本博客属于转载，感谢：GNSS整周模糊度固定算法（LAMBDA算法）_Chaoz3的博客-CSDN博客_整周模糊度
本本博客
前言
整周模糊度的求解是GNSS高精度定位中的关键性问题，正确快速地固定整周模糊度能使GNSS的定位精度到达厘米甚至毫米级。在GNSS相对定位过程中，通过卡尔曼滤波（优化算法也一样）可以求解得双差整周模糊度参数的浮点解（即小数解）及其方差-协方差矩阵，而由于整周模糊度具有整数特性，那么不管是单差整周模糊度还是双差整周模糊度都理应是整数。如何利用整周模糊度参数的浮点解及其方差-协方差矩阵，正确求得整周模糊度参数的固定解（即整数解），就是模糊度固定要解决的问题（这实际上是一个数学问题）。
一、LAMBDA算法理论
最小二乘模糊度降相关平差法（Leastsquare AMBiguity Decorrelation Adjustment-LAMBDA）理论严密，搜索速度快，是一种被广泛采用的模糊度固定方法。该方法主要由两部分组成：
- 1、为降低模糊度参数（可以观测很多卫星，都有模糊度问题）之间相关性而进行的多维整数变换；
- 2、在转换后的空间内进行模糊度搜索，然后再将结果转换回模糊度空间中，进而求得模糊度整数解。
1、模糊度参数降相关
由于模糊度之间具有相关性，一个模糊度参数的变化会影响其他模糊度的搜索，使得搜索算法的计算量巨大。如果能够设法降低模糊度参数之间的相关性，使得某一模糊度的变化对其他模糊度的取值的影响尽可能小，就能大大加快模糊度的搜索过程。
LAMBDA算法通过对模糊度参数及其方差-协方差阵进行整数高斯变换（也称z变换），将他们从原空间变换到新的空间中去，实现模糊度的降相关：
通过LDL分解的下三角矩阵L LL中的元素并不为零，说明模糊度参数之间存在相关性；
（1）使L矩阵中非对角线元素绝对值小于0.5
（2）使D矩阵中对角线元素降序排序
在实际计算中，通常从第n-1列的第一个非对角线元素（即第n行第n-1列的元素）开始，从上往下（第k行到第n行，k表示第一个非对角线元素），从右往左（第n-1列到第1列），交替进行降相关及调序操作，最终的整数变换矩阵即为所有降相关子矩阵Z及调序变换子矩阵P的乘积。
2、模糊度搜索
模糊度搜索与前述的降相关是LAMBDA算法的两个独立的部分，就算不做降相关操作，依然可以进行模糊度搜索，整数模糊度搜索条件（目标函数f，简单的残差问题）：
代入目标函数得：
目标函数变为：
其中：
二、LAMBDA算法代码
RTKLIB中使用的LAMBDA算法，与第一节中所述的LAMBDA算法有些区别，但他们的核心思想是相同的，配合源码学习可帮助理解LAMBDA算法（对代码关键部分进行了注释）。
需要注意的是，RTKLIB中采用lambda算法降相关，mlambda算法搜索。
/* lambda/mlambda integer least-square estimation ------------------------------
* integer least-square estimation. reduction is performed by lambda,
* and search by mlambda. 用lambda算法降相关，mlambda算法搜索
* args : int n I number of float parameters
* int m I number of fixed solutions
* double *a I float parameters (n x 1)
* double *Q I covariance matrix of float parameters (n x n)
* double *F O fixed solutions (n x m)
* double *s O sum of squared residulas of fixed solutions (1 x m)
* return : status (0:ok,other:error)
* notes : matrix stored by column-major order (fortran convension)
*-----------------------------------------------------------------------------*/
extern int lambda(int n, int m, const double *a, const double *Q, double *F,
double *s)
{
int info;
double *L,*D,*Z,*z,*E;
if (n<=0||m<=0) return -1;
L=zeros(n,n); D=mat(n,1); Z=eye(n); z=mat(n,1); E=mat(n,m);
/* LD factorization 对双差模糊度方差-协方差阵Q进行LDLT分解 */
if (!(info=LD(n,Q,L,D))) {
/* lambda reduction lambda降相关 */
reduction(n,L,D,Z);
matmul("TN",n,1,n,1.0,Z,a,0.0,z); /* z=Z'*a */
/* mlambda search mlambda搜索 */
if (!(info=search(n,m,L,D,z,E,s))) {
/* 将在新空间中固定的模糊度逆变换回双差模糊度空间中 */
info=solve("T",Z,E,n,m,F); /* F=Z'\E */
}
}
free(L); free(D); free(Z); free(z); free(E);
return info;
}
降相关子函数reduction()
/* lambda reduction (z=Z'*a, Qz=Z'*Q*Z=L'*diag(D)*L) (ref.[1]) ---------------*/
static void reduction(int n, double *L, double *D, double *Z)
{
int i,j,k;
double del;
j=n-2; k=n-2;
//这里的调序变换类似插入排序的思路？
while (j>=0) {
//由于第k+1，k+2，...，n-2列都进行过降相关并且没有被上一次调序变换影响，
//因此只需对第0,1，...，k-1，k列进行降相关
if (j<=k) for (i=j+1;i<n;i++) gauss(n,L,Z,i,j);//从最后一列开始，各列非对角线元素从上往下依次降相关
del=D[j]+L[j+1+j*n]*L[j+1+j*n]*D[j+1];
if (del+1E-6<D[j+1]) { /* 检验条件，若不满足检验条件则开始进行调序变换 compared considering numerical error */
perm(n,L,D,j,del,Z);//调序变换
k=j; j=n-2;//完成调序变换后重新从最后一列开始进行降相关及排序，k记录最后一次进行过调序变换的列序号
}
else j--;
}
}
搜索子函数search()
搜索的目标函数为：
r的取值决定了超椭圆搜索区域的大小，若r取小了，最优解落在搜索区域外，无法搜索到最优解；若r取大了，搜索区域过大，搜索效率变低。LAMBDA算法里通过某种方式确定r的取值，后续的所有搜索都在固定半径的超椭圆区域中进行，这种固定半径搜索方式的效率依赖于r取值的合理性。
X.W.Chang等提出MLAMBDA算法，此方法在搜索的过程中不断地缩小搜索区域的半径r，大多数情况下的搜索效率都要高于LAMBDA的搜索方式。其原理如下：
由理论部分，对于任一模糊度有：
其伪代码（参考文献3）及代码（RTKLIB）如下：
static int search(int n, int m, const double *L, const double *D,
const double *zs, double *zn, double *s)
{
int i,j,k,c,nn=0,imax=0;
double newdist,maxdist=1E99,y;//maxdist，当前超椭圆半径
double *S=zeros(n,n),*dist=mat(n,1),*zb=mat(n,1),*z=mat(n,1),*step=mat(n,1);
k=n-1; dist[k]=0.0; //k表示当前层，从最后一层（n-1）开始计算
zb[k]=zs[k];//即zn
z[k]=ROUND(zb[k]); y=zb[k]-z[k]; step[k]=SGN(y); //四舍五入取整；取整后的数与未取整的数作差；step记录z[k]是四舍还是五入
for (c=0;c<LOOPMAX;c++) {
newdist=dist[k]+y*y/D[k];
if (newdist<maxdist) { //如果当前累积目标函数计算值小于当前超椭圆半径
if (k!=0) { //情况1：若还未计算至第一层，继续计算累积目标函数值
dist[--k]=newdist; //记录下当前层的累积目标函数值，dist[k]表示了第k,k+1,...,n-1层的目标函数计算和
for (i=0;i<=k;i++)
S[k+i*n]=S[k+1+i*n]+(z[k+1]-zb[k+1])*L[k+1+i*n];//
zb[k]=zs[k]+S[k+k*n]; //计算Zk，即第k个整数模糊度参数的备选组的中心
z[k]=ROUND(zb[k]); y=zb[k]-z[k]; step[k]=SGN(y); //四舍五入取整；取整后的数与未取整的数作差；记录是四舍还是五入
}
else { //情况2：若已经计算至第一层，意味着所有层的累积目标函数值计算完毕
//nn为当前候选解数，m为我们需要的固定解数，这里为2，表示需要一个最优解及一个次优解
//s记录候选解的目标函数值，imax记录之前候选解中的最大目标函数值的坐标
if (nn<m) { //若候选解数还没满
if (nn==0||newdist>s[imax]) imax=nn;//若当前解的目标函数值比之前最大的目标函数值都大，那么更新imax使s[imax]指向当前解中具有的最大目标函数值
for (i=0;i<n;i++) zn[i+nn*n]=z[i];//zn存放所有候选解
s[nn++]=newdist;//s记录当前目标函数值newdist，并加加当前候选解数nn
}
else { //若候选解数已满（即当前zn中已经存了2个候选解）
if (newdist<s[imax]) { //若 当前解的目标函数值 比 s中的最大目标函数值 小
for (i=0;i<n;i++) zn[i+imax*n]=z[i]; //用当前解替换zn中具有较大目标函数值的解
s[imax]=newdist; //用当前解的目标函数值替换s中的最大目标函数值
for (i=imax=0;i<m;i++) if (s[imax]<s[i]) imax=i; //更新imax保证imax始终指向s中的最大目标函数值
}
maxdist=s[imax]; //用当前最大的目标函数值更新超椭圆半径
}
z[0]+=step[0]; y=zb[0]-z[0]; step[0]=-step[0]-SGN(step[0]); //在第一层，取下一个有效的整数模糊度参数进行计算（若zb为5.3，则z取值顺序为5,6,4,7，...）
}
}
else { //情况3：如果当前累积目标函数计算值大于当前超椭圆半径
if (k==n-1) break; //如果当前层为第n-1层，意味着后续目标函数各项的计算都会超出超椭圆半径，因此终止搜索
else { //若当前层不是第n-1层
k++; //退后一层，即从第k层退到第k+1层
z[k]+=step[k]; y=zb[k]-z[k]; step[k]=-step[k]-SGN(step[k]); //计算退后一层后，当前层的下一个有效备选解
}
}
}
// 对s中的目标函数值及zn中的候选解进行排序（以s中目标函数值为排序标准，进行升序排序）
// RTKLIB中最终可以得到一个最优解一个次优解，存在zn中，两解对应的目标函数值，存在s中
for (i=0;i<m-1;i++) { /* sort by s */
for (j=i+1;j<m;j++) {
if (s[i]<s[j]) continue;
SWAP(s[i],s[j]);
for (k=0;k<n;k++) SWAP(zn[k+i*n],zn[k+j*n]);
}
}
free(S); free(dist); free(zb); free(z); free(step);
if (c>=LOOPMAX) {
fprintf(stderr,"%s : search loop count overflow\n",__FILE__);
return -1;
}
return 0;
}
参考
整周模糊度解算（特指LAMBDA算法）资料及算例改正_PhD.Knight的博客-CSDN博客
[1] 李征航, 黄劲松. GPS测量与数据处理.第3版[M]. 武汉大学出版社, 2016.
[2] Jonge P D , Tiberius C . The LAMBDA method for integer ambiguity estimation: implementation aspects[J]. No of Lgr Series, 1998.
[3] Chang X W , Yang X , Zhou T . MLAMBDA: a modified LAMBDA method for integer least-squares estimation[J]. Journal of Geodesy, 2005, 79(9):552-565.
4341
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
