EIV模型如下：

式中，$ \mathit{\boldsymbol{y}}\in {\mathit{\boldsymbol{R}}}^{m\times 1} $为观测向量；e_y为其误差向量；$ \mathit{\boldsymbol{A}}\in {\mathit{\boldsymbol{R}}}^{m\times n} $为系数矩阵；E_A为其误差矩阵；$ \mathit{\boldsymbol{x}}\in {\mathit{\boldsymbol{R}}}^{m\times 1} $为参数向量。

STLS问题的函数模型如式（1）所示，该模型要求系数矩阵的增广矩阵$ \mathit{\boldsymbol{C}}=\left[\mathit{\boldsymbol{A}}\;\;\mathit{\boldsymbol{y}}\right] $与其误差矩阵$ \mathrm{\Delta }\mathit{\boldsymbol{C}}=\left[{\mathit{\boldsymbol{E}}}_{\mathit{\boldsymbol{A}}}{\mathit{\boldsymbol{e}}}_{\mathit{\boldsymbol{y}}}\right] $具有相同的结构。在此假设$ \mathit{\boldsymbol{C}} $仅存在某种仿射结构，由$ \mathit{\boldsymbol{C}} $中独立随机量组成的向量为$ \mathit{\boldsymbol{p}}\in {\mathit{\boldsymbol{R}}}^{{n}_{\mathit{p}}} $，$ {n}_{\mathit{p}} $为独立随机量个数。故根据变量投影法可以将$ \mathit{\boldsymbol{C}} $表示为如下仿射函数^[15]：

式中，$ {\mathit{\boldsymbol{S}}}_{0} $为固定量仿射结构矩阵，$ {\mathit{\boldsymbol{S}}}_{0} $中非零元素为$ \mathit{\boldsymbol{C}} $中固定量；$ {\mathit{\boldsymbol{S}}}_{i} $为随机量$ {\mathit{\boldsymbol{p}}}_{i} $对应的仿射结构矩阵，一般为稀疏矩阵。STLS问题的数学模型为：

式中，$ {\mathit{\boldsymbol{x}}}_{\mathrm{e}\mathrm{x}\mathrm{t}}=\left[\begin{array}{c}\mathit{\boldsymbol{x}}\\ -1\end{array}\right] $为$ \mathit{\boldsymbol{x}} $的增广向量；$ \mathit{\boldsymbol{Q}} $为$ \mathit{\boldsymbol{p}} $的正定协因数阵；$ \mathrm{\Delta }\mathit{\boldsymbol{p}} $为$ \mathit{\boldsymbol{p}} $的观测误差。STLS问题的目标函数为：

对STLS问题的函数模型，进一步变形为^[15]：

式中，$ \mathit{\boldsymbol{r}}\left(\mathit{\boldsymbol{x}}\right)=\mathit{\boldsymbol{S}}\left(\mathit{\boldsymbol{p}}\right){\mathit{\boldsymbol{x}}}_{\mathrm{e}\mathrm{x}\mathrm{t}}=-(\mathit{\boldsymbol{y}}-\mathit{\boldsymbol{A}}\mathit{\boldsymbol{x}}) $；结构矩阵$ \mathit{\boldsymbol{G}}\left(\mathit{\boldsymbol{x}}\right)=\left[\begin{array}{cccc}{\mathit{\boldsymbol{S}}}_{1}{\mathit{\boldsymbol{x}}}_{\mathrm{e}\mathrm{x}\mathrm{t}}& {\mathit{\boldsymbol{S}}}_{2}{\mathit{\boldsymbol{x}}}_{\mathrm{e}\mathrm{x}\mathrm{t}}& \cdots & {\mathit{\boldsymbol{S}}}_{{n}_{\mathit{\boldsymbol{p}}}}{\mathit{\boldsymbol{x}}}_{\mathrm{e}\mathrm{x}\mathrm{t}}\end{array}\right]=\mathit{\boldsymbol{B}}\mathit{\boldsymbol{\psi }} $，其中，$ \mathit{\boldsymbol{\psi }}=\left[\begin{array}{cccc}\mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{\boldsymbol{S}}}_{1}\right)& \mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{\boldsymbol{S}}}_{2}\right)& \cdots & \mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{\boldsymbol{S}}}_{{n}_{\mathit{\boldsymbol{p}}}}\right)\end{array}\right] $，$ \mathit{\boldsymbol{B}}={\mathit{\boldsymbol{x}}}_{\mathrm{e}\mathrm{x}\mathrm{t}}^{\mathrm{T}}\otimes {\mathit{\boldsymbol{I}}}_{m} $，$ \mathrm{v}\mathrm{e}\mathrm{c}(\cdot ) $为矩阵向量化算子，$ \otimes $为克罗内克乘积算子。

此时，STLS问题可以表示为：$ \underset{\mathit{\boldsymbol{x}}, \mathrm{\Delta }\mathit{\boldsymbol{p}}}{\mathrm{m}\mathrm{i}\mathrm{n}}{‖\mathrm{\Delta }\mathit{\boldsymbol{p}}‖}_{{\mathit{\boldsymbol{Q}}}^{-1}}^{2} $。其中，

式（6）本质上是一个非线性约束优化问题，可以从目标函数出发采用拉格朗日乘数法进行求解。

对于STLS问题，由拉格朗日乘数法构造其目标函数为：

将式（7）分别对$ \mathrm{\Delta }\mathit{\boldsymbol{p}} $、$ \mathit{\boldsymbol{\lambda }} $、$ \mathit{\boldsymbol{x}} $求偏导并令其等于零得：

式中，$ \left(\widehat{\cdot }\right) $表示相应参数的估值，并根据式（2）重构系数矩阵误差矩阵的估值为：

式中，$ \mathrm{\Delta }{\widehat{\mathit{\boldsymbol{p}}}}_{i}^{\mathit{\boldsymbol{A}}} $和$ {\mathit{\boldsymbol{S}}}_{i}^{\mathit{\boldsymbol{A}}} $分别为系数矩阵中独立随机量估值和其对应的仿射结构矩阵；$ {n}_{\mathit{\boldsymbol{p}}}^{\mathit{\boldsymbol{A}}} $为系数矩阵中独立随机量的个数。

假设$ \widehat{\mathit{\boldsymbol{x}}} $已知，式（9）可视为经典平差中的条件平差模型，由条件平差法可得：

其中，$ \mathit{\boldsymbol{\Gamma }}\left(\widehat{\mathit{\boldsymbol{x}}}\right)=\mathit{\boldsymbol{G}}\left(\widehat{\mathit{\boldsymbol{x}}}\right)\mathit{\boldsymbol{Q}}{\mathit{\boldsymbol{G}}}^{\mathrm{T}}\left(\widehat{\mathit{\boldsymbol{x}}}\right) $。

将式（12）代入式（8），并将方程两侧同乘$ \mathit{\boldsymbol{G}}\left(\widehat{\mathit{\boldsymbol{x}}}\right)\mathit{\boldsymbol{Q}} $得：

$ \mathit{\boldsymbol{G}}\left(\widehat{\mathit{\boldsymbol{x}}}\right)\mathit{\boldsymbol{Q}}{\mathit{\boldsymbol{G}}}^{\mathrm{T}}\left(\widehat{\mathit{\boldsymbol{x}}}\right) $具有凯利逆，故可得：

将式（14）代入式（10），变形，得：

进一步可得：

式中，$ \widehat{\mathit{\boldsymbol{A}}}=\mathit{\boldsymbol{A}}-{\widehat{\mathit{\boldsymbol{E}}}}_{\mathit{\boldsymbol{A}}} $。式（16）具有经典平差中参数平差模型最小二乘解的形式。

算法的迭代过程如下：

1）初始值：假设$ \mathit{\boldsymbol{A}} $无误差，通过LS估计求得参数的初值$ {\widehat{\mathit{\boldsymbol{x}}}}^{0} $。

2）由$ {\widehat{\mathit{\boldsymbol{x}}}}^{t} $通过式（12）可得$ \mathrm{\Delta }{\widehat{\mathit{\boldsymbol{p}}}}^{t+1} $，进而通过式（11）重构$ {\widehat{\mathit{\boldsymbol{E}}}}_{\mathit{\boldsymbol{A}}}^{t+1} $，即$ {\widehat{\mathit{\boldsymbol{E}}}}_{\mathit{\boldsymbol{A}}}^{t+1}=\sum\limits _{i=1}^{{n}_{\mathit{\boldsymbol{p}}}^{\mathit{\boldsymbol{A}}}}{\mathit{\boldsymbol{S}}}_{i}^{\mathit{\boldsymbol{A}}}(\mathrm{\Delta }{\widehat{p}}_{i}^{\mathit{\boldsymbol{A}}}{)}^{t+1} $，进一步得$ {\widehat{\mathit{\boldsymbol{A}}}}^{t+1}=\mathit{\boldsymbol{A}}-{\widehat{\mathit{\boldsymbol{E}}}}_{\mathit{\boldsymbol{A}}}^{t+1} $，然后得到$ {\mathit{\boldsymbol{\Gamma }}}^{-1}\left({\widehat{\mathit{\boldsymbol{x}}}}^{t}\right) $，最终计算出新的参数估值为：

3）重复步骤2），直到满足收敛条件$ ‖{\widehat{\mathit{\boldsymbol{x}}}}^{t+1}-{\widehat{\mathit{\boldsymbol{x}}}}^{t}‖<\epsilon $，其中，$ \epsilon $为收敛阈值。

对于STLS问题，假设只有$ \mathit{\boldsymbol{y}} $存在误差，可将EIV模型转化为高斯-马尔可夫（Gauss-Markov，GM）模型，即：

当$ \mathit{\boldsymbol{A}} $存在误差$ {\mathit{\boldsymbol{E}}}_{\mathit{\boldsymbol{A}}} $，将其代入式（18）有：

顾及GM模型的假设，式（19）左侧的系数矩阵$ \mathit{\boldsymbol{A}}-{\mathit{\boldsymbol{E}}}_{\mathit{\boldsymbol{A}}} $无误差。同时，式（16）中e_y受到$ {\mathit{\boldsymbol{E}}}_{\mathit{\boldsymbol{A}}} $的增益，故$ {\mathit{\boldsymbol{e}}}_{{\mathit{\boldsymbol{y}}}_{\mathit{\boldsymbol{c}}}} $的协因数阵为$ {\mathit{\boldsymbol{Q}}}_{{\mathit{\boldsymbol{e}}}_{{\mathit{\boldsymbol{y}}}_{\mathit{\boldsymbol{c}}}}}=\mathit{\boldsymbol{G}}\mathit{\boldsymbol{Q}}{\mathit{\boldsymbol{G}}}^{\mathrm{T}}=\mathit{\boldsymbol{\Gamma }}\left(\mathit{\boldsymbol{x}}\right) $。进而由参数平差法得：

将式（12）和式（20）相结合用于求解STLS问题。由上述分析可得，TLS问题的求解可以转化为两个LS问题的求解。这一思想在文献[14]中得到了体现，该文献将STLS问题中的待估量分为$ \mathrm{\Delta }\mathit{\boldsymbol{p}} $和$ \mathit{\boldsymbol{x}} $两类，利用式（12）求解$ \mathrm{\Delta }\mathit{\boldsymbol{p}} $，通过直接改正系数矩阵误差求解$ \mathit{\boldsymbol{x}} $，即：

当$ {\mathit{\boldsymbol{E}}}_{\mathit{\boldsymbol{A}}}\to 0 $，式（20）趋近于式（21），因而，式（21）可以视为式（20）的简化形式。在建立求解$ \mathit{\boldsymbol{x}} $的GM模型时，式（21）并没有顾及$ \mathit{\boldsymbol{A}} $的误差$ {\mathit{\boldsymbol{E}}}_{\mathit{\boldsymbol{A}}} $改正后对GM模型的影响。这一影响不断被$ {\mathit{\boldsymbol{e}}}_{\mathit{\boldsymbol{y}}} $吸收，影响迭代效率和迭代稳定性，同时，也无法直接获得TLS估计下$ \mathit{\boldsymbol{y}} $的改正数。

根据TLS原理，上述STLS估计算法的单位权方差可以表示为：

式中，$ d=m-n $为自由度，其数值与观测方程个数和参数个数有关。本文得到的参数$ \mathit{\boldsymbol{x}} $的估计表达式具有LS解的形式，因而，可以采用协因数传播律求解参数的协因数阵。由§1.2的分析可知，$ {\mathit{\boldsymbol{y}}}_{\mathit{\boldsymbol{c}}} $对应的误差向量$ {\mathit{\boldsymbol{e}}}_{{\mathit{\boldsymbol{y}}}_{\mathit{\boldsymbol{c}}}} $的协因数阵为$ \mathit{\boldsymbol{\Gamma }}\left(\mathit{\boldsymbol{x}}\right) $，所以根据协因数传播律得：

式（23）即为STLS问题参数协因数阵的一阶近似估计公式。

选取的直线拟合算例^[16]给出了10组坐标$ ({u}_{i}, {v}_{i}) $用于拟合直线的截距$ a $和斜率$ b $，其中，i=1，2…10。其对应的EIV模型为：

式中，$ ({e}_{{u}_{i}}, {e}_{{v}_{i}}) $为10组坐标对应的误差，其中，i=1，2…10。由式（24）可知，截距$ a $对应的系数矩阵元素的误差理论上为零，因而本质上直线拟合问题是STLS问题。10组坐标及其对应的权如表 1所示^[16]。

将表 1中的数据分别采用3种WTLS估计算法（文献[17]算法、文献[18]算法和文献[19]算法）和2种STLS估计算法（文献[15]算法和本文算法）进行求解。各种迭代算法收敛阈值设为$ 1\times {10}^{-10} $，相应的参数估值$ \widehat{a} $和$ \widehat{b} $、验后单位权方差估值$ {\widehat{\sigma }}_{0}^{2} $、参数估计精度$ {\widehat{\sigma }}_{\widehat{a}}^{2} $和$ {\widehat{\sigma }}_{\widehat{b}}^{2} $以及迭代次数如表 2所示。

由表 2可知，各种算法均能得到一致的估计结果，即本文算法与现有的WTLS估计算法结果一致，说明本文算法是有效的。它们的收敛次数有差别：文献[17]算法需要13次迭代收敛；文献[15]算法优于文献[17]算法，需要9次迭代收敛；文献[18]算法的迭代收敛减少到8次；文献[19]算法和本文算法迭代收敛次数最少，均为7次；本文算法相对文献[15]算法迭代效率有提高。

通过构造秩亏的观测权阵^[8]，各种WTLS估计算法^[17-19]可以解决STLS问题，但是WTLS估计需要求解系数矩阵的增广矩阵中的所有元素，因此，其待估量个数和观测权阵维数大于STLS估计。参数估计表达式的差异是决定迭代效率的重要因素，上述各种WTLS估计算法中，文献[19]算法迭代效率最高，并且参数估计表达式具有LS解的形式，本文给出的参数估计表达式结构与之相同，这也是本文算法在上述几种加权或者结构总体最小估计算法中迭代效率最高的原因。

自回归分析是统计上处理时间序列的一种常用方法。文献[20]给出了线性自回归模型的一个测量实例。该实例为对某一建筑物进行了36期沉降观测（如表 3所示^[20]），并且认为不同期观测独立等精度。

为便于比较，参照文献[20]，采用三阶线性自回归模型进行建模。对应的EIV模型如下：

式中，$ {\xi }_{1} $、$ {\xi }_{2} $、$ {\xi }_{3} $表示自回归模型的参数；$ {H}_{i}^{\mathrm{*}} $表示第i期沉降观测值，其中，i=1，2…36；“*”表示随机量。

利用本文算法进行解算时，还需要给出$ \mathit{\boldsymbol{\psi }} $，系数矩阵的增广矩阵C可表示为：

根据式（2）构造$ \mathit{\boldsymbol{C}} $的仿射结构矩阵$ {\mathit{\boldsymbol{S}}}_{1}~{\mathit{\boldsymbol{S}}}_{36} $，$ \mathit{\boldsymbol{C}} $具有Hankel矩阵结构。不难发现，依次保留$ \mathit{\boldsymbol{C}} $各主对角线元素并置为1，即为$ {\mathit{\boldsymbol{S}}}_{1}~{\mathit{\boldsymbol{S}}}_{36} $，进而可得$ \mathit{\boldsymbol{\psi }}=\left[\begin{array}{ccc}\mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{\boldsymbol{S}}}_{1}\right)\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{\boldsymbol{S}}}_{2}\right)& \cdots & \mathrm{v}\mathrm{e}\mathrm{c}\left({\mathit{\boldsymbol{S}}}_{36}\right)\end{array}\right] $。

分别采用1种WTLS估计算法（文献[19]算法）和4种STLS估计算法（文献[10]算法、文献[21]算法、文献[15]算法、本文算法）对表 3中数据进行求解，设置收敛阈值为$ 1\times {10}^{-10} $，相应的参数估值（$ {\widehat{\xi }}_{1} $、$ {\widehat{\xi }}_{2} $和$ {\widehat{\xi }}_{3} $）、验后单位权方差估值$ {\widehat{\sigma }}_{0}^{2} $、参数估计精度（$ {\widehat{\sigma }}_{{\widehat{\xi }}_{1}}^{2} $、$ {\widehat{\sigma }}_{{\widehat{\xi }}_{2}}^{2} $和$ {\widehat{\sigma }}_{{\widehat{\xi }}_{3}}^{2} $）及迭代次数如表 4所示。

算例1中的直线拟合问题仅是系数矩阵存在固定列，为进一步说明本文算法的有效性，选取了线性自回归问题，该问题中系数矩阵的增广矩阵为Hankel矩阵。由表 4可知，各种算法估计结果具有一致性，验证了本文算法的有效性。在迭代效率方面，文献[15]算法需要60次迭代收敛；其余各种算法优于文献[15]算法，均需要43次迭代收敛，可见，本文给出的STLS估计算法迭代效率同样优于文献[15]算法。

通过提取独立随机量建立结构矩阵，STLS问题可以利用各种STLS估计算法^{[10, 15, 21]}进行求解。文献[10]算法、文献[21]算法以及本文算法参数估计表达式和结构矩阵提取方式如表 5所示。

由表 5可知，文献[10]算法、文献[21]算法和本文算法参数估计表达式的结构与文献[19]算法均是相同的，所以它们的迭代效率相同，这种参数估计表达式更早见于文献[22-23]。但是3种方法的结构矩阵提取方法存在差别，其中，文献[10]算法和文献[21]算法结构矩阵提取时，并不考虑系数矩阵和观测向量包含相同随机量的情况，因而，在处理自回归模型时需要利用文献[8]中给出的方法生成秩亏的观测权阵。理论上，文献[21]算法给出的矩阵$ {\mathit{\boldsymbol{C}}}_{1} $形式并不唯一，其中一种形式即为文献[10]算法中的矩阵$ \mathit{\boldsymbol{S}} $。当然各种算法公式推导过程等方面也存在差异，详情参考文献[10, 21]。

文献[15]引入变量投影法构造结构矩阵，这种方法原理简单，规律性强，独立于求解问题。但是文献[15]的算法推导过程相对复杂、计算效率较低，并且不能给出参数的近似精度估计。为此，本文给出了一种将系数矩阵的增广矩阵中随机量纳入随机模型的新思路，通过变量投影法对函数模型进行重构，将系数矩阵的增广矩阵表示为独立随机量的仿射函数形式，采用非线性拉格朗日乘数法得到了一种STLS估计算法，并给出了单位权方差和参数的一阶近似协因数阵估计公式。

1）两个算例表明，本文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者结构总体最小二乘算法估计结果一致，说明了本文算法的有效性，并且相比文献[15]的算法提高了迭代效率。

2）与通过构造秩亏观测权阵的各种WTLS估计算法相比，本文算法仅需要建立系数矩阵的增广矩阵中独立随机量的正定观测权阵，降低了待估量个数。与其他STLS估计算法相比，本文引入了变量投影法这一结构矩阵构造方法，顾及了EIV模型中系数矩阵和观测向量的整体结构，即考虑了系数矩阵和观测向量包含相同随机量的情况，因而，在处理诸如自回归模型等问题时，无需再建立秩亏的观测权阵。

3）通过对各种算法的比较可知，STLS估计和WTLS估计分别从从函数模型和随机模型的角度确保TLS估计的统计最优性，WTLS估计和STLS估计具有等价性。

4）本文给出的STLS算法具有一般性，适用于系数矩阵和观测向量包含随机量、固定量以及固定列等情况，当系数矩阵全为固定值，本文算法转变成加权LS估计算法，当系数矩阵和观测向量仅包含随机量，本文算法等价于WTLS估计算法。