)||>ε重复步骤3,满足收敛条件步骤5;

(5) 从QY中提取QX

4 实例计算 4.1 直线拟合

本例引自文献[16]直线拟合实例,数据见原文。直线方程为y+vy=k(x+vx)+b,误差方程形式为。Neri参数[16]真值k为-0.480 533 407,b为5.479 910 22;本文算法迭代8次,结果与真值及文献[6, 17]一致,但文献[16]算法迭代585次,效率较低。单位权方差δ02为1.483 294 149 316;δk2近似解为0.004 987 222 5,δb2近似解为0.129 058 064,与文献[6, 17]结果一致。迭代11次,精确解δk2为0.004 924 075 2,δb2为0.126 413 995 5。

4.2 平面四参数解算

本实例来自文献[17],坐标参见原文表4,权数据参见原文式(39)。平面四参数坐标转换模型为

式中,(xi, yi)为源坐标;(Xi, Yi)为目标坐标;x0y0为平移参数;ab为旋转参数。误差方程形式为。文献[17]参数结果x0为29.770 065 573,y0为19.717 128 429 7,a为0.999 884 750 16,b为-6.693 26e-5;本文算法迭代3次结果与其一致。单位权方差δ02为0.151 578 658 1;近似解δx02为0.005 440 646 1,δy02为0.006 942 701 9,δa2为7.0e-9,δb2为5.5 e-9,与文献[6, 17]一致。迭代5次精确解δx02为0.005 440 702 56,δy02为0.006 942 689 54,δa2为6.954 64e-9,δb2为5.485 56e-9。

5 结论

EIO模型只改正独立观测值,协因数阵最简洁,适用于大规模独立平差,可克服EIV模型缺陷。基于EIO模型的参数估计和协因数阵精确迭代算法,实例结果正确,计算效率高。


参考文献
[1] 姚宜斌, 黄书华, 张良, 等. 求解三维坐标转换参数的整体最小二乘新方法[J]. 武汉大学学报(信息科学版), 2015, 40(7): 853–857.
YAO Yibin, HUANG Shuhua, ZHANG Liang, et al. A new method of TLS for solving the parameters of three-dimensional coordinate transformation[J]. Geomatics and Information Science of Wuhan University, 2015, 40(7): 853–857.
[2] 王乐洋, 郑玄威, 申兴林, 等. 坐标转换Partial-EIV总体最小二乘方法[J]. 测绘工程, 2015, 24(12): 12–16.
WANG Leyang, ZHENG Xuanwei, SHEN Xinglin, et al. Partial-EIV total least squares method for coordinate transformation[J]. Engineering of Surveying and Mapping, 2015, 24(12): 12–16. DOI:10.3969/j.issn.1006-7949.2015.12.003
[3] 刘经南, 曾文宪, 徐培亮. 整体最小二乘估计的研究进展[J]. 武汉大学学报(信息科学版), 2013, 38(5): 505–512.
LIU Jingnan, ZENG Wenxian, XU Peiliang. Overview of total least squares methods[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 505–512.
[4] 曾文宪.系数矩阵误差对EIV模型平差结果的影响研究[D].武汉: 武汉大学, 2013: 17-19.
ZENG Wenxian. Effect of the random design matrix on adjustment of an EIV model and its reliability theory[D]. Wuhan: Wuhan University, 2013: 17-19. http://cdmd.cnki.com.cn/Article/CDMD-10486-1013210882.htm
[5] XU Peiliang, LIU Jingnan, SHI Chuang. Total least squares adjustment in partial errors-in-variables models:Algorithm and statistical analysis[J]. Journal of Geodesy, 2012, 86(8): 661–675. DOI:10.1007/s00190-012-0552-9
[6] 王乐洋, 余航, 陈晓勇. Partial EIV模型的解法[J]. 测绘学报, 2016, 45(1): 22–29.
WANG Leyang, YU Hang, CHEN Xiaoyong. An algorithm for partial EIV model[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(1): 22–29. DOI:10.11947/j.AGCS.2016.20140560
[7] FANG Xing. A total least squares solution for geodetic datum transformations[J]. Acta Geodaetica et Geophysica, 2014, 49(2): 189–207. DOI:10.1007/s40328-014-0046-8
[8] FANG Xing. Weighted total least-squares with constraints:a universal formula for geodetic symmetrical transformations[J]. Journal of Geodesy, 2015, 89(5): 459–469. DOI:10.1007/s00190-015-0790-8
[9] JAZAERI S, SCHAFFRIN B, SNOW K. On weighted total least-squares adjustment with multiple constraints and singular dispersion matrices[J]. Zfv, 2014, 139(4): 229–240.
[10] ZHOU Yongjun, KOU Xinjian, ZHU Jianjun, et al. A Newton algorithm for weighted total least-squares solution to a specific errors-in-variables model with correlated measurements[J]. Studia Geophysica et Geodaetica, 2014, 58(3): 349–375. DOI:10.1007/s11200-013-0254-7
[11] ZHOU Yongjun, KOU Xinjian, LI J, et al. Comparison of structured and weighted total least-squares adjustment methods for linearly structured errors-in-variables models[J]. Journal of Surveying Engineering, 2017, 143(1): 04016019. DOI:10.1061/(ASCE)SU.1943-5428.0000190
[12] MAHBOUB V, ARDALAN A A, EBRAHIMZADEH S. Adjustment of non-typical errors-in-variables models[J]. Acta Geodaetica et Geophysica, 2015, 50(2): 207–218. DOI:10.1007/s40328-015-0109-5
[13] AMIRI-SIMKOOEI A R, ZANGENEH-NEJAD F, ASGARI J. On the covariance matrix of weighted total least-squares estimates[J]. Journal of Surveying Engineering, 2016, 142(3): 04015013. DOI:10.1061/(ASCE)SU.1943-5428.0000153
[14] WANG Leyang, ZHAO Yingwen. Unscented transformation with scaled symmetric sampling strategy for precision estimation of total least squares[J]. Studia Geophysica et Geodaetica, 2017, 61(3): 385–411. DOI:10.1007/s11200-016-1113-0
[15] FANG Xing. Weighted total least squares:necessary and sufficient conditions, fixed and random parameters[J]. Journal of Geodesy, 2013, 87(8): 733–749. DOI:10.1007/s00190-013-0643-2
[16] NERI F, SAITTA G, CHIOFALO S. An accurate and straightforward approach to line regression analysis of error-affected experimental data[J]. Journal of Physics E:Scientific Instruments, 1989, 22(4): 215–217. DOI:10.1088/0022-3735/22/4/002
[17] JAZAERI S, AMIRI-SIMKOOEI A R, SHARIFI M A. Iterative algorithm for weighted total least squares adjustment[J]. Survey Review, 2014, 46(334): 19–27. DOI:10.1179/1752270613Y.0000000052
http://dx.doi.org/10.11947/j.AGCS.2019.20170021
中国科学技术协会主管、中国测绘地理信息学会主办。
0

文章信息

邓兴升,彭思淳,游扬声
DENG Xingsheng, PENG Sichun, YOU Yangsheng
加权整体最小二乘EIO模型与算法
Weighted total least square adjustment EIO model and its algorithms
测绘学报,2019,48(7):926-930
Acta Geodaetica et Cartographica Sinica, 2019, 48(7): 926-930
http://dx.doi.org/10.11947/j.AGCS.2019.20170021

文章历史

收稿日期:2017-01-12
修回日期:2017-05-10

相关文章

工作空间