- •Параметрическая версия мнк-оптимизации и оценки точности данных (Параметрический способ уравнивания)
- •Нахождение наиболее достоверных значений измеренных величин и параметров (Уравнивание).
- •Статистические свойства векторов-оценивателей алгоритма параметрической версии
- •Статистические свойства векторов-оценивателей параметрической версии мнк-оптимизации
- •Оценка точности измерений
- •Оценка точности уравненных параметров и функций от них
- •Ковариации a posteriori 9.Ковариации a posteriori
Нахождение наиболее достоверных значений измеренных величин и параметров (Уравнивание).
Представим векторы реальных значений измеряемых величин и параметров в виде сумм исходных векторов и малых поправок к ним:
Yn1 = yn1 + vn1, (K.11)
Xk1 = xk1 + Xk1. (П.4)
Поправки к измерениям vn1 и приближённым значениям параметров Xk1 полагаем значительно мèньшими по модулю самих результатов измерений yn1 и приближённых параметров xk1 т.е. |vn1| << | yn1| и |Xk1| << | xk1|. Такое предположение основывается на том, что геодезические измерения yn1 выполняются с относительными СКО порядка не ниже 10-3÷10-4, а приближённые значения параметров xk1 вычисляют по тем же измерениям.
При подстановке (K.11) и (П.4) в ПУС (П.1) получаем такой результат:
yn1 + vn1 = Fn1(xT1k + XT1k; ZT1q), (П.5)
Разложив функцию (П.5) в ряд Тейлора в окрестностях точек yn1 и xk1 и ограничившись только линейными членами, получим линеаризованные ПУС (ЛПУС):
yn1 + vn1 = Fn1(xT1k;zT1q) + {∂Fi/∂Xj}*Xk1 . (П.6)
Частные производные функций Fi по параметрам Xj – это матрица коэффициентов линеаризованных ПУС Ank. Числовые значения производных находят по приближённым значениям параметров xk1. Разность векторов yn1 и Fn1(xT1k;zT1q) представляет собой вектор «свободных членов» ЛПУС:
Ln1 = yn1 – Fn1(xT1k zT1q). (П.7)
С учётом введённых обозначений, уравнения (П.6) запишутся таким образом:
An k Xk1 – Ln1 = vn 1. (П.8)
Выдвинув требование линейной независимости параметров, мы вправе считать, что
rank(An k) = k. (П.9)
В таком случае матрица An k будет матрицей полного столбцового ранга.
Система ЛПУС (П.8) содержит, кроме неизвестных поправок Xk1 к параметрам xk1, так же не известные поправки vn 1 в измерения yn1. Это означает, что она будет иметь бесчисленное множество решений.
Для нахождения единственных значений зависимых векторов и на систему (П.8) накладывается МНК-ограничение:
Ank * –Ln1 =
. (П.10)
=
Необходимым условием существования экстремума функции является равенство нулю её частных производных:
. (П.11)
Система (П.11) содержит «k» уравнений и «n» неизвестных , записанных в строку. Транспонируя эту систему, получаем «лемму Гаусса»:
. (П.12)
Эти неизвестные являются функциями (П.8) «k» параметров, что позволяет получить систему нормальных параметрических уравнений, число которых равно числу неизвестных:
. (П.13)
Здесь
Nkk = AT K-1 A – (П.14)
матрица коэффициентов, а
Gk1 = AT K-1 L – (П.15)
вектор свободных членов нормальных параметрических уравнений.
Предположив линейную независимость вектора параметров, мы установили, что матрица коэффициентов ЛПУС An k является матрицей полного столбцового ранга. В таком случае матрица коэффициентов нормальных уравнений Nkk = AT K-1 A будет квадратной матрицей полного ранга, т.е.
rank(Nk k) = k. (П.16)
Это означает, что det(N) ≠ 0 и существует обратная матрица N-1. Тогда решение нормальных параметрических уравнений даст корни системы (П.13):
, (П.17)
являющиеся МНК-поправками к приближённым значениям параметров xk1. Поправки становятся случайными величинами, будучи функциями свободных членов (П.15), в которые вошли погрешности измерений.
Подставляя МНК-поправки в ЛПУС (П.10), получаем МНК-поправки в измерения:
= Ank * –Ln1. (П.10)
Последний шаг, МНК-оптимизация или «уравнивание», выполняется путём введения найденных МНК-поправок в приближённые значения параметров и в измерения:
= xk1 + , (П.18)
= yn1 + . (П.19)
Итак, алгоритм МНК-оптимизации или уравнивания результатов измерений и параметров получен.