绪论
观测误差
测量平差学科的研究对象
测量平差的简史和发展
本课程的任务和内容
误差分布与精度指标
正态分布
一维正态分布
服从正态分布的一维随机变量 X 的概率密度为
f(x)=12π−−√σ∗e−(x−μ)22σ2记为 X~ N(μ,σ)。
正态随机变量 X 的数学期望 E( X)=μ;
X 的方差 D(X)=σn维正态分布
f(x1,x2,…,xn)=1(2π)n2|DXX|12∗e−(x−μx)T(x−μx)2DXX随机向量X的数学期望 μx 为:
μX=μ1μ2…μn=E(X1)E(X2)…E(Xn)
随机向量X的方差 DXX 为:
DXX=σ2X1σX2X1…σXnX1σX1X2σ2X2σXnX2………σX1XnσX2Xnσ2Xn
偶然误差的规律性
衡量精度的指标
- 方差和中误差
- 平均误差
- 或然误差
- 极限误差
- 相对误差
精度、 准确度与精确度
精度
- 协方差的定义和概念
设有观测值X和Y,则X关于Y的协方差定义为:
σXY=E[(X−E(X))(Y−E(Y))]
设 Δxi 是观测值 xi 的真误差, Δyi 是观测值 yi 的真误差,协方差 σxy 是这两种真误差所有可能取值的乘积的理论平均值,
2. 观测向量的精度指标-协方差阵
设有观测向量 X=[x1x2…xn]T ,其协方差阵为:
3. 互协方差阵
如果有两组观测向量X和Y,他们的数学期望分别为E(X)和E(Y)。若记
则方差Z的方程阵 DZZ 为
其中 DXX 和 DYY 分别为X和Y的协方差阵,称 DXY 为观测值向量 X 关于 Y 的互协方差阵:
准确度
精确度
精确度是精度和准确度的合成,是指观测结果与其真值的接近程度, 包括观测结果与其数学期望接近程度和数学期望与其真值的偏差。 精确度的衡量指标为均方误差:
测量不确定度
协方差传播律及权
数学期望的传播
协方差传播律
观测值线性函数的方差
设有观测值
Xn 1
,其数学期望为
μXn 1
,协方差阵为
DXXn n
,即
其中 σi 为 Xi 的方差 , σij 为 Xi 与 Xj 的协方差 , 又设有 X 的线性函数为
式中:
公式(3-2-2)的纯量形式为
则:
Z 的数学期望:
Z 的方差:
将(3-2-4)写成纯量形式:
即协方差传播率
### 多个观测值线性函数的协方差阵
若令
纯量展开式为:
Z 的数学期望为
Z 的协方差阵
### 非线性函数的协方差阵
设有 Xn 1 的非线性函数:
则Z的方程 DZZ 为:
其中:
t个非线性函数的协方差阵
若有t个非线性函数
则 Zt 1 的协方差阵
其中:
协方差传播律的应用
权与定权的常用方法
协因数和协因数传播律
协因数与协因数阵
观测值的权与它的方差成反比, 设有观测值L_{i}和L_{j},它们的方差分别为
σi
和
σj
,它们之间的协方差为
σij
,令
称 Qii 和 Qjj 分别称为 Li 和 Lj 的协因数或权倒数,称 Qij 为 Li 关于 Lj 的协因数或相关权倒数。
假定有观测值向量(或者观测值向量函数) Xn 1 和 Yr 1 ,他们的方差阵分别为 DXX 和 DYY ,X关于Y的互互协方差阵为 DXY ,令
则称 QXX 和 QYY 分别为X和Y的协因数阵, QXY 为X关于Y的互协因数阵(相关权逆阵)。
协因数传播律
设有观测值 X, 已知它的协因数阵为
QXX
, 又设有 X 的函数 Y 和 Z:
按协方差传播律导出协因数阵为:
这就是观测值的协因数阵与其线性函数的协因数阵的关系式,通常称之为协因数传播律,或称之为权逆阵传播律。
由真误差计算中误差及其实际应用
系统误差的传播
前几节所讨论的问题,是以观测值只含有偶然误差为前提的.
本节讨论观测值中同时含有系统误差时,观测值综合误差的方差(简称综合方差) 估计及系统误差的传播规律。
观测值的系统误差与综合方差
设有观测值 L,观测量的真值为
Ln 1˜
,则L的综合误差可以定义为:
如果综合误差 Ω中只包含有偶然误差Δ, 由偶然误差的特性可知其数学期望应为 E(Ω)= E(Δ) = 0, 如果 Ω中除包含偶然误差Δ外, 还包含有系统误差 ε,即
此时,由于系统误差 ε不是随机变量, 所以 Ω的数学期望为
又因为
- ε也就是观测值上的数学期望对于观测量真值的偏差值,
- L 包含的系统误差愈小(ε愈小),则 L 的数学期望对于真值的偏差值愈小
当观测值 L 中既存在偶然误差Δ,又存在系统误差时, 其观测值的综合方差 DLL 是用均方误差表示的
观测值的综合方差等于它的方差 σ2 与系统误差的平方 ε2 之和
系统误差的传播
线性函数
设已知观测值 Li ( i = 1,2, ⋯, n) 的系统误差为
ϵi=E(Ωi)=Li˜−E(Li) (i=1,2,…,n)
其中, Li˜ 和 Ωi 是 Li 所对应的观测量的真值和综合误差.
设有线性函数
Z=k1L1+k2L2+⋯+knLn+k0
Z的综合误差 ΩZ 与各个 Li 的综合误差 Ωi 之间的关系式为
ΩZ=k1Ω1+k2Ω2+⋯+knΩn
线性函数的系统误差的传播公式:
εZ=E(ΩZ)=p=∑i=1nkiεi非线性函数
函数 Z 是非线性形式:
Z=f(L1,L2,…,Ln)
可以用它们的微分关系代替它们的误差之间的关系,即有
ΩZ=∂Z∂L1Ω1+∂Z∂L2Ω2+⋯+∂Z∂LnΩn
系统误差与偶然误差联合传播
系统误差为常熟、常系差的情况
对于线性函数
Z=k1L1+k2L2+⋯+knLn
与综合误差之间的关系为
ΩZ=k1Ω1+k2Ω1+⋯+knΩn
Z 的综合方差为:
DZZ=∑i=1nk2iσ2i+∑i=1nk2iε2i随机系统误差情况
设观测值 L的综合误差是
Ω=Δ+ϵ
ϵ 为随机性系统误差,一般与Δ相互独立,若已知Δ的偶然方差为 σ2 , ϵ 的系统方差为 σ2ϵ , 则可按协方差传播律,得
σ2L=σ2Ω=σ2+σ2ϵ
有观测值线性函数
Z=k1L1+k2L2+⋯+knLn
与综合误差之间的关系为
ΩZ=k1Ω1+k2Ω1+⋯+knΩn
Z 的综合方差为:
DZZ=∑i=1nk2iσ2i+DZZ=∑i=1nk2iσ2ϵi
平差数学模型与最小二乘原理
测量平差概述
函数模型
条件平差–条件方程
简接平差–误差方程
附有参数的条件平差
附有限制条件的间接平差
函数模型的线性化
测量平差的数学模型
参数估计与最小二乘原理
函数模型 (一般) | 函数模型 (线性) | 数学模型 |
---|---|---|
条件平差 | F(L˜)=0 | Ar nL˜n 1+A0r 1=0r 1或者AΔ+W=0 |
简接平差 | L˜n 1=F(X˜) | L˜n 1=Bn tX˜t 1+dn 1或者l+Δ=BX |
附有参数的条件平差 | Ft 1(L˜ X˜)=0 | At nL˜n 1+Bt uX˜u 1+A0t 1=0或者AΔ+BX˜+W=0 |
附有限制条件的间接平差 | L˜u 1=F(X˜u 1)Φs 1(X˜)=0⎫⎭⎬⎪⎪ | L˜n 1=Bn uX˜u 1+dn 1或l+Δ=BX˜Cs uX˜u 1+Wxs 1=0s 1⎫⎭⎬⎪⎪ |