在大地测量数据处理问题中,许多参数的先验信息往往被忽略,以致平差模型的不适定性无法减弱,获得的结果不唯一、不可靠。病态问题在大地测量中较为常见,一般将参数的某些先验信息加以等式或者不等式约束进行处理[1-5]。病态问题常用的处理方法是岭估计[6]和奇异值分解法[7]。谢建等[8]在研究等式约束对平差模型病态性消除或减弱的作用时,从一个新的角度出发,提出了消除部分参数,将等式约束病态问题转化为无约束问题的方法。王乐洋等[9]运用虚拟观测法解决病态整体最小二乘算法,效果显著。
有时通过前期的数据处理已能大致确定参量的误差范围,如用误差椭圆表示点位误差。这些参数范围其实就是一种先验信息,可将其纳入平差模型进行求解。目前在测量平差领域,利用参数范围约束的理论尚不成熟,而实际工程应用中会遇到这类情形。针对此问题,本文提出一种带椭球约束的平差算法,给出参数求解的步骤,并用数值模拟实验和病态的测边网数据处理验证该算法的有效性,拓展现有的误差理论和研究方法。
1 带椭球约束的平差算法对于一般的平差模型:
$ \left\{ \begin{array}{l} \mathit{\boldsymbol{L}} = \mathit{\boldsymbol{AX}} + \mathit{\boldsymbol{e}}\\ \mathit{\boldsymbol{e}} \sim \left( {0,{\sigma ^2}\mathit{\boldsymbol{Q}}} \right) \end{array} \right. $ | (1) |
式中,Q为协因数阵(Q=P-1,P为权阵),在线性条件下,Qii>0,故存在唯一正定对称阵
$ \left\{ \begin{array}{l} \mathit{\boldsymbol{\tilde L}} = \mathit{\boldsymbol{\tilde AX}} + \mathit{\boldsymbol{\tilde e}}\\ \mathit{\boldsymbol{\tilde e}} \sim \left( {0,{\sigma ^2}\mathit{\boldsymbol{I}}} \right) \end{array} \right. $ | (2) |
对式(1)求最小二乘解,即
$ \begin{array}{*{20}{c}} {f\left( \mathit{\boldsymbol{X}} \right) = \min \left( {\left\| {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right\|_P^2} \right) = }\\ {\min \left( {{{\left( {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right)}^{\rm{T}}}\mathit{\boldsymbol{P}}\left( {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right)} \right)} \end{array} $ | (3) |
对式(1)解向量的每个分量加入如下约束:
$ \left| {{X_i}} \right| \le {r_i} $ | (4) |
可以认为式(4)是式(1)上所加的参数区间约束。另外对于区间不关于零点对称的情形,即li<Xi<ui时,作如下变形:令ci=
对于加入式(4)约束的这类问题,可将其转化为不等式约束进行求解,而本文尝试用一种数理统计的新方法将式(4)进行变形:
$ \sum\limits_{i = 0}^n {{{\left( {\frac{{{X_i}}}{{{r_i}}}} \right)}^2}} \le n $ | (5) |
对任意i=1, 2, …, n,令mi=
$ \sum\limits_{i = 0}^n {{{\left( {\frac{{{X_i}}}{{{m_i}}}} \right)}^2}} \le 1 $ | (6) |
写成矩阵形式:
$ {\mathit{\boldsymbol{X}}^{\rm{T}}}\mathit{\boldsymbol{MX}} \le 1 $ | (7) |
式中,
$ \left\{ \begin{array}{l} \mathit{\boldsymbol{L}} = \mathit{\boldsymbol{AX}} + \mathit{\boldsymbol{e}},\mathit{\boldsymbol{e}} \sim \left( {0,{\sigma ^2}\mathit{\boldsymbol{Q}}} \right)\\ {\mathit{\boldsymbol{X}}^{\rm{T}}}\mathit{\boldsymbol{MX}} \le 1 \end{array} \right. $ | (8) |
下面解决模型(8)的参数求解问题:
1) 当f(X)的极小值满足XTMX≤1时,则该极小值为问题的解;
2) 当f(X)的极小值使得XTMX>1时(在设计矩阵病态时,总会出现这种情况),由式(7)可知,问题的约束解在椭球边界上取得,于是上述问题转化为在椭球面上求取最小二乘解的问题:
$ \left\{ \begin{array}{l} f\left( \mathit{\boldsymbol{X}} \right) = \min \left( {\left\| {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right\|_P^2} \right) = \\ \;\;\;\;\min \left( {{{\left( {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right)}^{\rm{T}}}\mathit{\boldsymbol{P}}\left( {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right)} \right)\\ {\mathit{\boldsymbol{X}}^{\rm{T}}}\mathit{\boldsymbol{MX}} = 1 \end{array} \right. $ | (9) |
对式(9),使用拉格朗日乘数法得到:
$ \begin{array}{*{20}{c}} {F\left( {\mathit{\boldsymbol{X}},\lambda } \right) = }\\ {{{\left( {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right)}^{\rm{T}}}\mathit{\boldsymbol{P}}\left( {\mathit{\boldsymbol{L}} - \mathit{\boldsymbol{AX}}} \right) + \lambda \left( {{\mathit{\boldsymbol{X}}^{\rm{T}}}\mathit{\boldsymbol{MX}} - 1} \right)} \end{array} $ | (10) |
式(10)两边分别对X和λ求偏导:
$ \frac{{\partial F\left( {\mathit{\boldsymbol{X}},\lambda } \right)}}{{\partial \mathit{\boldsymbol{X}}}} = - 2{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PL}} + 2{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PAX}} + 2\lambda \mathit{\boldsymbol{MX}} $ | (11) |
$ \frac{{\partial \mathit{\boldsymbol{F}}\left( {\mathit{\boldsymbol{X}},\lambda } \right)}}{{\partial \lambda }} = {\mathit{\boldsymbol{X}}^{\rm{T}}}\mathit{\boldsymbol{MX}} - 1 $ | (12) |
令式(11)和(12)等于0,得到:
$ \left\{ \begin{array}{l} \left( {{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PA}} + \lambda \mathit{\boldsymbol{M}}} \right)\mathit{\boldsymbol{X}} = {\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PL}}\\ {\mathit{\boldsymbol{X}}^{\rm{T}}}\mathit{\boldsymbol{MX}} = 1 \end{array} \right. $ | (13) |
根据式(13)的第1式,有:
$ \mathit{\boldsymbol{X}} = {\left( {{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PA}} + \lambda \mathit{\boldsymbol{M}}} \right)^{ - 1}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PL}} $ | (14) |
但XTMX>1,存在正交矩阵S(即SST=I,I为单位阵),使得:
$ \begin{array}{*{20}{c}} {{\mathit{\boldsymbol{S}}^{\rm{T}}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PAS}} = \mathit{\boldsymbol{ \boldsymbol{\varLambda} }} = {\rm{diag}}\left( {{a_1},{a_2}, \cdots ,{a_n}} \right),{a_i} > 0,}\\ {i = 1,2, \cdots ,n} \end{array} $ | (15) |
式(14)等价变为:
$ \begin{array}{*{20}{c}} {\mathit{\boldsymbol{X}} = {{\left[ {{{\left( {{\mathit{\boldsymbol{S}}^{\rm{T}}}} \right)}^{ - 1}}{\mathit{\boldsymbol{S}}^{\rm{T}}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PAS}}{\mathit{\boldsymbol{S}}^{ - 1}} + {{\left( {{\mathit{\boldsymbol{S}}^{\rm{T}}}} \right)}^{ - 1}}{\mathit{\boldsymbol{S}}^{\rm{T}}}\lambda \mathit{\boldsymbol{MS}}{\mathit{\boldsymbol{S}}^{ - 1}}} \right]}^{ - 1}} \cdot }\\ {{\mathit{\boldsymbol{A}}^{\rm{T}}}{\mathit{\boldsymbol{P}}^{\rm{T}}}\mathit{\boldsymbol{AS}}{\mathit{\boldsymbol{S}}^{\rm{T}}}{{\left( {{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PA}}} \right)}^{ - 1}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PL}} = }\\ {{{\left[ {{{\left( {{\mathit{\boldsymbol{S}}^{\rm{T}}}} \right)}^{ - 1}}\left( {{\mathit{\boldsymbol{S}}^{\rm{T}}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PAS}} + {\mathit{\boldsymbol{S}}^{\rm{T}}}\lambda \mathit{\boldsymbol{MS}}} \right){\mathit{\boldsymbol{S}}^{ - 1}}} \right]}^{ - 1}} \cdot }\\ {{\mathit{\boldsymbol{A}}^{\rm{T}}}{\mathit{\boldsymbol{P}}^{\rm{T}}}\mathit{\boldsymbol{AS}}{\mathit{\boldsymbol{S}}^{\rm{T}}}{{\left( {{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PA}}} \right)}^{ - 1}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PL}}} \end{array} $ | (16) |
进而转化为:
$ \begin{array}{*{20}{c}} {\mathit{\boldsymbol{X}} = \mathit{\boldsymbol{S}}{{\left( {{\mathit{\boldsymbol{S}}^{\rm{T}}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PAS}} + {\mathit{\boldsymbol{S}}^{\rm{T}}}\lambda \mathit{\boldsymbol{MS}}} \right)}^{ - 1}}{\mathit{\boldsymbol{S}}^{\rm{T}}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PAS}}{\mathit{\boldsymbol{S}}^{\rm{T}}} \cdot }\\ {{{\left( {{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PA}}} \right)}^{ - 1}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PL}} = \mathit{\boldsymbol{S}}{{\left( {\mathit{\boldsymbol{ \boldsymbol{\varLambda} }} + {\mathit{\boldsymbol{S}}^{\rm{T}}}\lambda \mathit{\boldsymbol{MS}}} \right)}^{ - 1}}\mathit{\boldsymbol{ \boldsymbol{\varLambda} }}{\mathit{\boldsymbol{S}}^{\rm{T}}}{\mathit{\boldsymbol{b}}_{{\rm{LS}}}}} \end{array} $ | (17) |
式中,bLS=(ATPA)-1ATPL。
注意到,当M=I时,X=S(Λ+λI)-1ΛSTbLS=(ATPA+λI)-1ATPL为通常的岭估计,但式(17)中的λ依赖于样本,不再是常数,故称之为广义型岭估计[10],属于自适应岭估计。下面介绍关于岭参数λ的求解方法。
根据式(13)中的第1式得λMX=ATPL-ATPAX,然后在等式两边左乘XT,得到λXTMX=ATATPL - XTATPAX。由于XTMX=1,故:
$ \lambda = {\mathit{\boldsymbol{X}}^{\rm{T}}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PL}} - {\mathit{\boldsymbol{X}}^{\rm{T}}}{\mathit{\boldsymbol{A}}^{\rm{T}}}\mathit{\boldsymbol{PAX}} $ | (18) |
结合式(17)可以看出,λ需要迭代求解。下面给出利用带椭球约束的平差算法的具体步骤:
1) 利用先验信息确定参数上下界u和l;
2) 中心化u和l,得到c和新观测向量L-Ac;
3) 利用求特征值和特征向量的方法得到S和Λ;
4) 设定λ的初值(如λ0=0,λ1=1)和限值e=10-5;
5) 判断|λn+1-λn|<e是否成立,若成立跳至7),若不成立进行6);
6) λn代入式(17),得到Xn+1,然后将Xn+1代入式(18),得到λn+1,回到5);
7) 取出Xn+1,得到最终解X=Xn+1+c。
在上述步骤中,利用先验信息确定参数上下界u和l是实施椭球约束平差算法的前提和务必解决的问题,但由于先验信息本身存在较多的不确定性,在实际应用中大多采用经验模式来处理。本文在经验模式的基础上,针对具有前期数据处理结果以及经验信息的实例,给出确定参数上下界的方法和建议。
2 数值模拟实验选取文献[11]中的一个例子进行实验:
$ \left[ {\begin{array}{*{20}{c}} 1&{\frac{1}{2}}&{\frac{1}{3}}&{\frac{1}{2}}\\ {\frac{1}{2}}&{\frac{1}{3}}&{\frac{1}{4}}&{\frac{1}{5}}\\ {\frac{1}{3}}&{\frac{1}{4}}&{\frac{1}{5}}&{\frac{1}{6}}\\ {\frac{1}{4}}&{\frac{1}{5}}&{\frac{1}{6}}&{\frac{1}{7}} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{x_1}}\\ {{x_2}}\\ {{x_3}}\\ {{x_4}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {\frac{{25}}{{12}}}\\ {\frac{{77}}{{60}}}\\ {\frac{{19}}{{20}}}\\ {\frac{{319}}{{420}}} \end{array}} \right] $ |
其中,系数矩阵的条件数为1.55×104,所以该线性方程组属于病态方程组。本例的精确解为
![]() |
表 1 参数的计算结果 Tab. 1 Results of parameters |
可以看到,由于系数矩阵的病态性,最小二乘解严重失真,‖
除上述1组上下界外,另外选择4组上下界,同时计算参数解,结果见表 2。
![]() |
表 2 参数不同的上下界对应解的结果 Tab. 2 The results corresponding to different upper and lower bound of parameters |
从前3组上下界可以看出,中心向量均为c=[1 1 1 1]T,这刚好与真值
实验数据来源于文献[12]的测边网。图 1为该测边网,图中黑色实心点为10个已知点(三维坐标已知),2个空心点(P11,P12)为待测点(真值为P11=(68, -26, 9),P12=(14, 41, -11)),2个待测点间的观测距离为88.340 2 m,分别从已知点向待测点进行等精度测边,共计测边20条,观测数据见表 3。另外根据前几期观测结果(非同一测边网),得到观测值与真值的分布情况(图 2,左侧图中的实心点为真值,空心点为前期观测值;右侧图表示前期高程方向观测值与真值之差),用来确定点位变化范围。测边网平差时需要待测点的近似坐标,令P110=(68.01, -25.99, 8.98),P120=(14.02, 40.99, -11.01),同时根据先验信息并且按照数值模拟实验部分的参数范围选取建议,确定点位三维误差范围均为(-0.05, 0.05),单位为m。
![]() |
图 1 测边网网型构成(水平面视图) Fig. 1 Net type structure of trilateration network (view of horizontal) |
![]() |
表 3 已知点坐标和测边长度 Tab. 3 Coordinates of known points and length of sides |
![]() |
图 2 前期观测的先验信息 Fig. 2 Prior information of previous measurement |
平差过程中发现,法方程系数阵的条件数为1.003 6×105,说明该问题属于严重病态问题,最小二乘解会失真。根据点位三维误差范围提供的先验信息,运用上节介绍的带椭球约束的平差算法对待测点坐标进行求解。为了验证该算法的有效性,采用岭估计、奇异值分解以及不等式约束(罚函数法)对该问题进行解算。
实验结果见表 4,表中,‖ΔX‖=‖
![]() |
表 4 LS、岭估计、奇异值分解、不等式约束与新算法结果比较 Tab. 4 Results comparison among LS, ridge estimation, SVD, inequality constraints and new algorithm |
本文针对参数带有范围先验信息的情形,提出带椭球约束的平差算法,将这种先验信息纳入平差模型中,通过数值模拟实验和病态测边网的数据处理,得到以下结论:
1) 2个实验结果都证明了带椭球约束的平差算法能有效地改善病态解,这种算法与不等式约束最大的区别是:没有一种有效的方法能完全等价地将椭球约束转化为不等式。从系数矩阵的病态性出发,实验结果也体现出附加不等式约束对病态解的改善力度不大。
2) 岭估计和SVD主要从数学角度改善病态方程的解,一般的岭估计中岭参数为常数,本文算法中的岭参数随具体的椭球约束条件变化,而这个条件来自于先验信息,更符合实际情形。从实验结果来看,带椭球约束的平差算法所求解的精度也高于岭估计和SVD。
[1] |
朱建军, 谢建. 附不等式约束平差的一种简单迭代算法[J]. 测绘学报, 2011, 40(2): 209-212 (Zhu Jianjun, Xie Jian. A Simple Iterative Algorithm for Inequality Constrained Adjustment[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(2): 209-212)
( ![]() |
[2] |
宋迎春, 左廷英, 朱建军. 带有线性不等式约束平差模型的算法研究[J]. 测绘学报, 2008, 37(4): 433-437 (Song Yingchun, Zuo Tingying, Zhu Jianjun, et al. Research on Algorithm of Adjustment Model with Linear Inequality Constrained Parameters[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(4): 433-437 DOI:10.3321/j.issn:1001-1595.2008.04.006)
( ![]() |
[3] |
谢建, 朱建军. 等式约束病态模型的正则化解及其统计性质[J]. 武汉大学学报:信息科学版, 2013, 38(12): 1 440-1 444 (Xie Jian, Zhu Jianjun. A Regularized Solution and Statistical Properties of Ill-Posed Problem with Equality Constraints[J]. Geomatics and Information Science of Wuhan University, 2013, 38(12): 1 440-1 444)
( ![]() |
[4] |
王乐洋, 许才军, 汪建军. 附有病态约束矩阵的等式约束反演问题研究[J]. 测绘学报, 2009, 38(5): 397-401 (Wang Leyang, Xu Caijun, Wang Jianjun. Research on Equality Constraint Inversion with Ill-Posed Constraint Matrix[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(5): 397-401 DOI:10.3321/j.issn:1001-1595.2009.05.004)
( ![]() |
[5] |
朱建军, 谢建, 陈宇波. 不等式约束对平差结果的影响分析[J]. 测绘学报, 2011, 40(4): 411-415 (Zhu Jianjun, Xie Jian, Chen Yubo. Analysis of Inequality Constraints Influence to Adjustment Results[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 411-415)
( ![]() |
[6] |
王乐洋, 许才军, 鲁铁定. 病态加权总体最小二乘平差的岭估计解法[J]. 武汉大学学报:信息科学版, 2010, 35(11): 1 346-1 350 (Wang Leyang, Xu Caijun, Lu Tieding. Ridge Estimation Method in Ill-Posed Weighted Total Least Squares Adjustment[J]. Geomatics and Information Science of Wuhan University, 2010, 35(11): 1 346-1 350)
( ![]() |
[7] |
徐文, 陈义, 游为. 奇异值分解法在病态问题中的应用[J]. 测绘通报, 2016(1): 62-63 (Xu Wen, Chen Yi, You Wei. Application of SVD Method in Ill-Posed Problem[J]. Bulletin of Surveying and Mapping, 2016(1): 62-63)
( ![]() |
[8] |
谢建, 朱建军. 等式约束对病态问题的影响及约束正则化方法[J]. 武汉大学学报:信息科学版, 2015, 40(10): 1 344-1 348 (Xie Jian, Zhu Jianjun. Influence of Equality Constraints on Ill-Conditioned Problems and Constrained Regularization Method[J]. Geomatics and Information Science of Wuhan University, 2015, 40(10): 1 344-1 348)
( ![]() |
[9] |
王乐洋, 于冬冬. 病态总体最小二乘问题的虚拟观测解法[J]. 测绘学报, 2014, 43(6): 575-581 (Wang Leyang, Yu Dongdong. Virtual Observation Method to Ill-Posed Total Least Squares Problem[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(6): 575-581)
( ![]() |
[10] |
郭海涛, 张保明, 归庆明. 广义岭估计在解算单线阵CCD卫星影像外方位元素中的应用[J]. 武汉大学学报:信息科学版, 2003, 28(4): 444-447 (Guo Haitao, Zhang Baoming, Gui Qingming. Application of Generalized Ridge Estimate to Computing the Exterior Orientation Elements of Satellite Linear Array Scanner Imagery[J]. Geomatics and Information Science of Wuhan University, 2003, 28(4): 444-447)
( ![]() |
[11] |
Hofmann B, Mathé P. Some Note on the Modulus of Continuity for Ill-Posed Problems in Hilbert Space[J]. Trudy Instituta Matematiki i Mekhaniki, 2011, 16(6): 34-41
( ![]() |
[12] |
郭建锋.测量平差系统病态性的诊断与处理[D].郑州: 信息工程大学, 2002 (Guo Jianfeng. The Diagnosis and Process of Ill-Conditioned Adjustment System[D]. Zhengzhou: Information Engineering University, 2002) http://cdmd.cnki.com.cn/Article/CDMD-90008-2002124626.htm
( ![]() |