王 珂，劉國林，付政慶，王路遙

1.山東理工大學(xué)建筑工程學(xué)院，山東 淄博 255000；2.山東科技大學(xué)測(cè)繪與空間信息學(xué)院，山東 青島 266590

非線性最小二乘法作為基本的非線性優(yōu)化方法，廣泛應(yīng)用于非線性函數(shù)模型的參數(shù)估計(jì)中[1-6]。然而，根據(jù)實(shí)際問題的來源，許多非線性函數(shù)模型具有特殊結(jié)構(gòu)，若函數(shù)模型中待求參數(shù)一部分變量是線性的，一部分變量是非線性的，并且函數(shù)模型為非線性函數(shù)的線性組合形式，數(shù)學(xué)上稱為可分離非線性最小二乘(separable nonlinear least squares，SNLS)問題[7-9]。測(cè)繪領(lǐng)域中存在許多這種模型結(jié)構(gòu)的參數(shù)估計(jì)問題，如激光雷達(dá)(light detection and ranging，LiDAR)全波形回波信號(hào)高斯函數(shù)分解模型中，高斯特征參數(shù)的求解[10-11]；空間直角坐標(biāo)轉(zhuǎn)換模型中，旋轉(zhuǎn)參數(shù)、平移參數(shù)和尺度參數(shù)的求解[12-13]；神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，激活函數(shù)的中心位置、寬度和權(quán)值參數(shù)的求解[14]等。

傳統(tǒng)求解可分離非線性最小二乘問題的方法是將所有的待求參數(shù)(非線性和線性)均看作非線性參數(shù)，然后進(jìn)行泰勒級(jí)數(shù)展開，利用非線性迭代法或直接搜索法尋找問題的最優(yōu)解[15-16]。文獻(xiàn)[17]將LiDAR波形數(shù)據(jù)根據(jù)高斯分量的重要性進(jìn)行篩選，然后利用非線性Levenberg-Marquardt(LM)優(yōu)化算法求解各波形分量非線性參數(shù)(波峰位置、波形寬度)和線性參數(shù)(振幅)的最優(yōu)值。文獻(xiàn)[18]對(duì)機(jī)載激光測(cè)深波形分解中LM與Expectation Maximization(EM)參數(shù)優(yōu)化方法進(jìn)行了比較，就波形擬合效果而言，模擬數(shù)據(jù)分析和實(shí)測(cè)數(shù)據(jù)試驗(yàn)均說明LM方法通?？傻玫奖菶M方法更接近原始波形的擬合結(jié)果，有利于進(jìn)一步的波形分析，但受波形數(shù)據(jù)質(zhì)量的影響較大。文獻(xiàn)[19]針對(duì)三維坐標(biāo)轉(zhuǎn)換模型參數(shù)求解中先驗(yàn)精度未知和觀測(cè)數(shù)據(jù)質(zhì)量不佳的問題，以坐標(biāo)轉(zhuǎn)換后的點(diǎn)位殘差加權(quán)平方和最小為原則，提出了基于Nelder-Mead單純形直接搜索的非線性參數(shù)求解方法，提高了三維坐標(biāo)轉(zhuǎn)換參數(shù)的求解質(zhì)量。文獻(xiàn)[20]針對(duì)非線性最小二乘求解病態(tài)問題的不穩(wěn)定問題，提出了數(shù)值收斂解和收斂效率更優(yōu)的Frozen-Barycentre迭代法。文獻(xiàn)[21]針對(duì)參數(shù)迭代過程中雅可比矩陣計(jì)算復(fù)雜的問題，結(jié)合自動(dòng)微分和隱式迭代預(yù)處理技術(shù)，采用最速下降法和信賴域法求解非線性最小二乘問題。文獻(xiàn)[22]依賴對(duì)精度水平的控制，當(dāng)檢測(cè)到精度太低無法進(jìn)行優(yōu)化時(shí)，對(duì)函數(shù)逼近方法進(jìn)行改進(jìn)，提出了一種基于動(dòng)態(tài)精度評(píng)價(jià)函數(shù)和梯度函數(shù)的大規(guī)模非線性最小二乘的LM迭代算法，并證明了該算法的全局和局部收斂性。文獻(xiàn)[23]對(duì)基于變量投影算法參數(shù)分離的非線性最小二乘問題，提出采用LM優(yōu)化方法對(duì)非線性參數(shù)進(jìn)行求解以及采用線性最小二乘或基于L-曲線的譜修正迭代方法對(duì)線性參數(shù)進(jìn)行估計(jì)的混合算法，豐富了可分離非線性最小二乘的參數(shù)估計(jì)方法，但對(duì)基于變量投影算法參數(shù)分離的目標(biāo)函數(shù)中殘差向量雅可比矩陣的計(jì)算方法并未進(jìn)行深入研究。綜上分析可知，非線性參數(shù)估計(jì)的研究主要針對(duì)模型的構(gòu)建和參數(shù)優(yōu)化過程進(jìn)行改進(jìn)，取得了很好的結(jié)果[24-25]，但很少有考慮函數(shù)模型可分離的特殊結(jié)構(gòu)，并且將所有待求參數(shù)均作為非線性參數(shù)進(jìn)行解算時(shí)，對(duì)參數(shù)初值的要求較高[26]。

本文從測(cè)繪領(lǐng)域中非線性函數(shù)模型的特殊結(jié)構(gòu)出發(fā)，首先，將線性參數(shù)通過變量投影算法用非線性函數(shù)表示，基于Moore-Penrose廣義逆矩陣微分和立體矩陣?yán)碚撏茖?dǎo)了殘差向量雅可比矩陣的計(jì)算過程；然后，對(duì)參數(shù)分離后的非線性最小二乘問題利用LM優(yōu)化方法進(jìn)行求解，得到非線性參數(shù)的迭代方向和最優(yōu)估值，進(jìn)而采用最小二乘方法計(jì)算線性參數(shù)的最優(yōu)解；最后，通過模擬試驗(yàn)和LiDAR波形參數(shù)求解試驗(yàn)驗(yàn)證了基于Moore-Penrose廣義逆矩陣微分的可分離非線性最小二乘方法的有效性。

1 可分離非線性最小二乘法原理

設(shè)測(cè)量平差中的非線性函數(shù)模型和隨機(jī)模型為

(1)

式中，f(x)為非線性函數(shù)向量；x為待求參數(shù)向量；L為觀測(cè)值向量；σ2為單位權(quán)方差；矩陣Q和P分別為觀測(cè)向量協(xié)因數(shù)陣和權(quán)陣。在非線性最小二乘準(zhǔn)則下建立目標(biāo)函數(shù)為

(2)

(3)

在式(1)的非線性函數(shù)模型中，若待求參數(shù)x由線性參數(shù)向量a和非線性參數(shù)向量b兩部分組成，且fi(x)為非線性函數(shù)的線性組合，將其可以寫成以下形式

(4)

式中，p是線性參數(shù)a的維數(shù)；q是非線性參數(shù)b的維數(shù)；令n=p+q，n表示待求參數(shù)的總個(gè)數(shù)；m表示觀測(cè)次數(shù)。

令Φ(b)的列對(duì)應(yīng)的是與參數(shù)向量b相關(guān)的非線性函數(shù)φj(b),(j=1,2,…,p)。那么，非線性函數(shù)模型寫成矩陣形式為

V=f(a,b)-L=Φ(b)a-L

(5)

則式(5)的非線性最小二乘優(yōu)化問題為

(6)

若給定非線性參數(shù)b，則線性參數(shù)a的最小二乘最小范數(shù)解為

(7)

式中，Φ+(b)是Φ(b)的Moore-Penrose廣義逆[29]。

(8)

則原問題轉(zhuǎn)化為僅含有非線性參數(shù)的最小二乘問題?；谑?8)的算法也稱為變量投影算法[9]。

經(jīng)參數(shù)分離后的平差函數(shù)模型為

V(b)=Φ(b)Φ+(b)L-L

(9)

2 基于Moore-Penrose廣義逆矩陣微分的變量投影算法

根據(jù)最小二乘準(zhǔn)則，待求參數(shù)的最優(yōu)值通過求極值方法得到[30]，其可分離非線性最小二乘的目標(biāo)函數(shù)F(b)的一階導(dǎo)數(shù)為

(10)

(11)

又由于PΦ(b)Φ(b)=Φ(b)，因此

(12)

將式(12)代入式(11)，得變量投影算子的一階偏導(dǎo)為

(13)

(14)

(15)

根據(jù)立體矩陣的計(jì)算規(guī)則[31-32]，式(13)為

(16)

最終式(10)的目標(biāo)函數(shù)一階導(dǎo)數(shù)為

F′(b)=

(17)

則殘差向量的Jacobian矩陣J(b)為

(18)

對(duì)目標(biāo)函數(shù)F(b)用泰勒級(jí)數(shù)公式展開，并取至二階項(xiàng)，由以下優(yōu)化模型來得到迭代方向

(19)

由極值條件可得

(20)

式中

(21)

因此，式(20)迭代方向dk為

(22)

設(shè)第k次迭代的非線性參數(shù)向量為bk，從而基于變量投影的可分離非線性最小二乘LM算法的迭代方向dk為

(23)

式中，μk>0，J(bk)是殘差向量V(bk)(式(9))關(guān)于bk的一階偏導(dǎo)構(gòu)成的矩陣。

(24)

殘差向量的雅可比矩陣J(b)的每一行由相應(yīng)向量函數(shù)的梯度轉(zhuǎn)置得到，即

(25)

直接由式(13)可得

(26)

然后計(jì)算新的迭代點(diǎn)

JT(bk)V(bk)

(27)

(28)

令系數(shù)矩陣

(29)

(30)

結(jié)合以上參數(shù)求解過程，基于變量投影算法參數(shù)分離的LM優(yōu)化方法步驟如下。

(1)給定非線性參數(shù)初值b0以及閾值0<ε?1，并置迭代次數(shù)k=0。

(2)計(jì)算非線性函數(shù)矩陣Φ(bk)和雅可比矩陣J(bk)。

(3)根據(jù)式(23)和式(27)計(jì)算可分離非線性參數(shù)的迭代方向dk和第k+1次的參數(shù)值bk+1。

當(dāng)非線性函數(shù)矩陣Φ(bk)秩虧或病態(tài)時(shí)，則需要通過解算不適定問題的方法進(jìn)行求解[35-36]，參數(shù)收斂結(jié)果也會(huì)有所不同。

3 試驗(yàn)分析

為了驗(yàn)證基于Moore-Penrose廣義逆矩陣微分的可分離非線性最小二乘方法在參數(shù)估計(jì)中的有效性，采用指數(shù)函數(shù)擬合的模擬試驗(yàn)及LiDAR全波形分解試驗(yàn)與傳統(tǒng)的參數(shù)不分離的非線性最小二乘LM優(yōu)化方法進(jìn)行了對(duì)比，試驗(yàn)環(huán)境為Matlab 2016b，2.80 GHz PC，Windows10系統(tǒng)。

3.1 指數(shù)函數(shù)模型的擬合

模擬試驗(yàn)源于放射性物質(zhì)的衰變過程，其函數(shù)模型表達(dá)式為

f(β,λ)=β1exp(-λ1ti)+β2exp(-λ2ti)+ξ

(31)

為了獲得待求參數(shù)的最優(yōu)估計(jì)，首先根據(jù)實(shí)際觀測(cè)值列出誤差方程，并通過變量投影算法將線性參數(shù)進(jìn)行消除，得到基于變量投影算法的誤差方程，然后基于Moore-Penrose廣義逆矩陣的微分和立體矩陣?yán)碚撚?jì)算目標(biāo)函數(shù)的雅可比矩陣，采用LM算法對(duì)非線性參數(shù)λ=[λ1λ2]T進(jìn)行估計(jì)，當(dāng)目標(biāo)函數(shù)(殘差平方和)的梯度小于10-6時(shí)，迭代終止。

結(jié)合衰變模型的結(jié)構(gòu)特點(diǎn)，根據(jù)參數(shù)初值選擇在真值附近或初值選擇常用的0和1得到4組不同的參數(shù)初值為[3 2 10 1]T、[0 1 10 1]T、[3 2 0 1]T和[0 1 0 1]T，然后采用本文提出的參數(shù)分離的LM優(yōu)化方法對(duì)非線性參數(shù)進(jìn)行優(yōu)化，與參數(shù)不分離的LM優(yōu)化方法進(jìn)行結(jié)果對(duì)比。給定4組參數(shù)初值，參數(shù)分離方法和參數(shù)不分離方法得到的衰減因子估值均為[3.30 2.68 9.54 1.32]T。由該參數(shù)估值得到的擬合曲線如圖1所示。

圖1 參數(shù)不分離方法和參數(shù)分離方法的擬合曲線對(duì)比Fig.1 Comparison of fitted curves between parameter non-separation method and parameter separation method

由圖1可知，參數(shù)分離方法和參數(shù)不分離方法得到的指數(shù)函數(shù)模型曲線與觀測(cè)值擬合較好。

從迭代次數(shù)、殘差平方和、均方根誤差、擬合優(yōu)度、相關(guān)系數(shù)和最大差值等評(píng)價(jià)指標(biāo)對(duì)參數(shù)分離的LM優(yōu)化方法得到的結(jié)果進(jìn)行分析，為了減少計(jì)算機(jī)性能等影響因素對(duì)時(shí)間的影響，將線性參數(shù)和非線性參數(shù)初值均在真值附近的試驗(yàn)中參數(shù)不分離方法的計(jì)算時(shí)間設(shè)為單位1，其余試驗(yàn)的時(shí)間對(duì)其進(jìn)行比值，評(píng)價(jià)指標(biāo)結(jié)果見表1。

表1 指數(shù)模型擬合試驗(yàn)參數(shù)不分離LM方法和參數(shù)分離LM方法結(jié)果的評(píng)價(jià)指標(biāo)對(duì)比Tab.1 Comparison of evaluation indexes between LM method without parameter separation and LM method with parameter separation in exponential model fitting experiment

結(jié)合參數(shù)最終估值結(jié)果和表2可知，4組試驗(yàn)的評(píng)價(jià)指標(biāo)除迭代次數(shù)和迭代時(shí)間外，其余指標(biāo)結(jié)果相同，并且從擬合優(yōu)度和相關(guān)系數(shù)的數(shù)值可以看出，參數(shù)分離方法和參數(shù)不分離方法都能與觀測(cè)值擬合較好；迭代次數(shù)方面，當(dāng)目標(biāo)函數(shù)(殘差平方和)的梯度小于10-6時(shí)，由于第1組和第2組的非線性參數(shù)初值相同，參數(shù)分離的LM優(yōu)化方法不受線性參數(shù)初值的影響，因此迭代次數(shù)均為7，參數(shù)不分離方法由于線性參數(shù)的初值不同，迭代次數(shù)分別為23次和201次；第3組和第4組的非線性參數(shù)初值相同，參數(shù)分離的LM優(yōu)化方法的迭代次數(shù)均為15，參數(shù)不分離方法的迭代次數(shù)分別為1808次和1794次；迭代時(shí)間方面，第1組試驗(yàn)中雖然參數(shù)分離的LM優(yōu)化方法迭代次數(shù)少，但是由于迭代過程中目標(biāo)函數(shù)的一階導(dǎo)數(shù)計(jì)算復(fù)雜，導(dǎo)致計(jì)算時(shí)間比參數(shù)不分離的LM優(yōu)化方法多了約23%，但第2組、第3組和第4組試驗(yàn)中，參數(shù)分離方法的計(jì)算時(shí)間均比參數(shù)不分離方法少，特別是第3組和第4組試驗(yàn)，由于參數(shù)分離的LM優(yōu)化方法比參數(shù)不分離的LM優(yōu)化方法的迭代次數(shù)分別減少了1793次和1779次，因此參數(shù)分離方法的計(jì)算時(shí)間明顯減少，計(jì)算效率得到顯著提高。另外，第1組和第2組試驗(yàn)參數(shù)分離方法的時(shí)間理論上應(yīng)該完全相同，但是由于計(jì)算機(jī)實(shí)時(shí)狀態(tài)的不同，所以計(jì)算時(shí)間有少許差別，第3組和第4組試驗(yàn)的計(jì)算時(shí)間也是如此。

為了驗(yàn)證參數(shù)分離方法對(duì)原問題病態(tài)性的改進(jìn)，對(duì)基于變量投影算法參數(shù)分離的殘差向量雅可比矩陣的條件數(shù)進(jìn)行分析，其4組初值對(duì)應(yīng)的參數(shù)分離方法和參數(shù)不分離方法的條件數(shù)結(jié)果見表2。

表2 不同參數(shù)初值情況下殘差向量雅克比矩陣條件數(shù)對(duì)比Tab.2 Comparison of condition number of Jacobian matrix of the residual vector with different initial parameters

由表2可知，同一組參數(shù)初值的參數(shù)分離方法雅克比矩陣的條件數(shù)比參數(shù)不分離方法更小，特別是第2組和第4組參數(shù)初值，原非線性最小二乘問題的雅可比矩陣的條件數(shù)均超過1018，存在明顯病態(tài)問題，而基于變量投影參數(shù)分離方法的雅可比矩陣的條件數(shù)分別為16.66和5.23，原問題的病態(tài)性得到明顯改善。

3.2 基于可分離非線性最小二乘的LiDAR波形分解

試驗(yàn)采用海南某部分海域2012年12月測(cè)量得到的機(jī)載LiDAR測(cè)深數(shù)據(jù)進(jìn)行波形分解，其波形數(shù)據(jù)采用Optech Aquarius機(jī)載測(cè)深系統(tǒng)測(cè)量得到，激光脈沖頻率為70 kHz，以1～2 GHz的高采樣率記錄各采樣點(diǎn)的振幅，采樣間隔為1 ns，采樣數(shù)量為287。由于在反射率低的情況下，電壓值會(huì)很小，因此，將觀測(cè)值進(jìn)行量化，得到數(shù)字信號(hào)值(digital number)，即每一條波形由(ti,DNi),i=1,2,…，287組成。利用雙高斯模型對(duì)海面回波和海底回波建立模型，即

i=1,2,…,m

(32)

式中，a=[a0a1a2]T，b=[μ1μ2σ1σ2]T是待求線性參數(shù)和非線性參數(shù)；ξ是測(cè)量誤差。

圖2 不同參數(shù)初值的參數(shù)不分離方法和參數(shù)分離方法的LiDAR波形擬合曲線Fig.2 Comparison of LiDAR waveform fitted curves between parameter non-separation method and parameter separation method with different initial values of parameters

由圖2可知，參數(shù)分離的LM優(yōu)化方法根據(jù)第1、2和3組的參數(shù)初值得到LiDAR波形曲線與原始觀測(cè)值擬合較好；參數(shù)不分離的LM優(yōu)化方法第1組和第2組試驗(yàn)得到的LiDAR波形曲線與參數(shù)分離方法相比，在第1個(gè)波峰處相差較大，第2個(gè)波峰擬合較好，第3組試驗(yàn)得到的LiDAR波形在兩個(gè)波峰處與參數(shù)分離方法得到的擬合曲線都存在差值；第4組試驗(yàn)無論是參數(shù)分離方法還是參數(shù)不分離方法都未能與觀測(cè)值進(jìn)行較好擬合，也說明了兩種方法都對(duì)參數(shù)初值具有一定的依賴性。

從迭代次數(shù)、計(jì)算時(shí)間，殘差平方和、均方根誤差、擬合優(yōu)度、相關(guān)系數(shù)和最大差值等評(píng)價(jià)指標(biāo)與參數(shù)不分離的非線性最小二乘LM優(yōu)化方法進(jìn)行對(duì)比，與模擬試驗(yàn)一樣，并將第1組參數(shù)初值在近似值附近的參數(shù)不分離方法的計(jì)算時(shí)間設(shè)為單位1，結(jié)果見表3。

表3中加粗的值表示離近似值較遠(yuǎn)的初值。由表3可知，當(dāng)線性參數(shù)初值和非線性參數(shù)初值都選擇在近似值附近時(shí)(第1組)，參數(shù)分離方法和參數(shù)不分離方法的迭代次數(shù)都是10，迭代終止時(shí)，參數(shù)不分離方法的殘差平方和是6.31×104，參數(shù)分離方法的殘差平方和是6.13×104，從均方根誤差、擬合優(yōu)度、相關(guān)系數(shù)和最大偏差4個(gè)評(píng)價(jià)指標(biāo)也可以看出，參數(shù)分離方法得到的參數(shù)估計(jì)值精度更高，但是相同的迭代次數(shù)參數(shù)分離方法計(jì)算所需的時(shí)間更多。

表3 LiDAR波形擬合試驗(yàn)參數(shù)不分離的LM方法和參數(shù)分離的LM方法結(jié)果的評(píng)價(jià)指標(biāo)對(duì)比Tab.3 Comparison of evaluation indexes between LM method without parameter separation and LM method with parameter separation in LiDAR waveform fitting experiment

當(dāng)非線性參數(shù)初值選擇在最優(yōu)值附近，線性參數(shù)初值任意選擇時(shí)(第2組)，參數(shù)分離方法由于只與非線性參數(shù)有關(guān)，所以與第1組試驗(yàn)結(jié)果相同；參數(shù)不分離方法與第1組試驗(yàn)相比，迭代次數(shù)增加1，均方根誤差由14.82增大為16.67，結(jié)合其余評(píng)價(jià)指標(biāo)可知，參數(shù)分離方法的擬合精度更高，但所需計(jì)算時(shí)間更多。

當(dāng)線性參數(shù)初值選擇在最優(yōu)值附近，非線性的部分參數(shù)(波形寬度)初值任意選擇時(shí)(第3組)，參數(shù)分離方法仍然可以得到與第1組試驗(yàn)相同的結(jié)果；而參數(shù)不分離方法均方根誤差由第1組的14.82增加為21.52，擬合優(yōu)度也由0.979 3降至0.956 4，由此可知，參數(shù)不分離方法更容易受參數(shù)初值的影響。

當(dāng)線性參數(shù)初值選擇在最優(yōu)值附近，非線性的部分參數(shù)(波峰位置)初值任意選擇時(shí)，參數(shù)不分離方法和參數(shù)分離方法都未得到與第1組精度一致的參數(shù)估值，結(jié)合圖2可知，參數(shù)分離方法和參數(shù)不分離方法都對(duì)波峰位置參數(shù)的初值比較敏感。

對(duì)上述4組試驗(yàn)中參數(shù)分離方法和參數(shù)不分離方法的殘差平方和變化過程進(jìn)行對(duì)比，結(jié)果如圖3所示。

由圖3可知，第1、2和3組在迭代終止時(shí)，參數(shù)分離方法的殘差平方和更小，也說明了參數(shù)分離方法在求解可分離非線性最小二乘問題時(shí)的參數(shù)估計(jì)精度更高，第4組試驗(yàn)在迭代終止時(shí)雖然參數(shù)不分離方法的殘差平方和更小，但結(jié)合表2可知，兩種方法得到均方根誤差(99.433 0和102.286 4)都與參數(shù)初值在近似值附近(第1組)的結(jié)果(14.616 5)相差較大，說明兩種方法均未得收斂到待估參數(shù)的最優(yōu)值。

為了更全面地對(duì)比參數(shù)不分離方法和參數(shù)分離方法的收斂結(jié)果，根據(jù)LiDAR波形分解中常用的峰值探測(cè)法得到波峰位置參數(shù)和振幅參數(shù)的近似初值，波峰寬度參數(shù)的近似初值由峰值一半處對(duì)應(yīng)的兩點(diǎn)位置得到，然后以近似初值為中心，初值的一半為鄰域設(shè)定線性參數(shù)和非線性參數(shù)的取值區(qū)間，在均勻分布區(qū)間內(nèi)隨機(jī)取200組線性參數(shù)和非線性參數(shù)的初值，進(jìn)行迭代建模，進(jìn)而分析200組試驗(yàn)中兩種方法的均方根誤差、擬合優(yōu)度、相關(guān)系數(shù)和最大偏差等指標(biāo)的分布情況，結(jié)果如圖4和表4所示。

表4 效果評(píng)價(jià)指標(biāo)的統(tǒng)計(jì)結(jié)果Tab.4 The statistical results of effect evaluation indexes

由圖4和表4可知，參數(shù)分離方法的均方根誤差均值比參數(shù)不分離方法小34.721 3，說明整體上參數(shù)分離方法的精度更高；200次試驗(yàn)中，擬合優(yōu)度大于0.9的參數(shù)分離方法占74.5%，參數(shù)不分離方法占32.5%，相關(guān)系數(shù)大于0.9的參數(shù)分離方法占76.5%，參數(shù)不分離方法占35%；由兩種方法相關(guān)系數(shù)的標(biāo)準(zhǔn)差數(shù)值可知，參數(shù)分離方法200次試驗(yàn)的相關(guān)系數(shù)標(biāo)準(zhǔn)差更小，說明其算法穩(wěn)定性更好。

圖4 LiDAR波形擬合200次試驗(yàn)的效果評(píng)價(jià)指標(biāo)分布情況Fig.4 The distribution of evaluation indexes in 200 experiments of LIDAR waveform fitting

對(duì)200次試驗(yàn)中非線性參數(shù)初值相同的參數(shù)分離方法的殘差向量雅可比矩陣的條件數(shù)與參數(shù)不分離方法進(jìn)行對(duì)比，結(jié)果如圖5所示。

圖5 200次試驗(yàn)中殘差向量雅可比矩陣的條件數(shù)對(duì)比Fig.5 The comparison of the condition number of the Jacobian matrix of residual vector in 200 experiments

綜上分析可知：①參數(shù)分離的LM優(yōu)化方法只對(duì)非線性參數(shù)初值具有一定的依賴性，比傳統(tǒng)參數(shù)不分離的LM方法對(duì)待求參數(shù)初值的要求更低；②參數(shù)分離的LM優(yōu)化方法在對(duì)參數(shù)優(yōu)化過程中，所需的迭代次數(shù)更少，計(jì)算效率更高；③若兩種方法的迭代次數(shù)相同，由于參數(shù)分離的LM優(yōu)化方法在迭代過程中需要對(duì)Moore-Penrose廣義逆矩陣的微分和立體矩陣進(jìn)行計(jì)算，增加了計(jì)算復(fù)雜度，因此需要的時(shí)間更多。

4 結(jié) 論

基于Moore-Penrose廣義逆矩陣微分的可分離非線性最小二乘方法通過利用變量投影算法將原來含有兩類參數(shù)的優(yōu)化問題轉(zhuǎn)化為僅含有非線性參數(shù)的最小二乘問題，降低了待求參數(shù)的維數(shù)，迭代過程只依賴非線性參數(shù)的初值，避免了線性參數(shù)初值導(dǎo)致的病態(tài)問題。機(jī)載LiDAR測(cè)深全波形數(shù)據(jù)擬合試驗(yàn)結(jié)果表明，參數(shù)分離后的非線性最小二乘方法在波形參數(shù)求解過程中，參數(shù)估計(jì)精度更高，算法穩(wěn)定性也更強(qiáng)，為機(jī)載LiDAR波形分解參數(shù)的求解提供了新的方法，也拓展了可分離非線性最小二乘方法在測(cè)繪領(lǐng)域的應(yīng)用，但基于Moore-Penrose廣義逆矩陣的微分和立體矩陣的雅可比矩陣的顯式表達(dá)增加了計(jì)算復(fù)雜度，導(dǎo)致得到相同參數(shù)估計(jì)精度時(shí)，計(jì)算時(shí)間更多，因此如何提高計(jì)算效率也是可分離非線性最小二乘解算需要進(jìn)一步研究的內(nèi)容。