如何理解间接平差

最新推荐文章于 2024-05-13 08:24:56 发布

欧阳罢笔

最新推荐文章于 2024-05-13 08:24:56 发布

阅读量1.3w

点赞数 22

分类专栏：平差测量文章标签：测绘间接平差

本文链接：https://blog.csdn.net/qq_39798423/article/details/86891751

版权

平差测量专栏收录该内容

8 篇文章 10 订阅

订阅专栏

对于线性回归问题，我们说明了利用梯度下降和正规方程进行处理的原理，其中最重要的就是最小二乘的原理，而在测绘科学中，测量平差的法方程就对应着线性回归的正规方程。平差利用最小二乘，却也有自己的不同，下面我们通过一道水准网间接平差例题来理解间接平差，间接平差就是在一个平差问题中，独立参数个数等于必要观测数 $t$ 时，将每个观测值表达成这t个参数的函数，组成观测方程的平差方法

如题

如果没有学过平差，我们很容易从图中看出， $h_{P1}=h_A+h_1$ ， $h_{P2}=h_C+h_3$ ，那不就太简单了嘛， $P_1$ 就等于 $12.003$ m， $P_2$ 就等于 $12.511$ m。真这么简单就好了，由于观测的误差，答案肯定是接近于此但是不为此，我们可以看到根据图形和观测值，得到三个‘正确’的公式： $h_{P1}=h_A+h_1=12.003$ m， $h_{P1}=h_B+h_4=12.005$ m， $h_{P1}=h_C+h_3-h_2=12.010$ m。同一个 $P_1$ 的高度通过三个方向计算却不同，如何确定 $P_1$ 最‘正确’的高度，这就需要平差来解决了。不过至少我们能得到这样一个答案，这里至少需要两次观测才能求出 $P_1$ 和 $P_2$ ，即要测得 $h_3$ 和 $h_1$ 或者 $h_3$ 和 $h_4$ 。那我们就可以得到这道题的必要观测数 $t = 2$ 。我们设 $P_1$ 和 $P_2$ 的真实高度为 $\hat{X_1}$ 和 $\hat{X_2}$ ，前面我们也算得了P1和P2的近似高度，我们就设近似高度为 $X_1$ 和 $X_2$ 。下面我们设每一条边的改正数设为 $v$ ，观测值为 $L$ ，真实值 $\hat{L}=L+v$ ，而对于线性表达式， $\hat{L}=B\hat{h}+d（y=ax+b）$ 。这里我们就可以得到 $L+v=B\hat{X}+d$ ，结合 $\hat{X}=X+\hat{x}$ 和 $l=\hat{L}-L=L-(BX+d)$ 我们就可以得到误差方程

$\begin{aligned} L + v &= B\hat{X} + d\\ BX + d + l + v& = BX + B\hat{x} + d\\ v &= B\hat{x} - (\hat{L} - L) \\ v &= B\hat{x} - l \end{aligned}$
现在我们列出误差方程

$\begin{aligned} &v_1 = \hat{x_1} - (h_1 - (X_1 - h_A))\\ &v_2 = -\hat{x_1} + \hat{x_2} - (h_2 - (X_2 - X_1))\\ &v_3 = \hat{x_2} - (h_3 - (X_2 - h_C))\\ &v_4 = \hat{x_1} - (h_4 - (X_1 - h_B)) \end{aligned}$

把数字带进去，化简，就得到如下的式子（这里的l的单位是毫米）

$\begin{aligned} &v_1 = \hat{x_1} - 0\\ &v_2 = -\hat{x_1} + \hat{x_2} - (-7)\\ &v_3 = \hat{x_2} - 0\\ &v_4 = \hat{x_1} - 2\\ \end{aligned}$

对比 $B\hat{x} - l$ 的形式，我们可以写出 $B$ 和 $l$ 矩阵，根据题目的边长的长度，我们以最长的 $2$ km为单位权，就可以列出权重的矩阵 $P$

$\left[ \begin{matrix} 1 & 0\\ -1 & 1\\ 0 & 1\\ 1& 0 \end{matrix} \right] l= \left[ \begin{matrix} 0\\ -7\\ 0\\ 2 \end{matrix} \right] P= \left[ \begin{matrix} 2 & 0 & 0 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 2 \end{matrix} \right]$

平差中的准则是要是 $V^TPV=min$ （也就是 $vv]=∑v^2$ 要最小），这是进行最小二乘平差计算的一个基本原则，是求解不定线性方程组的一个附加条件。当VTPV越小，平差的效果越好。其中我们也得到了 $B\hat{x} - l$ 。现在就可以按列正规方程的方法（ $V^TPV$ 关于 $\hat{x}$ 求导，当导数为零时， $V^TPV$ 最小），求得 $\hat{x}=(B^TPB)^{-1}B^TPl$ ，下面是推导

$\begin{aligned} d(V^TPV) / d(\hat{x})& = 0\\ 2V^TP(d(V) / d(\hat{x}))& = 0 \\ 2V^TP(d(B\hat{x} - l) / d(\hat{x}))& = 0\\ V^TPB& = 0\\ B^TPV& = 0\\ B^TP(B\hat{x} - l)& = 0 \\ B^TPB\hat{x} - B^TPl& = 0\\ \hat{x}& = (B^TPB)^{-1}B^TPl \end{aligned}$
现在就可以很方便地计算了，我们用python-numpy计算一下

import numpy as np

B = np.array([[1,0],[-1,1],[0,1],[1,0]])
l = np.array([[0],[-7],[0],[2]])
P = np.array([[2,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,2]])
print(B.shape)
print(l.shape)
print(P.shape)

输出 $B$ 、 $l$ 和 $P$ 矩阵的维度

(4, 2)
(4, 1)
(4, 4)

现在计算，在python-numpy中，np.dot()是矩阵相乘，np.linalg.inv()是求逆矩阵，现在输出看看

x_h = np.zeros((2,1))

x_h = np.dot(np.dot(np.dot(np.linalg.inv(np.dot(np.dot(B.T,P),B)),B.T),P),l)
print(x_h)

结果是这样的，这里的单位是毫米（mm）

[[ 1.66666667]
 [-2.66666667]]

所以P1和P2点的高程平差值应该为 $\hat{X}=X+\hat{x}$ ，即 $P_1$ 的高为 $12.0047$ m和 $P_2$ 的高为 $12.5083$ m。这个时候吧 $\hat{x}$ 代回去也可以得到所有的 $v$ 的值，就可以求出所有观测量的平差值。我们可以算一下此时的所有观测量的平差值

$\begin{aligned} &\hat{h_1} = h_1 + \hat{x_1} - 0 = 1.0047\\ &\hat{h_2} = h_2 + -\hat{x_1} + \hat{x_2} - (-7) = 0.5037\\ &\hat{h_3} = h_3 + \hat{x_2} - 0 = 0.5003\\ &\hat{h_4} = h_4 + \hat{x_1} - 2 = 0.5047 \end{aligned}$

这里我们再算一下 $h_{P1}$ ，就发现三个方向算的答案都基本可以对的上了
$h_{P1}=h_A+\hat{h_1}=12.0047$ m， $h_{P1}=h_B+\hat{h_4}=12.0047$ m， $h_{P1}=h_C+\hat{h_3 }-\hat{h_2}=12.0046$ m
结果里面有省略一些地小数，所以没有完全的相等

欧阳罢笔

关注

22
点赞
踩
82

收藏

觉得还不错? 一键收藏
7
评论
如何理解间接平差

对于线性回归问题，我们说明了利用梯度下降和正规方程进行处理的原理，其中最重要的就是最小二乘的原理，而在测绘科学中，测量平差的法方程就对应着线性回归的正规方程。平差利用最小二乘，却也有自己的不同，下面我们通过一道水准网间接平差例题来理解间接平差，间接平差就是在一个平差问题中，独立参数个数等于必要观测数t时，将每个观测值表达成这t个参数的函数，组成观测方程的平差方法如题如果没有学过平差，我们很...
复制链接

扫一扫