共查询到15条相似文献，搜索用时 734 毫秒
1.
Partial EIV模型的非负最小二乘方差分量估计 总被引：2，自引：2，他引：0
Partial Errors-in-Variables(Partial EIV)模型是EIV模型的扩展形式,权阵构造简单,当系数矩阵中存在非随机元素和随机元素时,Partial EIV模型的适用性更强。针对Partial EIV模型中随机模型不准确的情况,将系数矩阵和观测向量分别作为一类数据,本文在该模型的基础上,使用最小二乘方差分量估计方法,推导相关计算公式及迭代算法,分别估计出相应的方差分量估值。并对出现的负方差使用非负最小二乘理论,增加约束条件,对随机模型进行修正,得到更加合理的参数估值。试实验结果表明,本文的方法与其他方差分量估计方法等价。 相似文献
2.
针对圆曲线拟合问题,本文首先以圆曲线的一般方程为基础,建立圆曲线拟合的EIV模型,针对系数矩阵的特点将模型转化为更合理的Partial EIV模型。顾及系数矩阵和观测向量的相关性,构造拉格朗日方程,采用求极值的方法求解模型参数。保证了系数矩阵中相同元素的改正数一致,常数元素的改正数为零。最后结合算例数据说明本文算法与WTLS解算结果一致,验证了本文方法的可行性。 相似文献
3.
针对空间平面拟合中系数矩阵含有部分误差的特点,根据Partial EIV模型提取系数矩阵随机元素的思想,将空间平面拟合模型系数矩阵中观测元素作为随机元素提取组成新的未知向量。采用Partial EIV模型线性化的新解法求解拟合参数,简化了计算过程,且保证了系数矩阵相同元素的改正数一致,较EIV模型的总体最小二乘法,理论模型更加严谨。通过算例说明了,本文方法可以用于拟合空间平面,且精度有一定优势。 相似文献
4.
PEIV(Partial Errors-In-Variables)模型是EIV模型的扩展,它能解决系数矩阵含有非随机元素或存在结构特性的问题。针对常规PEIV模型算法的复杂性,提出了一种PEIV模型参数估计的新算法。该算法将系数矩阵含误差的元素看成是一类观测值,与平差模型原观测值构成两类观测值,将PEIV平差模型表示为类似于传统的最小二乘间接平差模型,再通过非线性最小二乘平差理论,推导出了算法的迭代公式和精度评定公式。算法迭代格式与间接平差类似,通过算例验证了算法的可行性和正确性。 相似文献
5.
变量误差（error-in-variables，EIV）模型的系数矩阵存在结构特征的情况，并且这种结构特征可以扩展到观测向量中。首先采用变量投影法将系数矩阵的增广矩阵展开成仿射矩阵形式，提取系数矩阵和观测向量中的随机量，并将EIV模型表示为非线性高斯-赫尔默特模型，然后利用非线性最小二乘原理推导了一种结构总体最小二乘法。该算法统一了普通的结构总体最小二乘法、结构数据最小二乘法以及最小二乘法。将该算法应用到真实算例和模拟算例中，两个算例结果表明，该算法与已有能够解决EIV模型结构特征的结构或加权总体最小二乘法估计结果一致，验证了该算法的有效性。同时，该算法对结构特征的提取方式简单、规律性强且易于编程实现；且在算法设计中，把结构总体最小二乘问题转换为附有参数的条件平差问题，即将其纳入到最小二乘平差理论体系，便于其扩展应用。同时对平面拟合问题的误差估计特性进行了定性分析，由分析可知参数的相对大小对估计误差的一致性有直接影响，这说明EIV模型下系数矩阵和观测向量中随机量的估计误差与真误差的一致性关系相对复杂。 相似文献
6.
测绘领域诸多实际应用中系数矩阵和观测向量具有结构特征,即系数矩阵和观测向量中包含固定量(甚至固定列)和随机量,并且不同位置的随机量线性相关。针对这个问题,从变量误差(errors-in-variables,EIV)函数模型出发,首先,将系数矩阵和观测向量构成的增广矩阵表示为仿射函数形式,并采用变量投影法对函数模型进行重构;然后,利用拉格朗日法推导出了一种结构总体最小二乘(structured total least squares,STLS)估计算法。算例分析结果表明,该算法与已有能够解决系数矩阵和观测向量存在结构特征的加权或结构总体最小二乘算法估计结果一致,说明了该算法的有效性,同时阐明了该算法与已有相关算法的关系。 相似文献
7.
针对EIV模型的系数矩阵同时包含固定量和随机量的情况,通过将系数矩阵中的随机量提取出来纳入平差的随机模型,从而将EIV模型表示为非线性高斯-赫尔默特(Gauss-Herlmert,GH)模型形式,推导了混合LS-TLS(least squares-total least squares,LS-TLS)算法及其精度估计公式。算法适用于系数矩阵包含固定列、固定元素和随机元素的一般情况。模拟实例结果表明,混合LS-TLS算法与已有能够解决系数矩阵同时含固定量和随机量的结构性或加权TLS算法的估计结果一致;混合LS-TLS的估计结果统计上要优于LS或TLS估计结果。 相似文献
8.
回归预测模型是对传统回归模型的进一步扩展,不仅涉及回归模型的固定参数估计,而且将模型预测纳入平差的部分内容,更加符合实际解算需求。针对在回归模型预测中经常出现待预测非公共点(自变量)含有观测误差和随机模型不准确的问题,基于EIV(errors-in-variables)模型提出了一种同时顾及所有变量观测误差的整体解法。同时,将方差-协方差分量估计方法引入回归预测模型解算中,以修正随机模型与待预测非公共点的先验协因数阵,并推导了相关计算公式和迭代算法。算例试验表明,该方法能够有效估计各类观测数据的方差分量,为获取更合理的参数估计与更高的模型预测精度提供了可行手段。另外,通过设计多种对比方案可知,该方法的预测效果较好,尤其是针对观测数据与系数矩阵中随机元素之间存在一定相关性的情况。 相似文献
9.
在球面拟合中,系数矩阵中含有球面点坐标,所以同样存在误差,故采用总体最小二乘拟合球面更合理。但系数矩阵不同位置有相同元素,从理论上讲,这些相同元素应该有相同的改正数,并且系数矩阵与观测向量相关。为了解决上述问题,本文提出了球面拟合的相关PEIV模型总体最小二乘法,该方法可以很好地克服上述问题。通过算例分析发现,本文方法解算的参数估值更为可靠,验证了本文方法的可行性、有效性。 相似文献
10.
《武汉大学学报(信息科学版)》2020,(9)
地表沉降监测是预防地质灾害发生的有效方法,时间序列模型是进行地表沉降预测的主要模型。传统AR(autoregression)模型参数估计算法没有顾及模型系数矩阵中的元素含有观测误差的情况。为同时顾及模型观测向量与系数矩阵中的元素均含有观测误差的情况,应用变量中含有误差(errors-in-variables,EIV)的参数估计模型改进基于时间序列的地表沉降预测模型。为提高AR模型参数解的收敛速度与精度,应用先验信息构建具有不等式约束的EIV模型,将建立的附有不等式约束EIV模型参数估计问题转化为非线性模型的二次规划问题,结合中位函数建立参数估计迭代算法。为论证所建立算法的有效性与可行性,通过实验分别对AR模型参数估计的最小二乘算法、EIV模型参数估计算法与该算法进行比较。实验证明,所建立算法具有较高的精度和效率,是一种可行的方法。 相似文献
11.
Partial EIV模型的解法 总被引：3，自引：3，他引：0
提出了一种求解partial errors-in-variables(partial EIV)模型的思路。通过对partial EIV模型的部分元素进行移项,重组成新形式下的平差函数模型,两次运用间接平差原理分别求解平差参数与系数矩阵中的随机元素,把总体最小二乘平差问题转化为最小二乘平差问题,并通过适当变换提高了新解法的收敛速度。最后分别采用实测数据和模拟数据进行验证,求解了本文算法与已有算法的估值结果。算例结果表明,本文算法能取得与已有算法相同的结果,是切实可行的。 相似文献
12.
考虑系数矩阵含非随机元素和不同位置含相同随机元素的结构化特征，PEIV（partial errors-in-variables）模型较一般的EIV模型更为严格。现有PEIV模型加权整体最小二乘（weighted total least squares，WTLS）估计算法需多次迭代，影响计算效率。通过利用观测值误差和系数矩阵误差的统计性质构造非线性目标函数，并以此推导了新的PEIV模型WTLS估计的计算公式，同时设计了相应的Fisher-Score算法。算例分析结果表明，相比较而言，Fisher-Score算法迭代次数较少，计算效率得到大大提升。 相似文献
13.
部分变量误差模型(partial EIV model)的加权整体最小二乘(weighted total least-squares,WTLS)估计不具备抵御粗差的能力。鉴于粗差可能同时出现在观测值和系数矩阵中,本文在提出部分变量误差模型WTLS估计的两步迭代解法的基础上,运用抗差M估计的等价权方法,发展了一种整体抗差最小二乘(TRLS)估计方法,并采用一致最大功效统计量确定降权因子。针对WTLS估计两步迭代解法的特点,设计了两个不同的降权方案:第1个方案是在估计系数矩阵元素时,不对观测值降权,仅对系数矩阵降权;第2个方案是在估计系数矩阵元素时,既对系数矩阵降权,同时也对观测值降权。通过对模拟2D仿射变换和线性拟合实例进行计算和分析,结果表明第1方案优于第2方案,并且优于基于残差和验后单位权方差的抗差估计和现有的变量误差模型抗差估计。 相似文献
14.
在使用总体最小二乘求解参数时,若观测值中包含系统误差,此时得到的参数估值则会受到系统误差的影响,从而得到不可靠的解,因此必须削弱系统误差对参数估计的影响,以获得相对可靠的解。本文提出在partial errors-in-variables （Partial EIV）模型的基础上给观测值增加非参数部分（系统误差）,从而构建Partial EIV半参数模型;基于补偿最小二乘准则进行公式推导,并分别通过选取适当的正则化矩阵及通过L曲线法确定平滑因子。通过算例结果分析表明,与传统方法相比,本文的方法在一定程度上能够削弱系统误差的影响,得到更为可靠的参数解,从而验证了该方法的有效性和可行性。 相似文献
15.
通用EIV(errors-in-variables)平差模型作为经典平差模型的一般化形式,具有同时顾及多种随机误差的优势. 在通用EIV平差模型加权总体最小二乘(WTLS)的线性化估计基础上,引入正则化准则. 正则化矩阵为单位矩阵时为岭估计,添加目标函数,通过建立拉格朗日目标函数的最小化求解,导出加权通用EIV平差模型对应的岭估计解式,给出了确定岭参数的U曲线法和L曲线法. 计算了通用EIV平差模型的线性化估计、两种岭估计及其对应的方差分量值;验证岭估计对通用EIV模型的线性化估计具有促进性,可减少迭代次数,使得参数方差分量更快趋于平稳,降低参数估计的计算量. 相似文献