留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

乘性误差模型参数估计及精度评定的Sterling插值方法

王乐洋 邹传义

王乐洋, 邹传义. 乘性误差模型参数估计及精度评定的Sterling插值方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
引用本文: 王乐洋, 邹传义. 乘性误差模型参数估计及精度评定的Sterling插值方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
WANG Leyang, ZOU Chuanyi. Sterling Interpolation Method for Parameter Estimation and Precision Estimation in Multiplicative Error Model[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
Citation: WANG Leyang, ZOU Chuanyi. Sterling Interpolation Method for Parameter Estimation and Precision Estimation in Multiplicative Error Model[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052

乘性误差模型参数估计及精度评定的Sterling插值方法

doi: 10.13203/j.whugis20200052
基金项目: 

国家自然科学基金 41874001

国家自然科学基金 41664001

国家自然科学基金 42174011

详细信息
    作者简介:

    王乐洋,博士,教授,主要研究方向为大地测量反演及大地测量数据处理。wleyang@163.com

  • 中图分类号: P207

Sterling Interpolation Method for Parameter Estimation and Precision Estimation in Multiplicative Error Model

Funds: 

The National Natural Science Foundation of China 41874001

The National Natural Science Foundation of China 41664001

The National Natural Science Foundation of China 42174011

More Information
    Author Bio:

    WANG Leyang, PhD, professor, majors in geodetic inversion and geodetic data processing. E-mail: wleyang@163.com

  • 摘要: 乘性误差模型加权最小二乘参数估值是观测值的非线性函数,观测值的权是加权最小二乘参数估值的非线性函数。已有的乘性误差模型参数估计方法理论上可以达到二阶无偏,但精度评定方法只能达到一阶精度,并且参数估计逐步的迭代过程使得参数及改正数的每一步估值都具有随机性,使得最终的参数估值与观测值为复杂的非线性关系。考虑到非线性迭代过程对加权最小二乘参数带来的影响,使用一种无需求导的Sterling插值方法求解参数估值的均值和标准差。模拟实验表明,当模型非线性较高时,考虑每次迭代的随机性对参数估值的影响可以得到更接近真值的参数估值,并且所提方法的精度评定可以达到二阶精度,验证了Sterling插值方法用于乘性误差模型参数估计及其精度评定的适用性和有效性。
  • 图  1  不含误差的直线和受到乘性误差干扰后的坐标点

    Figure  1.  Line Without Error and Coordinate Points Disturbed by Multiplicative Error

    图  2  不含误差和受到乘性误差干扰后的数字高程模型

    Figure  2.  DEM Without Error and Disturbed by Multiplicative Error

    表  1  算例1中求得的参数估值、二范数、单位权中误差和标准差/m

    Table  1.   Estimated Parameters, 2-Norm, Unit Weight Error and Standard Deviation Calculated in Example 1 /m

    方法 β̂1 β̂2 2-Norm σ̂0 σ̂1 σ̂2
    真值 10 16 - 0.5 - -
    LS法 9.532 16.024 0.468 2.679 1.456 0.160
    WLS法 10.269 15.901 0.286 0.553 0.565 0.143
    文献[13]方法 10.083 15.926 0.111 0.551 0.561 0.141
    本文Sterling插值方法 10.082 15.925 0.111 0.553 0.553 0.132
    下载: 导出CSV

    表  2  算例2中求得的参数估值、二范数、单位权中误差和标准差/m

    Table  2.   Estimated Parameters, 2-Norm, Unit Weight Error and Standard Deviation Calculated in Example 2 /m

    方法 β̂1 β̂2 β̂3 β̂4 2-Norm σ̂0 σ̂1 σ̂2 σ̂3 σ̂4
    真值 40 25 50 20 - 0.3 - - - -
    LS法 45.939 25.646 45.719 17.904 7.644 2.034 3.181 0.361 2.031 1.503
    WLS法 41.998 25.279 48.969 19.241 2.389 0.290 1.236 0.172 0.967 0.421
    文献[13]方法 41.736 25.214 48.724 19.339 2.264 0.291 1.234 0.171 0.965 0.420
    本文Sterling插值方法 41.735 25.213 48.725 19.339 2.262 0.290 1.224 0.170 0.960 0.415
    下载: 导出CSV
  • [1] 师芸, 徐培亮, 彭军还. 乘性误差模型平差理论研究进展概述[J]. 工程勘察, 2014, 42(6): 60-66 https://www.cnki.com.cn/Article/CJFDTOTAL-GCKC201406014.htm

    Shi Yun, Xu Peiliang, Peng Junhuan. Multiplicative Error Models: An Applications-Oriented Review of Parameter Estimation Methods and Statistical Error Analysis[J]. Geotechnical Investigation & Surveying, 2014, 42(6): 60-66 https://www.cnki.com.cn/Article/CJFDTOTAL-GCKC201406014.htm
    [2] 潘正风, 程效军, 成枢, 等. 数字测图原理与方法[M]. 武汉: 武汉大学出版社, 2004

    Pan Zhengfeng, Cheng Xiaojun, Cheng Shu, et al. Principles and Methods of Digital Mapping[M]. Wuhan: Wuhan University Press, 2004
    [3] Xu P L. Despeckling SAR-Type Multiplicative Noise[J]. International Journal of Remote Sensing, 1999, 20(13): 2577-2596 doi:  10.1080/014311699211949
    [4] Kaplan L M. Analysis of Multiplicative Speckle Models for Template-Based SAR ATR[J]. IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(4): 1424-1432 doi:  10.1109/7.976977
    [5] López-Martínez C, Fàbregas X, Pipia L. Forest Parameter Estimation in the Pol-InSAR Context Employing the Multiplicative-Additive Speckle Noise Model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(5): 597-607 doi:  10.1016/j.isprsjprs.2011.03.006
    [6] 高贵, 张军, 吕信明, 等. SAR图像乘性噪声模型分析[J]. 信号处理, 2008, 24(2): 161-167 https://www.cnki.com.cn/Article/CJFDTOTAL-XXCN200802002.htm

    Gao Gui, Zhang Jun, Xinming Lü, et al. Analysis of Multiplicative Noise Models in SAR Imagery[J]. Signal Processing, 2008, 24(2): 161-167 https://www.cnki.com.cn/Article/CJFDTOTAL-XXCN200802002.htm
    [7] Xu P L, Shimada S. Least Squares Parameter Estimation in Multiplicative Noise Models[J]. Communications in Statistics - Simulation and Computation, 2000, 29(1): 83-96 doi:  10.1080/03610910008813603
    [8] 师芸. 乘性随机误差模型的最小二乘平差与精度评定[J]. 西南交通大学学报, 2014, 49(5): 799-803 doi:  10.3969/j.issn.0258-2724.2014.05.009

    Shi Yun. Least Squares Adjustment and Accuracy Estimation in Multiplicative Error Models[J]. Journal of Southwest Jiaotong University, 2014, 49(5): 799-803 doi:  10.3969/j.issn.0258-2724.2014.05.009
    [9] 师芸. 加乘性混合误差模型参数估计方法及其应用[J]. 武汉大学学报·信息科学版, 2014, 39(9): 1033-1037 doi:  10.13203/j.whugis20130355

    Shi Yun. Least Squares Parameter Estimation in Additive/Multiplicative Error Models for Use in Geodesy[J]. Geomatics and Information Science of Wuhan University, 2014, 39(9): 1033-1037 doi:  10.13203/j.whugis20130355
    [10] Xu P L, Shi Y, Peng J H, et al. Adjustment of Geodetic Measurements with Mixed Multiplicative and Additive Random Errors[J]. Journal of Geodesy, 2013, 87(7): 629-643 doi:  10.1007/s00190-013-0635-2
    [11] Shi Y, Xu P L. Comparing the Estimates of the Variance of Unit Weight in Multiplicative Error Models[J]. Acta Geodaetica et Geophysica, 2015, 50(3): 353-363 doi:  10.1007/s40328-014-0096-y
    [12] 陈杨. 乘性误差随机模型的粗差探测[D]. 西安: 西安科技大学, 2017

    Chen Yang. Outlier Detection on Random Model of Multiplicative Error[D]. Xi'an: Xi'an University of Science and Technology, 2017
    [13] Shi Y, Xu P, Peng J, et al. Adjustment of Measurements with Multiplicative Errors: Error Analysis, Estimates of the Variance of Unit Weight, and Effect on Volume Estimation from LiDAR-Type Digital Elevation Models[J]. Sensors, 2014, 14(1): 1249-1266 doi:  10.3390/s140101249
    [14] Schei T S. A Finite-Difference Method for Lineari-zation in Nonlinear Estimation Algorithms[J]. Modeling, Identification and Control: A Norwegian Research Bulletin, 1998, 19(3): 141-152 doi:  10.4173/mic.1998.3.2
    [15] Nørgaard M, Poulsen N K, Ravn O. New Developments in State Estimation for Nonlinear Systems[J]. Automatica, 2000, 36(11): 1627-1638 doi:  10.1016/S0005-1098(00)00089-3
    [16] Ito K, Xiong K. Gaussian Filters for Nonlinear Filtering Problems[J]. IEEE Transactions on Automatic Control, 2000, 45(5): 910-927 doi:  10.1109/9.855552
    [17] Merwe R V D. Sigma Point Kalman Filters for Probabilistic Inference in Dynamic State Space Models[D]. Oregon: Oregon Health & Science University, 2004
    [18] Wang L Y, Zou C Y. Accuracy Analysis and Applications of the Sterling Interpolation Method for Nonlinear Function Error Propagation[J]. Measurement, 2019, 146: 55-64 doi:  10.1016/j.measurement.2019.06.017
    [19] Wang L Y, Zhao Y W. Unscented Transformation with Scaled Symmetric Sampling Strategy for Precision Estimation of Total Least Squares[J]. Studia Geophysica et Geodaetica, 2017, 61(3): 385-411 doi:  10.1007/s11200-016-1113-0
    [20] Wang L Y, Zhao Y W. Scaled Unscented Transformation of Nonlinear Error Propagation: Accuracy, Sensitivity, and Applications[J]. Journal of Surveying Engineering, 2018, 144(1): 04017022 doi:  10.1061/(ASCE)SU.1943-5428.0000243
    [21] 王乐洋, 邹传义, 吴璐璐. EIV模型参数求解的超球体单行采样法[J]. 测绘科学技术学报, 2018, 35(4): 368-372 https://www.cnki.com.cn/Article/CJFDTOTAL-JFJC201804007.htm

    Wang Leyang, Zou Chuanyi, Wu Lulu. A Spherical Simplex Unscented Transformation for Solving Parameters of EIV Model[J]. Journal of Geomatics Science and Technology, 2018, 35(4): 368-372 https://www.cnki.com.cn/Article/CJFDTOTAL-JFJC201804007.htm
  • [1] 彭飞, 王中, 孟庆旭, 潘雄, 邱封钦, 杨玉锋.  EM算法在p范混合模型参数估计中的应用 . 武汉大学学报 ● 信息科学版, 2022, 47(9): 1432-1438. doi: 10.13203/j.whugis20200172
    [2] 王乐洋, 邹传义.  PEIV模型参数估计理论及其应用研究进展 . 武汉大学学报 ● 信息科学版, 2021, 46(9): 1273-1283, 1297. doi: 10.13203/j.whugis20200312
    [3] 王乐洋, 赵英文.  非线性平差精度评定的自适应蒙特卡罗法 . 武汉大学学报 ● 信息科学版, 2019, 44(2): 206-213, 220. doi: 10.13203/j.whugis20170064
    [4] 谢建, 龙四春, 李黎, 李博超.  不等式约束加权整体最小二乘的凝聚函数法 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1526-1530. doi: 10.13203/j.whugis20160507
    [5] 潘雄, 罗静, 刘衍宏, 韦忠扬, 徐景田.  基于矩估计法的P范分布参数估计 . 武汉大学学报 ● 信息科学版, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
    [6] 王君刚, 陈俊平, 王解先, 章洁君, 宋雷.  对流层经验改正模型在中国区域的精度评估 . 武汉大学学报 ● 信息科学版, 2016, 41(12): 1656-1663. doi: 10.13203/j.whugis20140696
    [7] 汪奇生, 杨德宏, 杨腾飞.  EIV模型参数估计的新方法 . 武汉大学学报 ● 信息科学版, 2016, 41(3): 356-360. doi: 10.13203/j.whugis20140182
    [8] 姚宜斌, 刘强, 江国焰, 张良.  华北地区应变率及其精度评定 . 武汉大学学报 ● 信息科学版, 2015, 40(10): 1317-1323. doi: 10.13203/j.whugis20140001
    [9] 姚宜斌, 孔建.  顾及设计矩阵随机误差的最小二乘组合新解法 . 武汉大学学报 ● 信息科学版, 2014, 39(9): 1028-1032. doi: 10.13203/j.whugis20130030
    [10] 师芸.  加乘性混合误差模型参数估计方法及其应用 . 武汉大学学报 ● 信息科学版, 2014, 39(9): 1033-1037. doi: 10.13203/j.whugis20130355
    [11] 王乐洋, 许才军.  总体最小二乘研究进展 . 武汉大学学报 ● 信息科学版, 2013, 38(7): 850-856.
    [12] 刘经南, 曾文宪, 徐培亮.  整体最小二乘估计的研究进展 . 武汉大学学报 ● 信息科学版, 2013, 38(5): 505-512.
    [13] 张小红, 李盼, 李星星, 郭斐.  天线相位中心改正模型对PPP参数估计的影响 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1470-1473.
    [14] 陶本藻, 邱卫宁.  线性模型估计方法的分析与进展 . 武汉大学学报 ● 信息科学版, 2007, 32(11): 972-974.
    [15] 宁伟, 陶华学, 卿熙宏.  广义非线性最小二乘测量参数平差的快速差分迭代解算 . 武汉大学学报 ● 信息科学版, 2005, 30(7): 617-620.
    [16] 陶本藻, 姚宜斌.  基于多面核函数配置型模型的参数估计 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 547-550.
    [17] 王新洲.  基于信息扩散原理的估计理论、方法及其抗差性 . 武汉大学学报 ● 信息科学版, 1999, 24(3): 240-244.
    [18] 王新洲.  非线性模型参数估计的直接解法 . 武汉大学学报 ● 信息科学版, 1999, 24(1): 64-67.
    [19] 陶本藻, 刘大杰.  参数估计的统一模型——广义Gauss-Markov模型 . 武汉大学学报 ● 信息科学版, 1990, 15(4): 76-84.
    [20] 奚长元.  变形模型辨识与参数估计 . 武汉大学学报 ● 信息科学版, 1990, 15(2): 72-81.
  • 加载中
图(2) / 表(2)
计量
  • 文章访问数:  289
  • HTML全文浏览量:  56
  • PDF下载量:  34
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-17
  • 刊出日期:  2022-02-05

乘性误差模型参数估计及精度评定的Sterling插值方法

doi: 10.13203/j.whugis20200052
    基金项目:

    国家自然科学基金 41874001

    国家自然科学基金 41664001

    国家自然科学基金 42174011

    作者简介:

    王乐洋,博士,教授,主要研究方向为大地测量反演及大地测量数据处理。wleyang@163.com

  • 中图分类号: P207

摘要: 乘性误差模型加权最小二乘参数估值是观测值的非线性函数,观测值的权是加权最小二乘参数估值的非线性函数。已有的乘性误差模型参数估计方法理论上可以达到二阶无偏,但精度评定方法只能达到一阶精度,并且参数估计逐步的迭代过程使得参数及改正数的每一步估值都具有随机性,使得最终的参数估值与观测值为复杂的非线性关系。考虑到非线性迭代过程对加权最小二乘参数带来的影响,使用一种无需求导的Sterling插值方法求解参数估值的均值和标准差。模拟实验表明,当模型非线性较高时,考虑每次迭代的随机性对参数估值的影响可以得到更接近真值的参数估值,并且所提方法的精度评定可以达到二阶精度,验证了Sterling插值方法用于乘性误差模型参数估计及其精度评定的适用性和有效性。

English Abstract

王乐洋, 邹传义. 乘性误差模型参数估计及精度评定的Sterling插值方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
引用本文: 王乐洋, 邹传义. 乘性误差模型参数估计及精度评定的Sterling插值方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
WANG Leyang, ZOU Chuanyi. Sterling Interpolation Method for Parameter Estimation and Precision Estimation in Multiplicative Error Model[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
Citation: WANG Leyang, ZOU Chuanyi. Sterling Interpolation Method for Parameter Estimation and Precision Estimation in Multiplicative Error Model[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
  • 随着测绘技术的发展,传统平差方法中的加性误差模型已难以满足现代观测数据处理的需求[1]。如在电磁波测距[2]和合成孔径雷达遥感[3-6]中,随机误差表现为与系数矩阵和参数估值乘积的形式,而非加减的形式。目前国内外仅有数篇关于乘性误差模型用于大地测量领域的研究论文[7-13]

    乘性误差模型的最小二乘解法由文献[7]首先提出,文献[8-10]在最小二乘解的基础上,使用加权最小二乘方法进行乘性误差模型参数估计;文献[11]研究了乘性误差模型的单位权方差计算问题;文献[12]研究了乘性误差模型的粗差探测问题;文献[13]在文献[7]的基础上删去观测值协因数阵对参数估值求偏导数的非零项,得到了加权最小二乘参数估值的理论上的二阶无偏估计,但是其精度评定方法只能达到一阶精度。目前常用的求解乘性误差模型的迭代解法为高斯牛顿法,乘性误差模型本质上是一种非线性模型,由于非线性的影响,在参数估值的求解过程中,每次迭代都伴有随机性,从而导致最后得到的参数估值和观测值之间的关系是一个非常复杂的非线性函数,无法用求导的方法考虑所有随机量的随机性来获得参数估值的均值和标准差。

    Sterling插值法是一种近似非线性函数概率密度分布的方法[14-16],其通过选择一定的步长因子h生成采样点,以差分的方式代替复杂的或难以实现的求导运算,不需要了解非线性函数的构成,通过加权的方法得到非线性函数二阶精度的均值和二阶精度的协方差阵。文献[14]将Sterling插值法用于扩展卡尔曼滤波中,可以得到比传统方法更好的结果;文献[15-16]将Sterling插值法用于解决高斯型滤波的非线性估计问题中,并提出中心卡尔曼滤波。在使用Sterling插值法求均值和协方差阵时无需求导,并且不需要了解非线性函数的构造,而乘性误差模型中参数估值和观测值之间的关系是一个非常复杂的非线性函数,因此Sterling插值法可以很好地用于乘性误差参数估计与精度评定中。

    针对已有文献未考虑迭代过程中参数及改正数的每一步的随机性,以及乘性误差本身的非线性对参数估值造成的影响,本文顾及加权最小二乘非线性迭代过程对参数带来的影响,使用一种无需求导、无需了解非线性函数构造的Sterling插值方法,通过对称采样的方式求解乘性误差模型中加权最小二乘参数估值的均值和标准差,并给出计算流程,通过模拟数值算例和数字高程模型(digital elevation model,DEM)数据处理算例验证本文方法的正确性和有效性。

    • 不同于表现为加性误差的高斯马尔可夫模型,乘性误差模型可以表示为[10]

      y=Aβ1+Em

      式中,yRn×1为观测向量;ARn×t为系数矩阵;βRt×1为未知参数;EmRn×1为服从正态分布的乘性误差向量;1Rn×1为元素全为1的列向量;为哈达玛乘积符号。

      假设乘性误差Em的元素之间不相关,标准差为σm,则乘性误差的协方差阵为Dm=Iσm2IRn×1为单位矩阵。对式(1)的等式两边取期望:

      Ey=Aβ

      由式(1)和式(2)可得观测值的协方差阵为:

      Dy=EEy-yEy-yT=            MaβDmMaβT

      式中,Maβ=diagaiβ为对角阵。

      由式(3)可得观测值的权阵为:

      P=Qy-1=MaβDmσ02MaβT-1

      式中,σ02为单位权方差。由式(4)可知,不同于传统的加性误差模型,乘性误差模型中,观测值的权是参数估值β的非线性函数。

    • 将加权最小二乘准则用于式(1)的乘性误差模型,可以得到目标函数的计算式为[13]

      min:F2β=y-AβTPy-Aβ

      文献[13]删去观测值协因数阵对参数估值求偏导数的非零项,得到偏差改正(bias corrected)的参数估值的二阶无偏估计β̂bc

      β̂bc=ATPA-1ATPy

      由于式(6)等号右侧中观测值的权为参数估值的高次幂,因此也无法使用解析法得到式(6)的解析解。将式(6)写为迭代形式:

      β̂bci+1=ATPiA-1ATPiy

      式中,β̂bci的初值为乘性误差模型的最小二乘解;Pi表示将β̂bci代入式(4)时的值。

      文献[13]给出β̂bc的一阶协方差阵计算式为:

      Dβ̂bc=ATPA-1σ̂bc2
    • 定义一般的非线性函数如下:

      Y=FX

      式中,XRk×1表示自变量;YRq×1表示因变量;F 表示自变量与因变量之间的非线性函数。

      Sterling插值法只需要获得自变量的先验信息,便可以求得因变量的后验信息。对于式(9),已知X的均值EX和协方差矩阵DX,便可求得Y的均值EY和协方差矩阵DY

      对于形如式(9)的一般非线性函数,Sterling插值法精度评定的步骤如下[17]

      1)构造平方根矩阵的列向量:

      SXi=hDXi,i=1, 2n

      式中,SXi 表示生成的第i个列向量;DX表示对观测值协方差阵DX进行Cholesky分解生成的下三角矩阵;DXi表示矩阵DX的第i列;h表示步长因子,取3

      2)通过对称采样,生成2n+1列采样值:

      χi=EX,i=0EX+SXi,i=1, 2nEX-SXi,i=n+1,n+22n

      式中,n表示自变量的个数;χi表示生成的第i个采样列向量。

      3)通过非线性函数计算采样列向量的样本点:

      υi=Fχi,i=0, 1,22n

      4)计算因变量的均值:

      EY=h2-nh2υ0+12h2i=12nυi

      5)计算因变量的协方差阵:

      DY=14h2i=1nυi-υi+nυi-υi+nT+    h2-14h4i=1nυi+υi+n-2υ0υi+υi+n-2υ0T

      文献[18]证明了Sterling插值法求得的非线性函数因变量的均值EY和协方差阵DY均可以达到二阶精度。

    • 本文将乘性误差模型的加权最小二乘迭代解法总结如下:

      1)输入观测值y和系数矩阵A,计算最小二乘估值:

      β̂0=ATA-1ATy

      2)进行以下迭代过程:

      Maβi=diagaβi
      Pi=MaβiDmσ02MaβiT-1
      β̂i+1=ATPiA-1ATPiy

      3)当满足βi+1-βi1×10-8时停止循环,输出βi+1

      由于观测值y含有随机误差,从上述算法可以看出,参数估值是观测值y的函数,观测值的权P是参数估值的函数,而参数估值的最后一步解是观测值y和观测值权P共同的函数。

      本文将式(15)表示为:

      β̂0=ϕy

      式中,ϕ 表示参数估值初值与观测值之间的非线性关系。

      同理,可以将参数估值的第一次迭代值β̂1写为:

      β̂1=ϕy,β0

      尽管进行了一次迭代,但式(20)本质上仍然是观测值y的非线性函数。因此,经过i次迭代后,最终的参数估值与观测值y的关系式为:

      β̂=ϕϕϕϕy,y,yi+1=ψy

      由式(21)可以看出,逐步的迭代过程使得参数估值的每一步估值都具有随机性,使得最终的参数估值与观测值为复杂的非线性关系。

    • 由§2.2中对乘性误差模型加权最小二乘迭代解的改化可以看出,式(21)的非线性函数构造无法显式表达,很难求导。而Sterling插值法具有无需求导、无需了解非线性函数的构造等优势,因此本文将Sterling插值法和乘性误差模型加权最小二乘迭代解法进行结合,研究非线性迭代过程对加权最小二乘参数带来的影响,进行参数估计与精度评定计算。

      对于形如式(21)中β̂=ψy的非线性函数,本文通过以下步骤求解参数估值β̂的均值、标准差和单位权方差。将式(9)中的自变量X替换为观测值y,将因变量Y替换为参数估值β̂,计算步骤如下:

      1)根据式(10)构造平方根矩阵的列向量。

      2)根据式(11)生成2n+1列采样值,观测值的均值以实际观测值的平差值代替。

      3)将步骤2)生成的2n+1列采样值分别代入式(21)的非线性函数中,进行非线性变换,得到非线性变换后的样本点,共有2n+1列。

      4)根据式(13)计算参数估值的均值。

      5)根据式(14)计算参数估值的协方差阵。

      6)计算参数估值的标准差:

      σi=Dβ̂ii

      式中,Dβ̂ii表示参数估值协方差阵的对角线元素。

      7)计算单位权方差:

      σ˜02=y-Eβ̂TPy-Eβ̂n-t

      文献[18]证明了Sterling插值法求得的任意非线性函数因变量的均值和协方差阵均可以达到二阶精度。因此通过上述步骤,可以对乘性误差模型进行参数估计与精度评定研究。

    • 为了验证本文Sterling插值法的正确性和有效性,算例部分通过一个非线性较弱的直线拟合模型和一个非线性较强的数字高程模型,使用4种方法分别进行参数估计与精度评定。4种方法分别为最小二乘(least squares,LS)方法、加权最小二乘(weighted least squares,WLS)方法、文献[13]方法、本文Sterling插值方法。

    • 算例1模拟了一个含有两个未知参数的直线拟合乘性误差模型,计算式为:

      y1y2yn=1x11x21xnβ1β2111+e1e2en

      式中,(xi,yi)为坐标点;β1β2分别为截距与斜率,为待估参数;ei为独立同分布的服从正态分布的随机误差。

      给定β1β2的真值分别为10和16,横坐标xi在1~15 m之间取值,步长为1 m,单位权中误差σ0=0.5 m,随机误差的标准差为σm=0.02 m,随机误差由Matlab的mvnrnd函数产生。不含误差时的直线和受到乘性误差干扰后的坐标点如图 1所示。使用4种方法计算的参数估值、与真值之间的二范数、单位权中误差和标准差见表 1

      图  1  不含误差的直线和受到乘性误差干扰后的坐标点

      Figure 1.  Line Without Error and Coordinate Points Disturbed by Multiplicative Error

      表 1  算例1中求得的参数估值、二范数、单位权中误差和标准差/m

      Table 1.  Estimated Parameters, 2-Norm, Unit Weight Error and Standard Deviation Calculated in Example 1 /m

      方法 β̂1 β̂2 2-Norm σ̂0 σ̂1 σ̂2
      真值 10 16 - 0.5 - -
      LS法 9.532 16.024 0.468 2.679 1.456 0.160
      WLS法 10.269 15.901 0.286 0.553 0.565 0.143
      文献[13]方法 10.083 15.926 0.111 0.551 0.561 0.141
      本文Sterling插值方法 10.082 15.925 0.111 0.553 0.553 0.132

      图 1可知,当直线拟合模型受到乘性误差的干扰时,观测值会受到一定的影响,进而与直线产生了偏离。由表 1中参数估值与真值的二范数可知,LS法求得的参数估值与真值的二范数最大,并且单位权中误差估值也严重偏离了真值,这是由于LS法未考虑观测值的权。由于WLS法考虑了观测值的权,所以参数估值与真值的二范数小于LS法的结果,并且单位权中误差估值也更接近真值。文献[13]方法由于删去了观测值协因数阵对参数估值求偏导数的非零项,减小了参数估值的偏差,因此其参数估值与真值的二范数要小于WLS法的结果。本文Sterling插值方法的参数估值与真值二范数与文献[13]方法的结果一致,这可能是因为直线拟合模型的非线性很低,每次迭代的随机性对参数估值的影响可以忽略。

      表 1中参数估值的标准差可以看出,LS法求得的参数估值标准差最大,这是由于LS法未考虑观测值的权导致的;WLS法求得的参数估值标准差远小于LS法;文献[13]方法求得的参数估值的标准差略小于WLS法的结果;由于Sterling插值法精度评定方法可以达到二阶精度,因此本文Sterling插值方法求得的标准差最小,这也验证了本文方法的适用性和优势。

    • 算例2是比算例1更复杂的DEM数据,本文模拟的含有4个未知参数的DEM乘性误差模型如下:

      Hx,y=Fx,y1+Em

      式中,(x,y)为地面点坐标;H(x,y)为高程;Fx,y=i=14βifix,yβi为待估参数;fix,y的具体形式为:

      f1x,y=e-x-402+y-402÷500
      f2x,y=e-x-202+y-202÷500
      f3x,y=e-x-352+y-352÷500
      f4x,y=e-x-452+y-452÷500

      横坐标x和纵坐标y都在0~80 m之间取值,步长为2 m,单位权中误差σ0=0.3 m,随机误差的标准差为σm=0.05 m。不含误差和受到乘性误差干扰后的DEM如图 2所示。4种方法计算的参数估值、与真值之间的二范数、单位权中误差和标准差见表 2

      图  2  不含误差和受到乘性误差干扰后的数字高程模型

      Figure 2.  DEM Without Error and Disturbed by Multiplicative Error

      表 2  算例2中求得的参数估值、二范数、单位权中误差和标准差/m

      Table 2.  Estimated Parameters, 2-Norm, Unit Weight Error and Standard Deviation Calculated in Example 2 /m

      方法 β̂1 β̂2 β̂3 β̂4 2-Norm σ̂0 σ̂1 σ̂2 σ̂3 σ̂4
      真值 40 25 50 20 - 0.3 - - - -
      LS法 45.939 25.646 45.719 17.904 7.644 2.034 3.181 0.361 2.031 1.503
      WLS法 41.998 25.279 48.969 19.241 2.389 0.290 1.236 0.172 0.967 0.421
      文献[13]方法 41.736 25.214 48.724 19.339 2.264 0.291 1.234 0.171 0.965 0.420
      本文Sterling插值方法 41.735 25.213 48.725 19.339 2.262 0.290 1.224 0.170 0.960 0.415

      图 2可知,尽管本文模拟的DEM加入的乘性误差的标准差仅为0.05 m,但对高程产生了较大的影响。由表 2中参数估值与真值的二范数可知,LS法求得的参数估值与真值的二范数最大,并且单位权中误差估值也严重偏离了真值;由于WLS法考虑了观测值的权,所以参数估值与真值的二范数小于LS法的结果;而文献[13]方法求得的参数估值与真值的二范数小于WLS法的结果,单位权中误差几乎一致。

      由于本文方法考虑了乘性误差模型加权最小二乘解法逐步迭代过程中参数估值每一步的随机性和非线性迭代过程对加权最小二乘参数带来的影响,因此其参数估值与真值的二范数均小于文献[13]方法的结果,考虑到算例2是更复杂且非线性程度更高的DEM,说明在模型非线性较强的情况下,考虑每次迭代的随机性对参数估值的影响是必要的。由表 2中参数估值的标准差可以看出,本文方法求得的参数估值精度最高,这是因为Sterling插值法的精度评定计算公式可以得到任意非线性函数的二阶精度信息,验证了本文方法的有效性和适用性。

    • 本文分析了乘性误差模型的性质,得出参数估值是观测值的函数,观测值的权是参数估值的函数,而参数估值的最后一步解是观测值和观测值权共同的函数的结论。

      由于已有方法的参数估值解法未考虑迭代过程中非线性的影响,并且精度评定方法仅为一阶精度,因此本文引入无需求导、无需了解非线性函数构造的Sterling插值法,将Sterling插值法和乘性误差模型加权最小二乘迭代解法进行结合,求解乘性误差模型中加权最小二乘参数估值的均值和标准差,并给出计算流程。算例结果表明,当研究的模型非线性较高时,考虑每次迭代的随机性对参数估值的影响可以得到更接近真值的参数估值,并且本文求得的标准差均小于已有方法,参数估值的精度更高,具有一定的优势和可行性。近似非线性函数的概率密度分布的方法众多[19-21],如何将不同方法引入乘性误差模型或加性乘性混合型误差模型,分析不同方法在参数估计和精度评定之间的差异,需要进一步研究。

参考文献 (21)

目录

    /

    返回文章
    返回