汪奇生，楊德宏

(昆明理工大學(xué) 國土資源工程學(xué)院, 云南 昆明 650093)

顧及系數(shù)矩陣常數(shù)列的總體最小二乘迭代解法

汪奇生，楊德宏

(昆明理工大學(xué) 國土資源工程學(xué)院, 云南 昆明 650093)

介紹總體最小二乘的奇異值分解法(SVD)和混合總體最小二乘法(LS -TLS)，基于間接平差原理推導(dǎo)一種總體最小二乘迭代解法，可以用來解決系數(shù)矩陣含常數(shù)列的總體最小二乘平差問題。最后分別對(duì)系數(shù)矩陣不含常數(shù)列和系數(shù)矩陣含常數(shù)列的算例進(jìn)行驗(yàn)證，得到的結(jié)果與采用奇異值分解法和混合總體最小二乘法計(jì)算的結(jié)果相同，表明算法的有效性。

總體最小二乘；間接平差；迭代解法；混合總體最小二乘；奇異值分解

在測(cè)量數(shù)據(jù)處理中，對(duì)于系數(shù)矩陣含有誤差的平差問題，采用總體最小二乘法[1]要比采用最小二乘法在理論上更加嚴(yán)密。近年來，總體最小二乘得到了測(cè)量學(xué)者們的廣泛關(guān)注，一些針對(duì)測(cè)量數(shù)據(jù)處理的迭代算法相繼被提出[2-6]。同時(shí)，總體最小二乘也被用來解決具體的測(cè)量問題[7-10]。但在實(shí)際的測(cè)量數(shù)據(jù)處理中，系數(shù)矩陣有可能不是所有元素都含有誤差，而一些常規(guī)的迭代算法與奇異值分解法(SVD)一樣都無法顧及系數(shù)矩陣的常數(shù)列，而是對(duì)系數(shù)矩陣所有元素都進(jìn)行了改正，這是不合理的。因此，混合總體最小二乘法[7-9]被用來解決系數(shù)矩陣含常數(shù)列的總體最小二乘問題，但混合總體最小二乘解算較為復(fù)雜。鑒于此，本文基于間接平差原理推導(dǎo)了一種總體最小二乘迭代算法。該算法充分考慮了間接平差的優(yōu)點(diǎn)，推導(dǎo)過程簡單且能顧及系數(shù)矩陣中的常數(shù)列，使用方便。最后通過線性擬合和坐標(biāo)轉(zhuǎn)換的算例驗(yàn)證了算法的合理性和有效性。

1 奇異值分解法與混合總體最小二乘法

1.1 奇異值分解法(SVD)

總體最小二乘的平差模型為

(1)

式中，V,EA分別表示觀測(cè)向量L和系數(shù)矩陣A的誤差，根據(jù)總體最小二乘原理，對(duì)參數(shù)估計(jì)的準(zhǔn)則為

VTV+vec(EA)Tvec(EA)=min.

(2)

式中，vec(·)表示矩陣的拉直運(yùn)算。一般采用奇異值分解法[1-3]來求取參數(shù)的總體最小二乘解。將式(1)可變換為

(3)

(4)

其中：

為求得參數(shù)的估值使式(2)達(dá)到最小，可將式(3)改為

(5)

則可得參數(shù)的估值

(6)

其殘差矩陣為

(7)

進(jìn)一步可計(jì)算單位權(quán)中誤差以及參數(shù)的協(xié)方差

(8)

1.2 混合總體最小二乘法(LS -TLS)

(9)

式中:A1為系數(shù)矩陣的常數(shù)列，A2為除常數(shù)列后的數(shù)據(jù)列。混合總體最小二乘的約束條件為

(10)

(11)

為求得參數(shù)的估值使式(10)達(dá)到最小，可將式(3)改為

(12)

由式(11)、式(12)即可得

R11X1+R12X2=R1L，

R22X2=R2L.

(13)

2 算法推導(dǎo)

將式(1)表示成V的函數(shù)為

L.

(14)

vec(ΔeA)=ΔvA.

(15)

式中,vec表示向量拉直運(yùn)算，由文獻(xiàn)可知

vec(ABC)=(CT?A)vec(B).

(16)

化簡整理后可得

(17)

式中，?為矩陣的可內(nèi)克積。根據(jù)總體最小二乘原理，求解的參數(shù)需要滿足如下極值條件：

VTV+(VA)TVA=min.

(18)

則可將式(17)寫成間接平差形式

(19)

根據(jù)間接平差原理，參數(shù)的求解為

(20)

單位權(quán)中誤差評(píng)定公式為

(21)

根據(jù)前述推導(dǎo)，總體最小二乘迭代解法的具體步驟如下：

1)按總體最小二乘原理計(jì)算參數(shù)的初值X0。

4)重復(fù)3)，直到兩次計(jì)算的參數(shù)之差小于給定的迭代限差，則停止迭代。

5)輸出參數(shù)值，計(jì)算單位權(quán)中誤差。

3 算例分析

3.1 線性擬合

方案1：直接采用奇異值分解法求得的線性回歸方程為y=6.74-0.99x。

方案2：根據(jù)文獻(xiàn)[2]將數(shù)據(jù)中心化后，再采用奇異值分解法求得的線性回歸方程為y=6-x。

方案3：直接采用混合總體最小二乘法求得的線性回歸參數(shù)y=6-x。

方案4：直接采用本文推導(dǎo)的迭代算法求得的線性回歸方程為y=6-x。

從以上4種方案中可以看出，方案1直接采用奇異值分解法而沒有顧及系數(shù)矩陣常數(shù)列得到的結(jié)果不合理，方案2將數(shù)據(jù)中心化后，系數(shù)矩陣變?yōu)橐涣性厍也缓?shù)列，再采用奇異值分解法求得的結(jié)果與方案3中直接采用混合總體最小二乘法求得的結(jié)果一致，是正確合理的。而方案4中直接采用本文的迭代算法求得的結(jié)果與方案2、方案3一致，故本文算法是合理有效的。

3.2 坐標(biāo)轉(zhuǎn)換

為進(jìn)一步驗(yàn)證本文算法的正確性，選取文獻(xiàn)[11]例7～14的數(shù)據(jù)，用5個(gè)擁有WGS-84和北京54坐標(biāo)的公共點(diǎn)來求取坐標(biāo)轉(zhuǎn)換參數(shù)。根據(jù)坐標(biāo)轉(zhuǎn)換的平差模型可知，其系數(shù)矩陣含有3列常數(shù)列，分別采用最小二乘法(LS)、混合總體最小二乘法(LS -TLS)、本文的總體最小二乘算法(TLS)來計(jì)算坐標(biāo)轉(zhuǎn)換參數(shù)，計(jì)算結(jié)果如表1所示，單位權(quán)中誤差評(píng)定如表2所示。

表1 不同方法求得的坐標(biāo)轉(zhuǎn)換參數(shù)

表2 不同方法的單位權(quán)中誤差評(píng)定結(jié)果 m

從表1的不同方法求得的坐標(biāo)轉(zhuǎn)換參數(shù)計(jì)算結(jié)果可以看出，采用本文的迭代算法求得的轉(zhuǎn)換參數(shù)與采用混合總體最小二乘法求得的結(jié)果一致，這是因?yàn)楸疚乃惴梢灶櫦跋禂?shù)矩陣的常數(shù)列且對(duì)其不進(jìn)行改正，而混合總體最小二乘法正是只改正系數(shù)矩陣含誤差的那部分。這也可以從單位權(quán)中誤差的評(píng)定結(jié)果中看出，采用本文的迭代算法計(jì)算的單位權(quán)中誤差與采用混合總體最小二乘法計(jì)算的結(jié)果一致，且小于采用最小二乘計(jì)算的結(jié)果。這也說明采用總體最小二乘求取坐標(biāo)轉(zhuǎn)換參數(shù)要比采用最小二乘的精度高，故本文給出的算法較為合理。

4 結(jié)束語

基于間接平差原理，推導(dǎo)了一種總體最小二乘迭代算法。該算法推導(dǎo)過程簡捷易懂，迭代格式簡單且易于編程實(shí)現(xiàn)。同時(shí)，該算法可以顧及系數(shù)矩陣的常數(shù)列，這彌補(bǔ)了總體最小二乘的奇異值分解法和常規(guī)的總體最小二乘迭代算法的不足。通過最后的算例驗(yàn)證了本文算法的合理性。

[1]GOLUB G H，VAN L C F. An Analysis of the Total Least Squares Problem[J].SIAM J Numer. Anal，1980，17:883-893．

[2]邱衛(wèi)寧，陶本藻，姚宜斌，等.測(cè)量數(shù)據(jù)處理理論與方法[M].武漢: 武漢大學(xué)出版社, 2008．

[3] 魯鐵定,周世健.總體最小二乘的迭代解法[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2010,35(11) :1351-1354.

[4] 許超鈐，姚宜斌，張豹,等.基于整體最小二乘的參數(shù)估計(jì)新方法及精度評(píng)定[J].測(cè)繪通報(bào)，2011(10):1-4.

[5] 孔建，姚宜斌，吳寒．整體最小二乘的迭代解法[J]．武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2010，35(6):711-714．

[6] 邱衛(wèi)寧,齊公玉,田豐瑞. 整體最小二乘求解線性模型的改進(jìn)算法[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2010，35(6):708-710.

[7]張海華，劉春.顧及粗差的混合最小二乘平差實(shí)驗(yàn)分析[J].現(xiàn)代測(cè)繪，2010，33(5):8-11.

[8]陳義，陸玨，鄭波．總體最小二乘方法在空間后方交會(huì)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版， 2008,33(12):1271-1274.

[9]陸玨，陳義，鄭波.總體最小二乘方法在三維坐標(biāo)轉(zhuǎn)換中的應(yīng)用[J].大地測(cè)量與地球動(dòng)力學(xué)，2008,28(5):77-81.

[10]劉運(yùn)明，鄒積亭，邊春雷.基于整體最小二乘的盾構(gòu)環(huán)中心擬合方法[J].測(cè)繪通報(bào)，2010(Z):174-176.

[11]袁豹,岳東杰.關(guān)于總體最小二乘方法適應(yīng)性實(shí)驗(yàn)研究[J].測(cè)繪工程，2012，21(6):22-26.

[12] 武漢大學(xué)測(cè)量平差學(xué)科組編.誤差理論與測(cè)量平差基礎(chǔ)[M].武漢:武漢大學(xué)出版社,2003.

[責(zé)任編輯：劉文霞]

Iterative algorithm of total least squares considering the constant sequence of coefficient matrix

WANG Qi-sheng，YANG De-hong

(School of Land Resource Engineering, Kunming University of Science and Technology, Kunming 650093，China)

It briefly introduces a total least squares singular value decomposition (SVD) and mixed total least squares (LS-TLS). An iterative algorithm for total least squares is derived based on a principle of indirect adjustment, which can be used to solve the adjustment problems of total least squares for coefficient matrix containing constant sequence. Finally, numerical examples of the coefficient matrix with out constant sequence and with constant series are analyzed respectively. The results are the same used by the singular value decomposition method and the mixed total least squares and shows the effectiveness of the algorithm.

total least squares; indirect adjustment; iteration algorithm; mixed total least squares (LS-TLS); singular value decomposition (SVD)

2013-07-15

汪奇生(1989-)，男，碩士研究生.

P207

：A

：1006-7949(2014)07-0038-03