非线性最小二乘平差参数精度的评定

对于非线性最小二乘平差参数的方差－协方差传播的研究,必须与非线性最小二乘平差的研究同步。为了适应现代变形监测中观测值种类变化的多样性,将观测值类型加以扩展,提出了不同类型观测值的非线性最小二乘平差参数的方差－协方差传播理论和计算公式,利用算例证明了它的可行性。     

非线性最小二乘平差参数精度的评定

对于非线性最小二乘平差参数的方差协方差传播的研究 ,必须与非线性最小二乘平差的研究同步。为了适应现代变形监测中观测值种类变化的多样性 ,将观测值类型加以扩展 ,提出了不同类型观测值的非线性最小二乘平差参数的方差协方差传播理论和计算公式 ,利用算例证明了它的可行性     

最小二乘平差的非线性解法及其几何意义

本文讨论了非线性最小二乘平差的一种新的解法并证明了其收敛性；以间接平差为例用流形理论讨论了该种解法的几何意义。     

非线性模型抗差最小二乘估计及其应用

以经典最小二乘法为基础,详细阐述了抗差因子的选取。从抵抗粗差的角度出发,抗差最小二乘法可提高非线性模型在有粗差干扰条件下参数估计的精度。以广东森林资源调查的样本资料,对提出的方法进行了检验与应用,结果表明提出的方法具有明显的抗粗差性。     

基于非线性最小二乘算法的超宽带TOA估计

研究室内密集多径信道环境下的超宽带到达时间(TOA)估计技术.提出一种改进的门限比较TOA估计算法,利用非线性最小二乘算法同时估计多径延时和幅度,采用迭代算法提高参数估计精度,根据判决门限比较结果终止多径搜索过程并估计出TOA.分析该算法在室内多径信道模型中的性能,给出门限的设置方案.仿真结果表明,在不同的信噪比下设置合理的判决门限后,该算法具有较高的估计精度,能够满足精确定位需求.     

一个求解非线性最小二乘问题的新方法

在Gauss-Newton(G-N)方法和Levenbery-Marquardt(L-M)方法(阻尼最小二乘法)的基础上给出了一种新的求解非线性最小二乘问题的方法，它是通过寻求新的非线性方程组的数值方法来实现的，首先给出了不用计算导数的求解非线性方程组的收敛迭代方法，该方法是建立在求解动力系统的稳定点的基础上，采用了较稳定的常微分方程初值问题的数值方法进行迭代求解，并采用Steffensen加速技术以提高收敛速度，最后，给出了用Matlab试算的数值例子、试验结果表明了该方法的有效性。     

非线性模型最小二乘估计强相合性的又一证法

本文采用了一种带有普遍性意义的方法给出非线性模型最小二乘估计强相合性的又一证法,     

张量方法在非线性最小二乘问题中的应用

本文利用张量方法求解非线性最小二乘问题ｍｉｎｆ（ｘ）＝１／２Ｒ（ｘ）＾ｒＲ（ｘ）。主要讨论其奇异问题的算法，提出求解非线性最小二乘问题一种张量算法，并讨论了张量算法中解的存在性。     

一类矩阵问题的最小二乘逼近解

本文研究了一类矩阵问题的最小二乘逼近解,给出了解的表达式,提供了一个数值解法.     

V~TPV=min的充分条件

本文以满秩网平差为例.通过法方程系数矩阵及观测值权矩阵的正定,论证了V~TPV=min的充分性。同时证明了观测值权矩阵为正定阵时,秩亏网平差也满足上述结论。     

关于整体最小二乘问题的可解性

给出了整体最小二乘问题可解的必要性，建立了可解性的充要条件。     

加权最小二乘估计中选择权数的迭代算法

介绍了加权最小二乘估计的性质及其常见权数选择的方法,并给出评判一个好的二乘估计的标准,由此提出选择权数的迭代算法.     

增长曲线模型回归系数的压缩最小二乘估计

本文采用压缩最小二乘估计Ｂ∧（ｍ）来估计设计阵呈病态时的增长曲线模型回归系数阵Ｂ．通过ｍ值的选取，可使β＾（ｍ）＝Ｖｅｃ（Ｂ∧（ｍ））的均方误差小于β＝Ｖｅｃ（Ｂ）的ＬＳＥβ∧的均方误差．证明了β∧（ｍ）具有可容许性、抗干扰性和有效性，并给出了实际应用中选取ｍ值的方法．     

用USSOR迭代法求解最小二乘问题的收敛性

将文「１」中求解最小二乘问题的ＳＯＲ迭代法推广到ＵＳＳＯＲ迭代法,给出了６种分裂形式下,ＵＳＳＯＲ迭代法的收敛域。最后给出算例,比较了参数的选取对收敛速度的影响。     

加权总体最小二乘问题的可解性及其原始解集

给出了加权总体最小二乘（WTLS）问题可解的充分必要条件，并在它可解时，给出了它的原始TLS解集及极小范数解的显式公式。     

最小范数最小二乘的计算问题

对一般线性模型：Ｙ＝Ｘβ＋ｅ，Ｅ（ｅ＝０，Ｃｏｖ（ｅ）＝δ￣２∨，∨＞０，当设计阵Ｘ列降秩时，β的最小二乘或广义最小二乘解与广义逆的选取有关，这在具体计算时会产生一些麻烦。同时，在许多情况下，问题本身要求最小二乘具有较小的长度。因此有必要考虑最小范数最小二乘问题，本文从设计阵本身的结构出发，寻找最小范数最小二乘的计算方法。只要知道Ｘ中ｒ＝Ｒ（Ｘ）个线性无关的列向量组Ｘ＿１，就能得到唯一的最小范数最小二乘：β＝Ｘ′Ｘ＿１（Ｘ＿１ＸＸ′Ｘ＿１）￣（－１）Ｘ＿１Ｙ，若Ｔ＝∨＋ＸＵＸ′，则唯一的最小范数广义最小二乘是：β￣＊＝Ｘ′Ｘ＿１（Ｘ＿１Ｔ￣＋ＸＸ′Ｘ＿１）￣（－１）Ｘ＿１Ｔ￣＋Ｙ。对Ｘ的行向量有类似的结论，实际计算表明，这种计算方法是简单有效的。     

线性回归模型中的加权最小二乘估计

给出了线性回归模型中的加权最小二乘估计以及最优权数的选择.     

LS估计的抗差性分析

依据LS估计的分解，对LS估计的抗差性进行了分析。通过观测数据协方差矩阵的改进，建立了一种抗差参数估计方法。