姚宜斌，熊朝暉，張 豹，張 良，孔 建

1.武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢 430079；2.武漢大學(xué)地球空間環(huán)境與大地測(cè)量教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；3.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，湖北 武漢 430079；4.武漢大學(xué)中國(guó)南極測(cè)繪研究中心，湖北 武漢 430079

顧及設(shè)計(jì)矩陣誤差的AR模型新解法

姚宜斌1,2,3，熊朝暉1，張 豹1，張 良1，孔 建4

1.武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢 430079；2.武漢大學(xué)地球空間環(huán)境與大地測(cè)量教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；3.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，湖北 武漢 430079；4.武漢大學(xué)中國(guó)南極測(cè)繪研究中心，湖北 武漢 430079

在自回歸模型求解中，設(shè)計(jì)矩陣和觀測(cè)值均存在誤差，傳統(tǒng)的最小二乘法不能很好地解決這一問(wèn)題。本文提出了一種顧及設(shè)計(jì)矩陣誤差的AR模型新解法，通過(guò)引入虛擬觀測(cè)值，使觀測(cè)向量與設(shè)計(jì)矩陣不僅同源而且?guī)д`差的元素個(gè)數(shù)相同，然后通過(guò)對(duì)觀測(cè)方程進(jìn)行等價(jià)變換巧妙實(shí)現(xiàn)了在最小二乘框架下求解自回歸問(wèn)題。利用模擬數(shù)據(jù)及實(shí)測(cè)數(shù)據(jù)分別對(duì)新算法進(jìn)行了內(nèi)符合精度檢驗(yàn)，并利用實(shí)測(cè)數(shù)據(jù)對(duì)新算法進(jìn)行外符合精度檢驗(yàn)，結(jié)果表明新算法得到的結(jié)果顯著優(yōu)于奇異值分解(singular value decomposition,SVD)解法及傳統(tǒng)最小二乘解法,驗(yàn)證了算法的精度和有效性。

AR模型；設(shè)計(jì)矩陣誤差；整體最小二乘；虛擬觀測(cè)值；奇異值分解

平差的實(shí)際問(wèn)題中常存在設(shè)計(jì)矩陣由含有誤差的觀測(cè)值構(gòu)成，傳統(tǒng)最小二乘方法在求解此類模型的過(guò)程中，因忽略設(shè)計(jì)矩陣中實(shí)際存在的誤差而具有理論的不完備性?？紤]設(shè)計(jì)矩陣誤差，將所有觀測(cè)值改正數(shù)平方和最小作為平差準(zhǔn)則的求解方法最初由Adcock于1877年提出[1]。1980年，Golub和Van Loan提出了奇異值分解(SVD)算法，并將這類設(shè)計(jì)矩陣帶有誤差的問(wèn)題命名為整體最小二乘方法(total least square,TLS)[2]。使用SVD解法雖能獲得穩(wěn)定數(shù)值解，但計(jì)算復(fù)雜度高[3]，如果設(shè)計(jì)矩陣中含有誤差的元素重復(fù)出現(xiàn)，使用SVD解法，同一觀測(cè)值在不同位置改正數(shù)將不一樣。另外，使用SVD解法估計(jì)參數(shù)，難以給出以觀測(cè)值表達(dá)的未知參數(shù)平差值表達(dá)式，從而無(wú)法利用協(xié)方差傳播率進(jìn)行精度評(píng)定[4]。近些年，文獻(xiàn)[4]提出一種顧及設(shè)計(jì)矩陣隨機(jī)誤差的最小二乘組合新解法，其將設(shè)計(jì)矩陣中所有含誤差的元素作為虛擬觀測(cè)值引入虛擬觀測(cè)方程求解模型，解決了TLS方法的精度評(píng)定問(wèn)題。加權(quán)整體最小二乘亦有較大進(jìn)展[5-10]。此外，文獻(xiàn)[11]研究了三維坐標(biāo)轉(zhuǎn)換的通用整體最小二乘解法；文獻(xiàn)[12]對(duì)部分變量誤差模型提出了整體抗差最小二乘估計(jì)方法；文獻(xiàn)[13]對(duì)Partial EIV模型提出了一種新解法；文獻(xiàn)[14]提出了一種基于中位數(shù)法的抗差整體最小二乘估計(jì)方法。

AR模型是一類基本的時(shí)間序列模型，在工程實(shí)踐與導(dǎo)航定位等方面有著廣泛應(yīng)用[15-22]。對(duì)于t階AR模型，任意時(shí)刻觀測(cè)值z(mì)m為自身最近t階滯后項(xiàng)的線性組合[23]，如下

(1)

式(1)用矩陣形式表達(dá)可寫為

L=BX

(2)

由此可見，含誤差的觀測(cè)值規(guī)律地出現(xiàn)在設(shè)計(jì)矩陣不同位置，且觀測(cè)向量中元素亦重復(fù)出現(xiàn)在設(shè)計(jì)矩陣中。使用傳統(tǒng)最小二乘方法估計(jì)AR模型參數(shù)，因忽略設(shè)計(jì)矩陣中存在含誤差的元素而理論缺乏嚴(yán)密性。AR模型中，觀測(cè)向量誤差與設(shè)計(jì)矩陣誤差同源，若使用SVD方法估計(jì)AR模型參數(shù)，則多次出現(xiàn)的同一觀測(cè)值的改正數(shù)不再唯一。文獻(xiàn)[24]提出一種非線性的AR模型整體最小二乘迭代算法，但難以應(yīng)用協(xié)方差傳播定律給出精度評(píng)定公式。

前述方法對(duì)求解AR模型存在一定缺陷，本文提出一種顧及設(shè)計(jì)矩陣誤差，適用于AR模型的整體最小二乘新解法，該方法通過(guò)引入未在觀測(cè)向量中出現(xiàn)且含誤差的觀測(cè)值作為虛擬觀測(cè)值，將設(shè)計(jì)矩陣對(duì)應(yīng)的改正數(shù)與未知參數(shù)初值乘積改寫為由新設(shè)參數(shù)改正數(shù)及實(shí)際觀測(cè)值改正數(shù)表達(dá)的線性組合，使得觀測(cè)向量與設(shè)計(jì)矩陣中帶誤差的元素個(gè)數(shù)相同。由此將整體最小二乘問(wèn)題轉(zhuǎn)化為經(jīng)典最小二乘問(wèn)題，最終使用間接平差方法進(jìn)行參數(shù)求解。本文方法有效地克服了AR模型中同一參數(shù)在不同位置改正數(shù)不一致的情況，并能依據(jù)協(xié)方差傳播定律進(jìn)行精度評(píng)定。

1 顧及設(shè)計(jì)矩陣誤差的AR模型新解法

1.1 算法推導(dǎo)

同時(shí)考慮設(shè)計(jì)矩陣B與觀測(cè)向量L誤差，式(2)可寫為

L+v=(B0+ΔB)(X0+x)=B0X0+

B0x+ΔBX0+ΔBx

(3)

忽略二階小項(xiàng)ΔBx，式(3)可改寫為

v=B0X0+B0x+ΔBX0-L

(4)

1.1.1 矩陣等價(jià)變換

矩陣ΔB中改正數(shù)規(guī)律地重復(fù)出現(xiàn)，為將不同的改正數(shù)單獨(dú)取出，同時(shí)考慮未在設(shè)計(jì)矩陣中出現(xiàn)的改正數(shù)vt+n，將ΔBX0作如式(5)所示等價(jià)變換

(5)

1.1.2 引入虛擬觀測(cè)值

(6)

v=B0X0+B0x+B10xB+B20v-L

(7)

1.1.3 函數(shù)模型構(gòu)建

將式(7)中右邊B20v項(xiàng)移至等式左邊，提取公因式v得(E-B20)v。由于矩陣B20中非零元素集中出現(xiàn)在主對(duì)角線下方，主對(duì)角線及其上方元素全為0，故行列式|E-B20|恒為1，即矩陣E-B20可逆，從而可得式(8)

v=(E-B20)-1B0x+(E-B20)-1B10xB-(E-B20)-1(L-B0X0)

(8)

虛擬觀測(cè)值誤差方程為

vB=xB

(9)

如果令

則有

vg=Bgxg-lg

(10)

1.2 解算流程

本文方法解算流程為：

(3) 根據(jù)式(10)計(jì)算vg，更新實(shí)際觀測(cè)值L估值及虛擬觀測(cè)值LB估值。

(4) 重復(fù)步驟(2)、(3)直到未知參數(shù)改正數(shù)x小于一定閾值停止迭代，得到最終的未知參數(shù)結(jié)果。

1.3 精度評(píng)定

在經(jīng)典最小二乘中，權(quán)由觀測(cè)值精度確定，而觀測(cè)值出現(xiàn)的次數(shù)，則會(huì)在平差過(guò)程中，通過(guò)對(duì)系數(shù)矩陣的作用，進(jìn)一步影響法方程進(jìn)而影響平差結(jié)果。但是在整體最小二乘中，系數(shù)矩陣中的觀測(cè)值具有雙重身份，除了影響系數(shù)矩陣本身外，還作為觀測(cè)值參與平差，本文認(rèn)為觀測(cè)值這部分影響與觀測(cè)值在系數(shù)矩陣中出現(xiàn)的次數(shù)也有關(guān)系。本文所定義的權(quán)陣P由兩部分構(gòu)成，即由觀測(cè)值精度信息構(gòu)建的權(quán)陣P′，以及一個(gè)與次數(shù)有關(guān)的因子陣K，其中P=P′K。為簡(jiǎn)化問(wèn)題，本文先行假定AR模型各期觀測(cè)值等精度，即P′為單位陣，P=K，若觀測(cè)值不等精度，則在按照精度信息得到的權(quán)陣P′的基礎(chǔ)上再乘以一個(gè)次數(shù)有關(guān)的因子陣K。

由于在AR模型中，設(shè)計(jì)矩陣中元素在不同位置中規(guī)律地重復(fù)出現(xiàn)，觀測(cè)值亦重復(fù)出現(xiàn)于設(shè)計(jì)矩陣中，在使用整體最小二乘方法進(jìn)行求解未知參數(shù)時(shí)，實(shí)際上將同一觀測(cè)值當(dāng)作多次相同觀測(cè)建模，為此，在各期觀測(cè)值等精度的條件下，模型各觀測(cè)值權(quán)可由觀測(cè)值出現(xiàn)的次數(shù)確定，考慮引入虛擬觀測(cè)值，該算法權(quán)陣P定義如下

t+1,t,t-1,…,2,1)

(11)

使用上述方法經(jīng)過(guò)若干次迭代可以獲得未知參數(shù)X平差值，單位權(quán)中誤差σ計(jì)算如式(12)所示

(12)

式中，模型自由度f(wàn)=(n+u)-(t+u)=n-t。

在本文算法中，參數(shù)X0=[φ10φ20…φt0]T的初值為最小二乘所得到的AR系數(shù)。需要注意的是，若初值精度不夠，則會(huì)導(dǎo)致迭代次數(shù)多，收斂速度慢，初值精度過(guò)差會(huì)導(dǎo)致迭代不能收斂。

2 算例分析

2.1 模擬數(shù)據(jù)

為驗(yàn)證算法的可行性與精度，依據(jù)式(13)模擬一個(gè)平穩(wěn)的AR(3)模型，其AR系數(shù)分別取為φ1=0.8、φ2=-0.5、φ3=-0.3,模擬數(shù)據(jù)如表1所示。

表1 AR(3)模型模擬數(shù)據(jù)Tab.1 Simulation date of AR(3) model

zt=φ1zt-1+φ2zt-2+φ3zt-3+et

(13)

式中，et為高斯白噪聲，表1模擬數(shù)據(jù)所附加噪聲et～N(0,1)。

對(duì)于表1模擬數(shù)據(jù)，分別采用本文方法(迭代閾值為0.000 000 1)、SVD方法以及直接最小二乘3種方法求解參數(shù)及單位權(quán)中誤差，列于表2。

表23種不同方法所求參數(shù)值及單位權(quán)中誤差
Tab.2Theparametervalueandtheerrorofunitweightofthreemethods

參數(shù)SVDLS本文方法真值φ10．83630．77090．80430．8φ2-0．5461-0．4667-0．5084-0．5φ3-0．2725-0．3246-0．3068-0．3σ01．44551．41600．9042

從表2可知，本文方法所得到的參數(shù)估值較SVD方法和傳統(tǒng)最小二乘方法更接近于真值，由于考慮了設(shè)計(jì)矩陣誤差及同一觀測(cè)值出現(xiàn)在不同位置改正數(shù)應(yīng)一致等事實(shí)，本文方法的單位權(quán)中誤差明顯小于最小二乘方法和SVD方法，并且更加接近虛擬觀測(cè)噪聲的中誤差。當(dāng)對(duì)模擬數(shù)據(jù)不附加高斯白噪聲時(shí)，本文方法所得參數(shù)估值將與真值一致。

2.2 實(shí)測(cè)沉降數(shù)據(jù)

本文算法、普通最小二乘(LS)以及SVD 3種方法所得參數(shù)估值如表3所示。實(shí)測(cè)觀測(cè)數(shù)據(jù)及3種方法所得平差值如表4所示。圖1所示為本文算法、普通最小二乘(LS)以及SVD 3種方法平差結(jié)果與原始觀測(cè)值殘差絕對(duì)值對(duì)比。

表3中本文方法所求結(jié)果與SVD法較為接近，但本文方法所得單位權(quán)中誤差小于SVD法，直接最小二乘結(jié)果與本文結(jié)果相差較遠(yuǎn)，查閱文獻(xiàn)[23]知，本文所引用實(shí)測(cè)沉降數(shù)據(jù)并非平穩(wěn)的自回歸時(shí)間序列，這可能是和直接最小二乘結(jié)果估值結(jié)果相差較大的原因。由表4及圖1可知，本文方法所得觀測(cè)值的平差值更契合原始觀測(cè)序列變化趨勢(shì)。新方法看起來(lái)誤差相對(duì)平穩(wěn)，波動(dòng)小一些。第14期的結(jié)果，其他方法較差，新方法較好，說(shuō)明新方法由于理論嚴(yán)密，所以對(duì)于抑制較大誤差效果更好。

表33種方法所求沉降數(shù)據(jù)參數(shù)估值
Tab.3Theparametervalueofobservationdataofsettlementofthreemethods

參數(shù)SVDLS本文方法φ1-0．37480．0411-0．4863φ20．28980．32780．4264φ31．09010．63511．0670σ00．89540．76730．7320

表4 沉降數(shù)據(jù)實(shí)測(cè)值及3種方法平差值Tab.4 Adjustment of observation of three method and the original data mm

圖1 3種方法平差結(jié)果與原始觀測(cè)值比較Fig.1 Comparative results between original data and adjustment of observation of three value

2.3 預(yù)報(bào)精度分析

AR模型能利用前若干期觀測(cè)值預(yù)報(bào)后若干期觀測(cè)值，為檢驗(yàn)本文算法的外符合精度，以表4所列前30期實(shí)測(cè)沉降觀測(cè)值為基礎(chǔ)，分別利用本文算法、普通最小二乘(LS)以及SVD 3種方法求解模型系數(shù)并預(yù)報(bào)第31期至36期沉降數(shù)據(jù)。依據(jù)前30期實(shí)測(cè)沉降數(shù)據(jù)所求參數(shù)結(jié)果及相應(yīng)方法預(yù)報(bào)值如表5所示。圖2所示為本文算法、普通最小二乘(LS)以及SVD 3種方法預(yù)報(bào)結(jié)果與實(shí)測(cè)沉降觀測(cè)值殘差絕對(duì)值對(duì)比。

表5 3種方法預(yù)報(bào)結(jié)果Tab.5 Forecast result of three method

圖2 3種方法預(yù)測(cè)結(jié)果與實(shí)測(cè)沉降觀測(cè)值比較Fig.2 Comparative results between original data and forecast result of observation of three value

由表5及圖2可知，在第31期至36期數(shù)據(jù)中，由SVD方法所求參數(shù)的預(yù)測(cè)效果最差，本文算法整體上預(yù)測(cè)效果最優(yōu)，在第34期預(yù)報(bào)中3種方法預(yù)測(cè)效果均差，可能是觀測(cè)噪聲較大所致。向后預(yù)報(bào)期數(shù)越小，本文算法所求系數(shù)的預(yù)報(bào)結(jié)果與普通最小二乘方法相比，更接近與實(shí)際觀測(cè)值，而在較遠(yuǎn)期預(yù)報(bào)中，二者效果相當(dāng)?？傮w而言，在本文算法、普通最小二乘(LS)以及SVD 3種方法中，本文算法的外符合精度最優(yōu)。

3 結(jié) 語(yǔ)

在AR模型中，觀測(cè)向量與設(shè)計(jì)矩陣的誤差同源，觀測(cè)值規(guī)律地重復(fù)出現(xiàn)在設(shè)計(jì)矩陣中，且設(shè)計(jì)矩陣中自身元素亦重復(fù)出現(xiàn)。傳統(tǒng)最小二乘方法難以解決系數(shù)矩陣及觀測(cè)值向量皆帶誤差的數(shù)據(jù)處理問(wèn)題。本文提出了一種考慮設(shè)計(jì)矩陣誤差的AR模型整體最小二乘新解法，引入僅在設(shè)計(jì)矩陣中出現(xiàn)且含誤差的元素作為虛擬觀測(cè)值，使觀測(cè)向量與設(shè)計(jì)矩陣中帶誤差的元素個(gè)數(shù)相同。然后巧妙地對(duì)觀測(cè)方程進(jìn)行等價(jià)變換，實(shí)現(xiàn)了最小二乘框架下求解整體最小二乘問(wèn)題，有效地克服了傳統(tǒng)SVD方法的理論缺陷且能應(yīng)用協(xié)方差傳播定律給出未知參數(shù)的精度評(píng)定公式。最后通過(guò)對(duì)模擬數(shù)據(jù)及實(shí)測(cè)數(shù)據(jù)的驗(yàn)證，發(fā)現(xiàn)本文方法具有比SVD方法及經(jīng)典最小二乘方法更高的精度及更優(yōu)的外符合精度。

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

[2] 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.

[3] VAN HUFFEL S，ZHA Hongyuan.An Efficient Total Least Squares Algorithm Based on a Rank-revealing Two-sided Orthogonal Decomposition[J].Numerical Algorithms，1993，4(1)：101-133.

[4] 姚宜斌，孔建.顧及設(shè)計(jì)矩陣隨機(jī)誤差的最小二乘組合新解法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2014，39(9)：1028-1032.

YAO Yibin，KONG Jian.A New Combined LS Method Considering Random Errors of Design Matrix[J].Geomatics and Information Science of Wuhan University，2014，39(9)：1028-1032.

[5] 曾文憲，方興，劉經(jīng)南，等.附有不等式約束的加權(quán)整體最小二乘算法[J].測(cè)繪學(xué)報(bào)，2014，43(10)：1013-1018.DOI：10.13485/j.cnki.11-2089.2014.0173.

ZENG Wenxian，F(xiàn)ANG Xing，LIU Jingnan，et al.Weighted Total Least Squares Algorithm with Inequality Constraints[J].Acta Geodaetica et Cartographica Sinica，2014，43(10)：1013-1018.DOI：10.13485/j.cnki.11-2089.2014.0173.

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

[7] SCHUERMANS M，MARKOVSKY I，VAN HUFFEL S.An Adapted Version of the Element-wise Weighted Total Least Squares Method for Applications in Chemometrics[J].Chemometrics and Intelligent Laboratory Systems，2007，85(1)：40-46.

[8] VAN HUFFEL S，VANDEWALLE J.Analysis and Properties of the Generalized Total Least Squares Problem AX≈B When Some or All Columns in A are Subject to Error[J].SIAM Journal on Matrix Analysis and Applications，1989，10(3)：294-315.

[9] XU Peiliang，LIU Jingnan，SHI Chuang.Total Least Squares Adjustment in Partial Errors-in-variables Models：Algorithm and Statistical Analysis[J].Journal of Geodesy，2012，86(8)：661-675.

[10] FANG X.Weighted Total Least Squares Solutions for Applications in Geodesy[D].Hannover，Germany：Leibniz University，2011.

[11] 方興，曾文憲，劉經(jīng)南，等.三維坐標(biāo)轉(zhuǎn)換的通用整體最小二乘算法[J].測(cè)繪學(xué)報(bào)，2014，43(11)：1139-1143.DOI：10.13485/j.cnki.11-2089.2014.0193.

FANG Xing，ZENG Wenxian，LIU Jingnan，et al.A General Total Least Squares Algorithm for Three-dimensional Coordinate Transformations[J].Acta Geodaetica et Cartographica Sinica，2014，43(11)：1139-1143.DOI：10.13485/j.cnki.11-2089.2014.0193.

[12] 趙俊，歸慶明.部分變量誤差模型的整體抗差最小二乘估計(jì)[J].測(cè)繪學(xué)報(bào)，2016，45(5)：552-559.DOI：10.11947/j.AGCS.2016.20150374.

ZHAO Jun，GUI Qingming.Total Robustified Least Squares Estimation in Partial Errors-in-variables Model[J].Acta Geodaetica et Cartographica Sinica，2016，45(5)：552-559.DOI：10.11947/j.AGCS.2016.20150374.

[13] 王樂洋，余航，陳曉勇.Partial EIV模型的解法[J].測(cè)繪學(xué)報(bào)，2016，45(1)：22-29.DOI：10.11947/j.AGCS.2016.20140560.

WANG Leyang，YU Hang，CHEN Xiaoyong.An Algorithm for Partial EIV Model[J].Acta Geodaetica et Cartographica Sinica，2016，45(1)：22-29.DOI：10.11947/j.AGCS.2016.20140560.

[14] 陶葉青，高井祥，姚一飛.基于中位數(shù)法的抗差總體最小二乘估計(jì)[J].測(cè)繪學(xué)報(bào)，2016，45(3)：297-301.DOI：10.11947/j.AGCS.2016.20150234.

TAO Yeqing，GAO Jingxiang，YAO Yifei.Solution for Robust Total Least Squares Estimation Based on Median Method[J].Acta Geodaetica et Cartographica Sinica，2016，45(3)：297-301.DOI：10.11947/j.AGCS.2016.20150234.

[15] 吳富梅，楊元喜.基于高階AR模型的陀螺隨機(jī)漂移模型[J].測(cè)繪學(xué)報(bào)，2007，36(4)：389-394.

WU Fumei，YANG Yuanxi.Gyroscope Random Drift Model Based on the Higher-order AR Model[J].Acta Geodaetica et Cartographica Sinica，2007，36(4)：389-394.

[16] 潘國(guó)榮，劉大杰.顧及鄰近點(diǎn)變形因素項(xiàng)的動(dòng)態(tài)模型辨識(shí)及預(yù)測(cè)[J].測(cè)繪學(xué)報(bào)，2001，30(1)：32-35.

PAN Guorong，LIU Dajie.Dynamic Modeling Identification and Predication in Consideration of the Adjacent Point Deformation[J].Acta Geodaetica et Cartographica Sinica，2001，30(1)：32-35.

[17] 楊元喜，崔先強(qiáng).動(dòng)態(tài)定位有色噪聲影響函數(shù)——以一階AR模型為例[J].測(cè)繪學(xué)報(bào)，2003，32(1)：6-10.

YANG Yuanxi，CUI Xianqiang.Influence Functions of Colored Noises on Kinematic Positioning：Taking the AR Model of First Class as an Example[J].Acta Geodaetica et Cartographica Sinica，2003，32(1)：6-10.

[18] 葉志偉，尹暉，張守建.AR模型譜在超導(dǎo)重力數(shù)據(jù)信號(hào)檢測(cè)中的分析研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2007，32(6)：536-539.

YE Zhiwei，YIN Hui，ZHANG Shoujian.Using AR Model Spectrum Algorithms to Detect Superconducting Gravimetric Signals[J].Geomatics and Information Science of Wuhan University，2007，32(6)：536-539.

[19] 張昊，王琪潔，朱建軍，等.對(duì)錢德勒參數(shù)進(jìn)行時(shí)變修正的CLS+AR模型在極移預(yù)測(cè)中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2012，37(3)：286-289.

ZHANG Hao，WANG Qijie，ZHU Jianjun，et al.Application of CLS+AR Model Polar Motion to Prediction Based on Time-varying Parameters Correction of Chandler Wobble[J].Geomatics and Information Science of Wuhan University，2012，37(3)：286-289.

[20] 王樂洋，許才軍，魯鐵定.邊長(zhǎng)變化反演應(yīng)變參數(shù)的總體最小二乘方法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2010，35(2)：181-184.

WANG Leyang，XU Caijun，LU Tieding.Inversion of Strain Parameter Using Distance Changes Based on Total Least Squares[J].Geomatics and Information Science of Wuhan University，2010，35(2)：181-184.

[21] 魏二虎，殷志祥，李廣文，等.虛擬觀測(cè)值法在三維坐標(biāo)轉(zhuǎn)換中的應(yīng)用研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2014，39(2)：152-156.

WEI Erhu，YIN Zhixiang，LI Guangwen，et al.On 3D Coordinate Transformations with Virtual Observation Method[J].Geomatics and Information Science of Wuhan University，2014，39(2)：152-156.

[22] 姚宜斌，黃書華，孔建，等.空間直線擬合的整體最小二乘算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2014，39(5)：571-574.

YAO Yibin，HUANG Shuhua，KONG Jian，et al.Total Least Squares Algorithm for Fitting Spatial Straight Lines[J].Geomatics and Information Science of Wuhan University，2014，39(5)：571-574.

[23] CRYER J D，CHAN K S.時(shí)間序列分析及應(yīng)用[M].潘紅宇，譯.北京：機(jī)械工業(yè)出版社，2011.

CRYER J D，CHAN K S.Time Series Analysis with Applications in R[M].PAN Hongyu，tran.Beijing：China Machine Press，2011.

[24] 姚宜斌，黃書華，陳家君.求解自回歸模型參數(shù)的整體最小二乘新方法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2014，39(12)：1463-1466.

YAO Yibin，HUANG Shuhua，CHEN Jiajun.A New Method of TLS to Solving the Autoregressive Model Parameter[J].Geomatics and Information Science of Wuhan University，2014，39(12)：1463-1466.

[25] 王新洲，陶本藻，邱衛(wèi)寧，等.高等測(cè)量平差[M].北京：測(cè)繪出版社，2013.

WANG Xinzhou，TAO Benzao，QIU Weining，et al.Advanced Surveying Adjustment[M].Beijing：Mapping Publishing Company，2013.

A New Method to Solving AR Model Parameters Considering Random Errors of Design Matrix

YAO Yibin1,2,3，XIONG Zhaohui1，ZHANG Bao1，ZHANG Liang1，KONG Jian4

1.School of Geodesy and Geomatics，Wuhan University，Wuhan 430079，China; 2.Key Laboratory of Geospace Environment and Geodesy，Ministry of Education,Wuhan University，Wuhan 430079，China; 3.Collaborative Innovation Center for Geospatial Technology，Wuhan 430079，China; 4.Chinese Antarctic Center of Surveying and Mapping，Wuhan 430079，China

The ordinary least square method could not solve the problem that the error exist both in design matrix and observation vector while compute parameter values of AR model.In this article, a new method is proposed which consider the random errors of design matrix.The source of design matrix and observation vector is same and the amount of parameters contain error can be equal by introducing virtual observation.Then, this problem could be solved under the framework of normal least square by equivalence transformation of observation equation.The result of this new method is superior to SVD method and normal least square method by simulation date and observation data which verify the feasibility and effectiveness of this method.

AR model；design matrix error；TLS；virtual observations；SVD method

The General Program of National Natural Science Foundation of China(Nos.41274022；41574028)；Natural Science Foundation for Distinguished Young Scholars of Hubei Province of China(No.2015CFA036)

YAO Yibin(1976—),male,professor,majors in geodetic data processing,GNSS space environment science,etc.

XIONG Zhaohui

姚宜斌，熊朝暉，張豹，等.顧及設(shè)計(jì)矩陣誤差的AR模型新解法[J].測(cè)繪學(xué)報(bào)，2017,46(11)：1795-1801.

10.11947/j.AGCS.2017.20170004.

YAO Yibin，XIONG Zhaohui，ZHANG Bao，et al.A New Method to Solving AR Model Parameters Considering Random Errors of Design Matrix[J].Acta Geodaetica et Cartographica Sinica,2017,46(11):1795-1801.DOI:10.11947/j.AGCS.2017.20170004.

P228

A

1001-1595(2017)11-1795-07

國(guó)家自然科學(xué)基金(41274022;41574028)；湖北省杰出青年科學(xué)基金(2015CFA036)

(責(zé)任編輯：宋啟凡)

2017-01-03

修回日期：2017-08-18

姚宜斌(1976—)，男，教授，主要從事測(cè)量數(shù)據(jù)處理理論與方法、GNSS空間環(huán)境學(xué)研究。

E-mail：ybyao@sgg.whu.edu.cn

熊朝暉

E-mail：cehui_xiong@whu.edu.cn