王樂(lè)洋，鄭玄威，申興林，許光煜，于冬冬

(1.東華理工大學(xué)測(cè)繪工程學(xué)院，江西南昌330013;2.流域生態(tài)與地理環(huán)境監(jiān)測(cè)國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室，江西南昌330013；3.江西省數(shù)字國(guó)土重點(diǎn)實(shí)驗(yàn)室，江西南昌330013)

?

坐標(biāo)轉(zhuǎn)換Partial-EIV總體最小二乘方法

王樂(lè)洋1,2,3，鄭玄威1，申興林1，許光煜1，于冬冬1

(1.東華理工大學(xué)測(cè)繪工程學(xué)院，江西南昌330013;2.流域生態(tài)與地理環(huán)境監(jiān)測(cè)國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室，江西南昌330013；3.江西省數(shù)字國(guó)土重點(diǎn)實(shí)驗(yàn)室，江西南昌330013)

摘要：在測(cè)量數(shù)據(jù)處理過(guò)程中，針對(duì)系數(shù)矩陣中同時(shí)存在隨機(jī)元素和固定元素的情況，Xu等通過(guò)將隨機(jī)元素分離使EIV模型推廣到Partial-EIV模型，并給出基于Partial-EIV模型的總體最小二乘(TLS)算法。文中介紹該算法，并將其應(yīng)用在平面及空間的坐標(biāo)轉(zhuǎn)換中，通過(guò)與最小二乘(LS)、總體最小二乘(TLS)及加權(quán)總體最小二乘(WTLS)方法的比較和分析，驗(yàn)證該算法有效性。

關(guān)鍵詞：總體最小二乘；Partial-EIV模型；函數(shù)模型；系數(shù)矩陣；坐標(biāo)轉(zhuǎn)換

在大地測(cè)量數(shù)據(jù)處理中，經(jīng)典最小二乘方法用的最為普遍。該方法僅考慮了觀測(cè)向量的噪聲，而認(rèn)為觀測(cè)方程的系數(shù)矩陣中元素為非隨機(jī)量，然而系數(shù)矩陣含有隨機(jī)誤差的情況在測(cè)量數(shù)據(jù)處理實(shí)踐中是存在的。在某些測(cè)量數(shù)據(jù)的處理中，系數(shù)矩陣中元素并不總是由固定元素組成，往往包含一些觀測(cè)量。如大地測(cè)量反演[1,2]、坐標(biāo)轉(zhuǎn)換[3]等數(shù)學(xué)模型中，觀測(cè)向量和系數(shù)矩陣均由觀測(cè)數(shù)據(jù)組成，兩者都包含隨機(jī)誤差，這類平差模型被稱之為EIV模型。此時(shí)，利用經(jīng)典最小二乘對(duì)其進(jìn)行處理顯然不恰當(dāng)。針對(duì)此類模型的求解,Adcock于1877年首次提出了所有觀測(cè)數(shù)據(jù)的殘差的平方和最小化的總體最小二乘平差準(zhǔn)則[4]。1980年Golub和Van Loan針對(duì)EIV模型提出了SVD(singular value decomposition)算法，即奇異值分解算法，并首次采用Total Least Squares(TLS)命名總體最小二乘[5]。針對(duì)系數(shù)矩陣中元素的多樣性，專家學(xué)者紛紛提出各種對(duì)應(yīng)的解決方案，如針對(duì)EIV模型中系數(shù)矩陣含有特殊結(jié)構(gòu)的混合總體最小二乘法(LS-TLS)[6,7];系數(shù)矩陣出現(xiàn)重復(fù)元素的多元整體最小二乘法[8];采用特定的定權(quán)方法固定不需要修正的常數(shù)元素的加權(quán)整體最小二乘法[9]。對(duì)于系數(shù)矩陣中隨機(jī)和固定元素同時(shí)存在的一般情況，Xu等通過(guò)將系數(shù)矩陣中的隨機(jī)元素與常數(shù)元素相分離的方法，將EIV模型擴(kuò)展為更為一般的表現(xiàn)形式的Partial-EIV模型，并推導(dǎo)基于Partial-EIV模型的總體最小二乘解，且給出在有限樣本下的總體最小二乘解的精度評(píng)定計(jì)算式[10]?；赑artial-EIV模型的總體最小二乘算法，并將其應(yīng)用在坐標(biāo)轉(zhuǎn)換中，通過(guò)平面坐標(biāo)和空間坐標(biāo)轉(zhuǎn)換兩個(gè)算例，證明該算法在坐標(biāo)轉(zhuǎn)換中的適用性和有效性。

1總體最小二乘法

總體最小二乘方法相比于傳統(tǒng)最小二乘方法不僅考慮觀測(cè)向量中的誤差，也考慮系數(shù)矩陣中存在的誤差，其函數(shù)模型為[11-13]

(1)

式中:A是n×m的系數(shù)矩陣且Rank(A)=m

假設(shè)系數(shù)矩陣及觀測(cè)向量之間相互獨(dú)立且為不等精度觀測(cè)，則其隨機(jī)模型為

(2)

2基于Partial-EIV模型的總體最小二乘算法

當(dāng)系數(shù)矩陣A中出現(xiàn)非隨機(jī)性的固定元素，將導(dǎo)致其協(xié)因數(shù)陣奇異，因此必須對(duì)其進(jìn)行特殊的處理才能得到唯一的加權(quán)TLS解。而針對(duì)這種情況，Xu等將EIV模型改寫并稱之為Partial-EIV模型[10]

(3)

(4)

(5)

(6)

(7)

(8)

式(8)中

(9)

式(6)可寫成

(10)

于是由式(10)可得[10]

(11)

3算例及分析

3.1　平面坐標(biāo)轉(zhuǎn)換

平面坐標(biāo)轉(zhuǎn)換的四參數(shù)模型為[14]

當(dāng)控制點(diǎn)個(gè)數(shù)為i(i≥2)時(shí)，四參數(shù)轉(zhuǎn)換模型為

分別用最小二乘(LS)、總體最小二乘(TLS)、加權(quán)總體最小二乘(WTLS)和基于Partial-EIV模型的TLS方法(以下簡(jiǎn)述為P-TLS)求取坐標(biāo)轉(zhuǎn)換參數(shù)β的估值及參數(shù)估值與真值差值的二范數(shù)‖Δβ‖，其結(jié)果如表2所示。

表1　模擬數(shù)據(jù)及相應(yīng)權(quán)值

表2　不同方法結(jié)果列表

通過(guò)表2結(jié)果看出，P-TLS方法和WTLS方法得到結(jié)果一致且最好，離真值最為接近；LS方法得到的結(jié)果最差；TLS方法得到的結(jié)果要稍好于LS方法而差于其他兩種方法。上述結(jié)果從以下幾個(gè)方面解釋：①LS法只考慮了觀測(cè)向量的誤差，而忽略系數(shù)矩陣中存在的誤差，得到的結(jié)果與參數(shù)真值偏差較大；②TLS法考慮觀測(cè)向量和系數(shù)矩陣中的誤差，結(jié)果優(yōu)于LS法，但與參數(shù)真值相比，偏差還是較大；③在P-TLS和WTLS方法中，著重考慮了觀測(cè)向量和系數(shù)矩陣中元素不等精度的情況，所以結(jié)果優(yōu)于TLS法，得到更加接近真值的結(jié)果。

3.2　空間三維坐標(biāo)轉(zhuǎn)換

在空間三維坐標(biāo)轉(zhuǎn)換中，當(dāng)旋轉(zhuǎn)角是小角度或初始已知，且控制點(diǎn)數(shù)不小于3個(gè)時(shí)，布爾沙轉(zhuǎn)換模型可寫成：

利用算例1中4種方法分別求解參數(shù)的估值，得到的結(jié)果如表4所示。

表3　模擬數(shù)據(jù)及相應(yīng)權(quán)值

表4　不同方法求解結(jié)果

詳細(xì)介紹幾種方法之間的差異，在表3中隨機(jī)選取5個(gè)點(diǎn)，將其坐標(biāo)設(shè)為起始坐標(biāo)，分別利用表4中4種方法求解得到的7個(gè)參數(shù)值求得這5個(gè)點(diǎn)的目標(biāo)坐標(biāo)的估值。每種方法得到的5個(gè)點(diǎn)坐標(biāo)的估值與真值的差值范數(shù)圖如圖1所示。

圖1　預(yù)測(cè)點(diǎn)坐標(biāo)真值與估值的差值范數(shù)

從表4中結(jié)果可以得出，基于Partial-EIV模型的TLS法所求參數(shù)結(jié)果和加權(quán)總體最小二乘(WTLS)方法得到的結(jié)果一致，且優(yōu)于其他兩種方法，得到的參數(shù)估值與真值的差值范數(shù)最小，這與算例1中得到的結(jié)論相一致。從圖1也可以看出，在4種方法當(dāng)中，利用P-TLS和WTLS方法得到的轉(zhuǎn)換參數(shù)求得的5個(gè)點(diǎn)的估值相比TLS和LS方法要更為接近真值。綜合算例1和算例2的結(jié)果可以得出，在系數(shù)矩陣和觀測(cè)向量同時(shí)含有誤差的情況下，基于Partial-EIV模型的總體最小二乘方法在解決坐標(biāo)轉(zhuǎn)換問(wèn)題中能夠得到更加理想的結(jié)果，驗(yàn)證了該方法在坐標(biāo)轉(zhuǎn)換問(wèn)題中的適用性和有效性。

4結(jié)束語(yǔ)

本文詳細(xì)地介紹當(dāng)觀測(cè)方程的系數(shù)矩陣和觀測(cè)向量同時(shí)存在誤差時(shí)基于Partial-EIV模型下的總體最小二乘算法，通過(guò)平面坐標(biāo)轉(zhuǎn)換和空間坐標(biāo)轉(zhuǎn)換兩個(gè)算例，表明該算法在解決坐標(biāo)轉(zhuǎn)換問(wèn)題中的可靠性和有效性。對(duì)于該算法在其他方面的適用性和有效性還需進(jìn)一步研究。

參考文獻(xiàn)：

[1]鮑建寬,李永利,李秀海.大地坐標(biāo)轉(zhuǎn)換模型及其應(yīng)用[J].測(cè)繪工程,2013,22(3)：56-60.

[2]楊娟，陶葉青.穩(wěn)健估計(jì)下的坐標(biāo)系統(tǒng)轉(zhuǎn)換總體最小二乘算法[J].測(cè)繪科學(xué)，2015,40(4)：15-18.

[3]楊強(qiáng),黨亞民,章傳銀,等.地殼運(yùn)動(dòng)動(dòng)力響應(yīng)模型構(gòu)建研究[J].測(cè)繪工程,2014,23(4)：6-9.

[4]ADCOCK R J.Note on the Method of Least Squares[J].The Analyst,1877,4(6)：183-184.

[5]GOLUB G H,VAN LOAN C F.An Analysis of the Total Least Squares Problem[J].SIAM Journal on Numerical Analysis,1980,17 (6)：883-893.

[6]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.

[7]馮劍橋，黃張?jiān)?，徐秀杰，?總體最小二乘法在坐標(biāo)轉(zhuǎn)換中的應(yīng)用[J].測(cè)繪與空間地理信息，2014，37(7)：205-206.

[8]SCHAFFRIN B,FELUS Y A.On The Multivariate Total Least-squares Approach to Empirical Coordinate Transformations.Three Algorithms[J].Journal of Geodesy,2008,82(6)：373-383.

[9]SCHAFFRIN B,WIESER A.On Weighted Total Least-squares Adjustment for Linear Regression[J].Journal of Geodesy,2008,82(7)：415-421.

[10]XU P L,LIU J N,SHI C.Total Least Squares Adjustment in Partial Errors-in-variables Models：Algorithm and Statistical Analysis[J].Journal of Geodesy,2012,86(8):661-675.

[11]王樂(lè)洋.基于總體最小二乘的大地測(cè)量反演理論及應(yīng)用研究[D].武漢：武漢大學(xué),2011.

[12]王樂(lè)洋,許才軍,溫?fù)P茂.利用STLN和InSAR數(shù)據(jù)反演2008年青海大柴旦Mw6.3級(jí)地震斷層參數(shù)[J].測(cè)繪學(xué)報(bào),2013,42(2)：168-176.

[13]王樂(lè)洋.測(cè)邊網(wǎng)坐標(biāo)的總體最小二乘平差方法[J].大地測(cè)量與地球動(dòng)力學(xué),2012,32(6)：81-85.

[14]JAZAERI S,AMIRI-SIMKOOEI A R,SHARIFI M A.Iterative algorithm for weighted total least squares adjustment.Survey Review,2014,46(334):19-27.

[責(zé)任編輯：李銘娜]

Partial-EIV total least squares method for coordinate transformation

WANG Le-yang1,2,3,ZHENG Xuan-wei1,SHEN Xing-lin1,XU Guang-yu1,YU Dong-dong1

(1.School of Geomatics,East China Institute of Technology,Nanchang 330013,China；2.Key Laboratory of Watershed Ecology and Geographical Environment Monitoring,NASG，Nanchang 330013,China；3.Jiangxi Key Lab for Digital Land,Nanchang 330013,China)

Abstract：In geodetic data processing,the situation that the random and fixed elements exist simultaneously in coefficient matrix will be common.To solve this problem,Xu (Xu et al,2012) expands the EIV model to Partial-EIV model and proposes a total least squares method to the new adjustment model.In this paper,the algorithm proposed by Xu is introduced and applied to the plane and space coordinate transformation.The examples compare four methods (LS,TLS,WTLS and the introduced algorithm) and the effectiveness is tested through the result.

Key words：total least squares；Partial-EIV model；function model；coefficient matrix；coordinate transformation

作者簡(jiǎn)介：王樂(lè)洋(1983-)，男，副教授，博士，碩士生導(dǎo)師.

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(41204003,41161069,41304020)；測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)項(xiàng)目(201512026)；江西省自然科學(xué)基金資助項(xiàng)目(20132BAB216004)；江西省教育廳科技項(xiàng)目(GJJ13456,KJLD12077,KJLD14049)；地理空間信息工程國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(201308)；東華理工大學(xué)博士科研啟動(dòng)金(DHBK201113)

收稿日期：2014-12-08；修回日期：2015-05-08

中圖分類號(hào)：P207

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1006-7949(2015)12-0012-05