剔除粗差的一种新方法─—广义最小二乘迭代估计法

在把粗差归入函数模型的基础上，根据最小二乘原理导出了用迭代估计算法发现和剔除观测值中的粗差，并求得未知参数最佳估值。并在广义最小二乘原理下导出了简易的近似解法，其计算过程简单。通过对一个模拟水准监测网两期观测的计算，有效地发现和剔除了用数据探删法未能发现的粗差，求得了与实际情况符合较好的结果。这一方法也适应于处理观测值中系统误差的补偿问题。     

剔除粗差的一种新方法——广义最小二乘迭代估计法

在把粗差归入函数模型的基础上，根据最小二乘原理导出了用迭代估计算法发现和剔除观测值中的粗差，并求得未知参数最佳估值。并在广义最小二乘原理下导出了简易的近似解法，其计算过程简单，通过对一个模拟水准监测网两期观测的计算，有效地发现和剔除了用数据探测法未能发现的粗差，求得了实验情况符合较好的结果，这一方法也适应于处理观测值中系统误差的补偿问题。     

GPS监测网动态数据处理抗差Kalman滤波模型

为克服观测向量中的粗差对状态参数滤波值的影响,通过分析其影响规律,并充分顾及到粗差在预测残关或得到全部反映的特点,导出了GPS监测网动态数据处理的抗差卡尔曼滤波模型－该模型对观测空间和设计空间均具有良好的抗差性,通过利用该抗差滤波模型对含有粗差的模拟GPS监测网的计算,与采用标准卡尔曼滤波模型的计算结果相比较,可获得可靠的变形分析结果。     

顾及区分变形与粗差的动态平差方法

以通用的线性单点速率模型为榧，推导了变形监测可区分性分析公式，提出顾及分变形与粗差的动态平关方法与步骤。结合一垂直变形监测网作了算例分析，得出几点结论。     

变形观测数据处理粗差的定位与剔除

在变形观测数据处理中，当变形值与观测误差的大小相关不显著时，对二者进行判断，需要进行严密的精度分析和统计检验。目前对数据进行检核，实现粗差定位，其主要方法为数理统计中的统计检验：对各周期观测值分别进行平差，进行F整体检验，检验结果存在超限误差时，进行局部检验。针对变形观测的特点，本文提出F0整体检验法、Fl局部检验法实现粗差探测，不必剔除含粗差观测值，采用从验后方差理论导出的选择权迭代计算，结合文献一算例，得出合理的结论，减少了许多计算工作量。     

GPS形变监测网的数据处理模型

为确保ＧＰＳ监测网变形分析结果的正确性,提出了３种平差方法,并采用基于标准化残差的抗差估计模型来识别观测值中的粗差;利用坐标系统转换方法统一了变形分析的基准,通过对具有粗差的模拟ＧＰＳ监测网的分析计算,取得了满意的结果。     

动态变形信号二进小波提取模型研究

引入二进小波变换理论研究动态变形信号分析模型，提出动态变形信号二进小波提取与粗差识别修复的技术路线．实例选择B3-spline小波函数，采用à trous快速二进小波变换算法的软阈值降噪方法进行动态变形信号提取，三倍中误差作为各细节尺度的降噪阈值，并在分解的细节尺度上进行粗差识别，在此基础上进行粗差修复，获取真实的变形信号．结果表明：用此模型能有效提取动态变形信号，变形信号提取的效果优于中值滤波的方法；二进小波第二分解尺度细节部分能同时定位孤立态、离散态与区域态粗差的位置，并且精度远优于Mallat算法，在区域态粗差边界的定位中表现尤为显著，这是由二进小波的平移不变性决定的．     

应用序贯平差法探粗差

给出了序贯平差探测粗差原理，算例表明，该方法对粗差具有较强的发现能力，存在多个粗差时，采用逐步探测法，可逐个探测粗差。还给出了相关观测转换为２组相互独立观测值的一种算法，使相关观测也能进行序贯平差。     

监测网优化设计及变形与粗差的区分性研究

变形监测网优化设计是国际FIG变形观测分析专门委员会(第六委员会)的四个研究内容之一。由于已发现精度标准不适合用作变形监测网的设计准则,许多学者建议采用灵敏度作为变形监测网的设计准则.但目前的研究仅停留在模拟法的基础上,如何根据变形监测网的特点,综合考虑灵敏度,精度和可靠性等多项指标进行监测网严格的优化设计是迫切需要解决的问题。通过本文的研究工作,己较好地解决了这一问题.在变形分析中,变形与粗差的区分问题,也是变形分析工作者十分关切的问题。因为一     

抗差Helmert方差分量估计在三维平差中的应用

在采用Helmert方差分量估计对三维控制网进行平差时,如果观测值带有粗差,参数估计则会受到影响,造成平差结果失真,无法得到准确的参数估值。将基于IGGⅢ模型建立抗差Helmert方差分量估计模型应用于平差计算中,并采集三维控制网数据进行实验。结果表明,抗差Helmert方差分量估计模型可以合理确定不同类观测值权比,抑制粗差影响,提高平差精度与可靠性。     

多尺度主元分析方法在过程监视中的应用

多尺度主元分析方法(MSPCA)将多分辨率分析(MRA)的多尺度分解数据能力和主元分析(PCA)的降低数据维数能力结合起来，为监视多个时间尺度的过程提供了强有力的工具．过程监视时，MSPCA能自动对数据滤波并调节检测控制限，使控制限最容易检测出测量变量中重要的微小变化．由于MSPCA仅能滤除随机误差，不能消除过失误差，因此，为提高统计模型的准确性，在过程监视前，首先应用PCA检测并剔除存在过失误差的数据通过实例说明MSPCA方法监视过程的优越性。     

一种新的数据协调模型及显著误差检测

针对传统数据协调模型会将某些测量值中存在的显著误差分散到各个协调值中去的缺陷，提出了通过添加一个基于测量值比例关系上下限的约束条件，并利用罚函数的概念将物料平衡或能量平衡的约束条件以软约束的形式表示，建立了一种新的数据协调模型．改进后的数据协调模型只会对含有显著误差的测量值给予较大的协调量，而使得显著误差对其他测量值协调结果的影响较小．因此，该数据协调模型避免了传统模型的缺陷，具有较高的鲁棒性．基于该数据协调模型的协调结果，可直接利用测量残差检测法进行显著误差检测，具有较高的错误检出率，且“虚警”的错误率较低．     

矿区GPS网坐标转换的抗差模型

采用高崩溃污染率抗差估计方法,将ＧＰＳ网由ＷＧＳ－４坐标系下的坐标转换成局部坐标系下的坐标,从而不仅能识别不稳定的基准点,而且能对其形变的大小作出近于实际的估计,保证了转移后ＧＰＳ网的精度及转换坐标的正确性,当基准点中没有粗差时,与最小二乘法的结果一致,最后,给出了应用实例。     

大坝变形监控模型识别的R–OC准则

大坝变形监控模型的优劣主要体现为模型泛化能力的高低。模型泛化能力指的是模型对训练集以外样本的预测能力,而欠拟合和过度拟合是导致模型泛化能力不高的主要原因。AIC和BIC准则是目前常用的模型识别方法,但是不能定量比较和评价模型的过度拟合程度。本文通过定义过度拟合系数OC量化模型过度拟合程度,同时采用复相关系数R定量评判模型是否欠拟合,建立了R-OC模型识别准则。首先将大坝变形监测序列划分为拟合时段数据和验证时段数据,采用全回归方法对拟合时段数据进行拟合,构建多种位移监控模型。再根据监控模型的估计值和估计误差的概率分布确定异常监测数据的预警界限,计算各监控模型的误警率FAR。最后根据不同监控模型对拟合时段和验证时段的拟合和预测误差评价指标（均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE）,确定过度拟合系数OC,结合复相关系数R绘制二维散点图,并对各监控模型的泛化能力进行评价。结果表明,过度拟合系数OC同模型的误警率呈良好的相关关系：过度拟合系数OC小于1时,监控模型没有过度拟合,模型误警率FAR为0,不会发出错误预警;当OC大于1时,模型误警率FAR与OC呈正相关关系。R-OC模型识别准则一方面通过复相关系数R刻画模型的拟合精度,另一方面通过过度拟合系数OC定量评判模型的过度拟合程度,对于不同数量的待选模型,R-OC准则均能识别出拟合和预测精度都较高的模型。     

基于未确知有理数滤波的大坝安全自动化监测数据粗差处理

对于大坝安全监测自动化所获得的大量原位监测数据,为了剔除粗差并使整编数据尽可能多的包含有用信息,研究了基于未确知有理数滤波的自动化监测数据粗差识别和数据整编的方法。即根据粗差数据和异常数据的本质区别,以测值邻域内包含该测值附近测值的个数表征其可信度,以未确知有理数均值的形式输出整编值;在此基础上,分析了未确知有理数滤波的适用范围,指出其应用于多输入单输出的数据处理情况。