平差之最小二乘法

测量里同精度的观测数据都是呈正态分布的:
$$X\sim N\left(\mu ,{\sigma }^2\right)$$
概率密度函数为:
$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$
平差里面:
随机误差 = 观测值 - 期望值
因此,公式可以改写为
$$f(l)=\frac{1}{\sigma \sqrt{2\pi }}\exp \left(-\frac{{\epsilon }^2}{2{\sigma }^2}\right)$$
或者
$$f(l)=\frac{1}{\sigma \sqrt{2\pi }}\exp \left(-\frac{v^2}{2{\sigma }^2}\right)$$
每组观测都有各自的分布,把所有的分布叠加到一起得到联合概率密度:
$$\begin{array}{rl}& \Omega =\frac{1}{{\sigma }_{\mathrm{I}\mathrm{N}}\sqrt{2\pi }}\exp \left(-\frac{1v_1^2}{2{\sigma }_1^2}\right)+\frac{1}{{\sigma }_{2\sqrt{2\pi }}}\exp \left(-\frac{1v_2^2}{2{\sigma }_2^2}\right)\\ & +\frac{1}{{\sigma }_3\sqrt{2\pi }}\exp \left(-\frac{1v_3^2}{2{\sigma }_3^2}\right)\dots \frac{1}{{\sigma }_n\sqrt{2\pi }}\exp \left(-\frac{1v_n^2}{2{\sigma }_n^2}\right)\end{array}$$
$$\Omega =\left({\Pi }_{i=1}^n\frac{1}{{\sigma }_i\sqrt{2\pi }}\right)e^{-K}\mathrm{with}\cdots K=\frac{1}{2}\sum _{i=1}^n\frac{1}{{\sigma }_i^2}{v}_i$$

现在的目的是求最大似然估计,也就是要求概率密度函数的最大值.
求导令一阶导数=0可求得极值,推导可见:
https://blog.csdn.net/xidianzhimeng/article/details/20847289?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
关于最小二乘的本质,可见:
https://www.zhihu.com/question/37031188
最后得到:$$\sum _{i=1}^n\frac{1}{{\sigma }_i^2}{v}_i^2\to \min$$
$$\text{ With : }\frac{1}{{\sigma }_i^2}=P_i$$
P是观测值的权.
权阵:
$$P=\left[\begin{array}{cc}{P}_{11}& 0\\ & \ddots \\ 0& p_{nn}\end{array}\right]$$
也就是求$$\sum _{i=1}^n{p}_i{v}_i^2\to \min$$
写成矩阵形式:
$$v^{T}Pv\to \min$$
定义协因数矩阵:
$$\mathrm{Q}=\left[\begin{array}{ccccc}{q}_{11}& q_{12}& q_{13}& \cdots & q_{1n}\\ q_{21}& q_{22}& q_{23}& \cdots & q_{2n}\\ ⋮& & \ddots & & ⋮\\ ⋮& & & \ddots & ⋮\\ q_{n1}& q_{n2}& q_{n3}& \cdots & q_{nn}\end{array}\right]$$
观测值的协因数 Q ii 和与方差成正比 , 而协因数 Q ij (相关权倒数 ) 与协方差成正比。
权P是比较观测值精度高低的一种指标 ,
而协因数Q是比较观测值之间相关程度的一种指标。
$$P=Q^{-1}$$
$$\mathrm{P}=[\begin{array}{ccc}{p}_{11}& p_{12}& p_{13}\\ p_{21}& p_{22}& p_{23}\\ & & \\ ⋮& & \ddots \\ ⋮& & \\ p_{n1}& p_{n2}& \end{array}$$