gnss方程中参数可估性判断

最新推荐文章于 2023-06-10 09:22:28 发布

三省斋主

最新推荐文章于 2023-06-10 09:22:28 发布

阅读量1k

点赞数 3

本文链接：https://blog.csdn.net/weixin_44986362/article/details/117402908

版权

在看论文过程中，常常会遇到一些文章对gnss观测方程进行了参数重整，获得新的有偏参数，如何判断这些新参数是否可估呢？

判断参数可估性并在不可估（即设计矩阵秩亏）时给出参数重整方案，Teunissen在1985年将S变换理论应用到了gnss领域，用于解决上述问题。

S变换理论的核心思想为：有一个观测方程 $y=Ax$ ，其中y为观测值，维度m*1；x为待估参数，维度n*1；A为设计矩阵，维度m*n，m>n。当 $rank(A)=r<n$ 时，矩阵秩亏，无法估得无偏参数，只有进行参数重整，减少待估参数数量（可估参数数量为A的秩，即r）才可进行求解。

这里回顾线性代数中矩阵的子空间，已知 $rank(A)=r<n$ ，零空间 $dimN(A)=n-r$ ；列空间 $dimR(A)=r$ ；行空间 $dimR(A^{T})=r$ ；左零空间 $dimN(A^{T})=m-r$ 。如何利用这些子空间获得可估参数的形式呢？

由于参数 $x$ 无法无偏估计得到，我们将 $x$ 拆分为可估参数 $\alpha$ （r*1）和不可估参数 $\beta$ （（n-r）*1），即 $x=S\alpha +V\beta=\begin{bmatrix} S & V \end{bmatrix}\begin{bmatrix} \alpha \\ \beta \end{bmatrix}$ ，其中V维度(n-r)*1，即A的零空间，满足 $AV=0$ ；S维度n*r，为V的补空间，带入原式 $y=Ax=A(S\alpha +V\beta )=AS\alpha =Ax_{\alpha }$ ，构成了新的观测方程。参数重整的目的就是获得可估参数 $\alpha$

$\begin{bmatrix} \alpha \\ \beta \end{bmatrix}=\begin{bmatrix} S & V \end{bmatrix}^{-1}x=\begin{bmatrix} [(V^{\perp })^{T}S]^{-1}(V^{\perp })^{T}\\ [(S^{\perp })^{T}V]^{-1}(S^{\perp })^{T} \end{bmatrix}x$