利用零空间约束的GPS双差整周模糊度动态求解

针对非专用全球定位系统(GPS)导航型接收机,利用零空间约束动态求解GPS初始整周模糊度.对单个历元的双差载波相位观测方程进行零空间变换,避免了实时变化的三维位置参数求解;用精度衰减因子(XDOP)准则选取3个独立的双差整周模糊度,并根据GPS干涉仪测姿原理以基线长度来确定整周模糊度的搜索区间,通过基线长度约束进一步使搜索范围大大降低,模糊度最终采用多种检验方法联合确认.用Garmin25导航型单频接收机构成单基线,求解整周模糊度后在2-D平面上求解航向角,与航向参考对照后表明,采用该方法可在多个历元动态解算出整周模糊度,此时计算航姿精度可达到1°.     

GPS双差基线模型的有偏估计解法研究

当GPS定位中设置历元间隔较小时,双差基线平差模型是严重病态的.此时,用最小二乘估计解算整周模糊度得不到正确解.为此,通常采用搜索法确定整周模糊度.但是搜索法一般要经过迭代求解过程,效率较低.尝试用有偏估计法直接解算GPS病态模型来获得较准确整周模糊度浮点解,从而为进一步固定整周未知数做必要准备.     

改进的GPS整周模糊度动态快速解算

针对全球定位系统动态快速定位中整周模糊度解算存在的多历元解算和高阶矩求逆造成的计算量大、实时性不强等问题,提出了一种动态快速求解整周模糊度的算法.该算法首先基于奇异值分解变换构造左零空间矩阵以消除基线分量改正数向量,有效分离模糊度参数和位置参数,利用卡尔曼滤波仅对模糊度参数进行估计,获得整周模糊度的实时浮点解;然后采用排序和多次(逆)双乔里斯基分解对其进行降相关处理;最后应用LAMBDA算法搜索固定整周模糊度.为验证算法的正确性和有效性,分别进行了静态和动态试验.结果表明:所提算法能够有效提高模糊度浮点解解算速度和精度,具有良好的去相关效果,静态基线误差小于1cm,动态基线误差小于2cm,可应用于高精度载体的快速动态定位.     

附加约束法在单频GPS快速静态定位中的应用

针对在短时间内GPS观测方程的法方程容易形成病态的实际,探讨用附加约束条件来消除其病态性的方法,然后用LAMBDA方法确定其整周模糊度,实验证明,对于单频GPS接收机,利用5个历元数据,使用该技术即可正确确定整周模糊度,从而实现厘米级定位.     

单频GPS载波相位整周模糊度解算研究

介绍了一种求解单频GPS载波相位整周模糊度的改进算法.通过Tikhonov正则化,减弱GPS快速定位中少数历元情形下法矩阵的病态性,得到更接近整周模糊度准确值的浮点解.然后对整周模糊度的方差协方差阵白化滤波,减弱短时间内双差整周模糊度之间的相关性,取整后得到整周模糊度的固定解.并结合一个实例与白化滤波、Lambda方法和白化滤波 Lambda方法进行对比,验证改进方法的效果.     

基于组合载波相位的飞行器姿态确定

为解决全球导航卫星系统(GNSS)姿态测量中整周模糊度的快速求解问题,提出一种基于组合载波相位的短基线整周模糊度解算方法,利用单个历元的观测数据解算整周模糊度.根据多颗卫星的单频载波相位整周模糊度解算结果,应用最小二乘原理对基线向量进行精确求解,进而由基线向量确定出飞行器的姿态角.仿真结果表明,该模糊度解算方法在单个历元内至少能够解算出8颗卫星的载波相位整周模糊度,解决了GNSS动态测姿领域的一个关键性问题.测姿结果显示,偏航角和俯仰角的测量误差均小于0.2°.该研究成果可以为GNSS姿态测量系统在航空、航天等对实时性要求较高的领域中的应用创造条件.     

GPS单星单历元模糊度与电离层延迟分类解算

整周模糊度与电离层延迟是GPS观测方程中两类不同性质的未知参数。基于参数分类解算的思想,结合平方根信息滤波/平滑的基本原理,推导出使用单颗GPS卫星的双频观测数据单历元求解电离层延迟与整周模糊度的公式。通过使用模拟数据实验获得的结果来看,该方法有效,整周模糊度和电离层延迟解算精度可达0.3周和0.02m。     

一种改进的CIR法用于单历元模糊度解算

针对级联整周模糊度解算（CIR）法在载波相位和伪距观测噪声很大的场合,模糊度固定成功率很低这一问题,提出了一种改进的CIR法,该算法以CIR法为基础,利用排序和连续（逆）乔里斯基降相关法对每步最小二乘法求得的模糊度浮点解和协方差矩阵进行降相关,最后采用改进的最近点搜索（MAEVZ）法固定整周模糊度.仿真实验表明,在伪距观测噪声为2.0 m,载波相位观测噪声为0.03周的短基线环境下,CIR法单历元整周模糊度解算成功率已经低于5%,无法正确固定整周模糊度,而改进的CIR法单历元整周模糊度解算成功率仍能达到90%以上.      

RTK快速求解整周模糊度算法及应用

分析了GPS-RTK测量速度的关键即解算整周模糊度,通过对RTK整周模糊度算法原理的分析,提出了快速RTK求解整周模糊度算法.该算法首先确定未知点的初始坐标,进而得到初始模糊度;然后以初始值为中心建立一个搜索空间,应用最小二乘原理搜索出准确的模糊度值.     

改进LAMBDA算法实现GPS整周模糊度快速解算

针对LAMBDA算法在实时解算GPS整周模糊度过程中存在模糊度浮点解偏差大、搜索范围大的缺点,采用Tikhonov正则化改进LAMBDA算法,对宽巷双差观测方程和L1双差观测方程中未知参数的系数矩阵进行奇异值(USV)分解,用分解后的协方差矩阵替换经典LAMBDA算法的协方差矩阵进行整周模糊度的搜索,该算法提高了模糊度浮点解的精度,缩小了模糊度的搜索范围.为了验证本文算法的正确性,对实测GPS基线观测数据进行了实验分析.结果表明:改进后的LAMBDA算法模糊度浮点解精度显著提高,改进后的LAMBDA算法模糊度固定成功率可以达到100%,可以无需初始化时间即可固定模糊度整数解,快速实现厘米级定位.     

半参数模型约束条件下估计量的统计诊断

利用最小惩罚二乘原理构造加权惩罚平方和，导出了约束条件下，半参数模型中正规化矩阵正定时半参数平差的计算方法，用直接法得到了参数和半参数的估计量，并将此方法引入测绘领域，给出了相应的公式。     

广义线性模型中基于拟似然的变量选择方法

变量选择是建立广义线性模型的基础．为了选择变量,本文提出了一种惩罚拟似然方法．这种方法不需要知道数据的分布,而只要求知道数据的一二阶矩．在统计推断过程中,此方法同时进行变量选择和参数估计,得到估计具有Oracle性质,并是渐近有效的．同时,本文定义了一种后验拟似然,于是,选择变量的过程就是一个比较拟后验密度的过程．特别的,对于线性模型,比较拟后验密度就等价于比较惩罚残差平方和．     

基于惩罚回归样条的函数导数拟合

在函数形式未知,而已知该函数的带误差的离散数据点情况下,运用基于p次截断幂基的惩罚回归样条拟合数据点,并在拟合出的曲线基础上求出函数的一阶导数。该方法将经典最小二乘法和惩罚样条方法进行结合,既考虑了拟合优度,又兼顾拟合曲线的光滑性,模拟和实际应用的例子显示此种方法效果较理想。     

露天矿行车事故预测方法及应用

为有效解决露天矿山行车事故预测模型建模时,易受小样本数据、离群数据规模影响,导致模型精度损失、算法抗噪容差能力及收敛速度下降等问题,提出一种基于二次惩罚项修正(PTS)的改进支持向量回归机模型(WLSSVR)。根据训练样本的数据分布特性,研究了服从露天矿山现实应用场景的二次惩罚项,进一步提高回归机模型的抗噪容差能力;考虑非线性预测模型影响因子选择困难的问题,研究了数据降维及因子分析方法,并将主成分分析方法引入到输入数据预处理算法中,以保证算法可得到理想的输入;针对传统回归机模型易受核参数选择影响,易导致模型早熟和收敛速度慢等问题,研究了粒子群惯性因子、学习因子的自适应迭代形式,提出了一种应用改进粒子群算法优化回归机模型核参数的方法。以露天矿行车事故频次预测为例,进行了预测和对比实验。实验结果表明:引入PTS模型的测试集预测结果明显优于不采用PTS策略的预测结果。这说明,应用文中提出的二次惩罚策略和参数优化算法对复杂系统的事故预测问题研究是可行且有效的。     

求解低秩密度矩阵约束最小二乘问题的优函数罚方法

本文应用优函数罚方法求解具有低秩密度矩阵约束的最小二乘问题. 首先用凸差方法处理非凸的低秩约束,并结合罚方法和优函数方法将原问题转化为一系列具有密度矩阵约束的凸优化问题,然后给出求解该优化问题的优函数罚方法,并对该方法进行收敛性分析. 之后,运用半光滑牛顿增广拉格朗日算法求解优函数罚方法的子问题. 最后,合成数据集和真实数据集上的数值结果表明了优函数罚方法有效地求解了具有低秩密度矩阵约束的最小二乘问题.     

基于DP算法的变量选择

在DP算法的基础上,提出了新的PDP算法,来实现带有惩罚函数的目标函数中参数估计的计算问题。新算法为基于惩罚函数的变量选择方法在计算上的实现提供了新的选择,同时通过数据模拟分析验证了新算法的有效性。     

对散度—旋度系统三类不同有限元法数值试验的比较

本文对散度-旋度系统给出了三类不同的有限元法,即最小二乘法,惩罚法和子域配置/最小二乘法。数值试验与理论分析得到的收敛阶一致。‖e‖_1≤ch_1,‖e‖_0≤C_2h~2只是常数C略有不同。上列方法也可用于一般一阶线性椭圆方程组的正则边值问题.     

基于递推正交最小二乘的RBF网络结构优化

讨论了次胜者受罚的竞争学习规则,提出了基于最小二乘（OLS）递推算法,采用改进的Givens旋转变换技术避免了大型矩阵的QR分解运算。在满足系统测量精度条件下,使用反向优选算法优化RBF网络结构。仿真结果表明,所得算法能有效地解决网络学习隐层单元的确定需要人介入的问题,适用于非线性系统的建模。     

基于弹性网惩罚的复合分位数回归估计

针对高维数据的建模分析问题,提出一种基于弹性网络法和复合分位数回归相结合的稳健估计方法。 在该 估计方法中,所提出的模型能够有效进行变量选择与系数压缩,并处理数据间的多重共线性与群组效应问题,在大 数据时代下具有较广的适应性。 同时,与已有的惩罚最小二乘估计和惩罚分位数回归估计相比,该估计方法不仅 放宽了对模型误差项的分布要求,而且综合考虑了多个分位点的损失,在面对离群值或呈现尖峰、厚尾分布数据时 能够保持更强的稳健性和抗干扰性。 在一定条件下,对所构建模型估计的相合性与稀疏性进行了理论分析,结果 表明:所提出的模型能够将不相关的变量完全压缩至零,且估计量和真实系数以趋于 1 的概率相同。 此外,在数值 模拟方面,设置了 5 种误差项分布条件,根据设定的 4 项指标,通过与其他惩罚函数模型以及损失函数模型进行比 较,结果表明新提出的方法具备更好的稳健性与有效性。     

统计回归模型及其优化算法综述

在大数据时代,正则化(惩罚)回归模型成为高维数据分析的一种有效分析工具.文中从统计模型理论和优化算法两个角度对正则化回归模型进行简要的概述,主要介绍线性回归模型、广义线性模型和分位数回归模型三种经典且重要的回归模型以及相应的正则项.对于线性回归模型,介绍最小二乘回归和l_1-正则最小二乘回归问题的优化算法;对广义线性模型和分位数回归模型,介绍逻辑回归模型和求解l_1-正则逻辑回归问题的优化算法,并展示分位数回归模型和求解相应的正则化分位数回归模型的优化算法.最后,对正则化回归模型未来的研究方向进行展望.