least-squares-adjustment
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen angezeigt.
Beide Seiten der vorigen RevisionVorhergehende ÜberarbeitungNächste Überarbeitung | Vorhergehende Überarbeitung | ||
least-squares-adjustment [2022/09/21 17:17] – [Parameterschätzung] Michael Lösler | least-squares-adjustment [2023/08/10 16:03] (aktuell) – [Parameterschätzung] Michael Lösler | ||
---|---|---|---|
Zeile 31: | Zeile 31: | ||
===== Funktionales Modell ===== | ===== Funktionales Modell ===== | ||
- | Neben dem stochastischen Modell existiert das funktionale oder mathematische Modell der Ausgleichung. In diesem wird der lineare bzw. [[# | + | Neben dem stochastischen Modell existiert das funktionale oder mathematische Modell der Ausgleichung. In diesem wird der lineare bzw. [[# |
$$\mathbf{l} + \mathbf{v} = \mathbf{\hat{l}} = \mathbf{A\hat{x}}$$ | $$\mathbf{l} + \mathbf{v} = \mathbf{\hat{l}} = \mathbf{A\hat{x}}$$ | ||
Zeile 55: | Zeile 55: | ||
$$\mathbf{n} = \mathbf{A^TPl}$$ | $$\mathbf{n} = \mathbf{A^TPl}$$ | ||
- | Durch Inversion der Normalgleichungsmatrix $\mathbf{N}$ erhält man den Lösungsvektor | + | Durch Auflösen des Normalgleichungssystems nach $\mathbf{\hat x}$ ergibt sich der Lösungsvektor |
$$\mathbf{\hat{x}} = \mathbf{N^{-1}n}$$ | $$\mathbf{\hat{x}} = \mathbf{N^{-1}n}$$ | ||
Zeile 63: | Zeile 63: | ||
$$\mathbf{\hat{x}} = \mathbf{Fl}$$ | $$\mathbf{\hat{x}} = \mathbf{Fl}$$ | ||
- | resultiert, worin $\mathbf{F} = \left(\mathbf{A^TPA}\right)^{-1} \mathbf{A^TP}$. | + | resultiert, worin $\mathbf{F} = \left(\mathbf{A^TPA}\right)^{-1} \mathbf{A^TP}$ |
Die geschätzten Beobachtungsverbesserungen lauten | Die geschätzten Beobachtungsverbesserungen lauten | ||
Zeile 69: | Zeile 69: | ||
$$\mathbf{v} = \mathbf{A\hat{x}-l} = \left(\mathbf{AF-I}\right)\mathbf{l}$$ | $$\mathbf{v} = \mathbf{A\hat{x}-l} = \left(\mathbf{AF-I}\right)\mathbf{l}$$ | ||
- | und lassen sich als lineare Funktion von $\mathbf{l}$ darstellen. | + | und lassen sich ebenfalls |
Im [[# | Im [[# | ||
- | Die Anwendung des Unsicherheitsfortpflanzungsgesetz | + | Die Anwendung des Unsicherheitsfortpflanzungsgesetzes |
$$\mathbf{Q_{\hat{x}\hat{x}}} = \mathbf{FQ_{ll}F^T} = \mathbf{N^{-1}}$$ | $$\mathbf{Q_{\hat{x}\hat{x}}} = \mathbf{FQ_{ll}F^T} = \mathbf{N^{-1}}$$ | ||
Zeile 85: | Zeile 85: | ||
$$\mathbf{Q_{vv}} = \mathbf{Q_{ll} - Q_{\hat{l}\hat{l}}}$$ | $$\mathbf{Q_{vv}} = \mathbf{Q_{ll} - Q_{\hat{l}\hat{l}}}$$ | ||
- | Die geschätzten Kovarianzmatrizen für die Unbekannten, | + | Die geschätzten Kovarianzmatrizen für die Unbekannten, |
$$\hat{\sigma}^2_0 = \frac{\mathbf{v^TPv}} {n-u+d} = \frac{\Omega} {\tr \mathbf{R}}$$ | $$\hat{\sigma}^2_0 = \frac{\mathbf{v^TPv}} {n-u+d} = \frac{\Omega} {\tr \mathbf{R}}$$ | ||
- | worin $n$ der Anzahl der Beobachtungen, | + | worin $n$ der Anzahl der Beobachtungen, |
$$\mathbf{R} = \mathbf{Q_{vv}P}$$ | $$\mathbf{R} = \mathbf{Q_{vv}P}$$ | ||
Zeile 118: | Zeile 118: | ||
gilt. | gilt. | ||
- | Liegt die erste Näherung bereits sehr dich am Optimum, so sind nur wenige Iterationsschritte nötig um eine Lösung zu erzielen. Bei schlecht | + | Liegt die erste Näherung bereits sehr dicht am Optimum, so sind nur wenige Iterationsschritte nötig, um eine Lösung zu erzielen. Bei ungünstig |
least-squares-adjustment.txt · Zuletzt geändert: 2023/08/10 16:03 von Michael Lösler