§7.1 序贯平差

官方工学老师·22 页·深入(追求细节与边界)·0 次浏览·2 天前
参数递推分批平差精度评定测量学

序贯平差

搞懂分批递推中参数与协方差阵的递推公式,清楚精度如何逐级传递与收敛

按 空格/→ 演示下一步

1 / 22 页

全部页面点击任意一页,跳回舞台从这页播放

参数递推分批平差精度评定测量学

序贯平差

搞懂分批递推中参数与协方差阵的递推公式,清楚精度如何逐级传递与收敛

1第 1 页 · 序贯平差

什么是序贯平差

平差的核心是解法方程,但工程观测很少一次性到齐:隧道单向掘进一段、桥梁悬臂施工一段,每完成一段就送来一批新数据。能不能让计算也跟着分段推进?这就是序贯平差的出发点。

分批处理
把全部观测划分成若干批次,按时序逐批进入计算
递推更新
新批次加入后,基于上一步估值递推新参数,不必从头重算
数学等价
收敛后的参数估值与一次性整体平差结果严格相同
适用场景
观测分批到达的大型工程,如长大隧道、连续桥梁
分期付款买房对应 →序贯平差

首付=首批观测给出粗估值;月供=后续批次逐次递推;房款付清=等价于整体平差

2第 2 页 · 什么是序贯平差

为什么需要序贯平差

经典平差每加一批新数据都得从头全部解算一遍——观测源源不断涌来时,这既不现实也撑不住。序贯平差正是为破解这种困境而生。

实时性需求
监测、导航场景要求新观测到来即刻出结果,不能等收齐再算
递推式更新
新结果 = 旧结果 + 本次观测带来的修正,无需重解全部方程
资源占用低
历史观测可压缩降维甚至丢弃,内存与算力同时下降
记账算累计资产对应 →序贯平差

每天只记新账叠加到余额上,不必翻全部流水重算总账

3第 3 页 · 为什么需要序贯平差

整体平差 vs 序贯平差

它们都估计同一组参数,混淆点在于数据何时进入计算,以及已得结果能否复用。

整体平差
  • 一次汇集全部观测,统一列方程
  • 一次解出全部未知数,避免递推维护
  • 需保存全量观测与大型矩阵
  • 数据一次到位时结果整体一致
序贯平差
  • 逐批加入观测,复用上批结果
  • 由旧结果递推,避免重复求解
  • 主要处理当前批次与递推历史量
  • 数据持续到位时更新灵活但管理更复杂
数据一次到位且规模可控时选整体平差;数据持续到达、规模很大或需压低峰值内存时选序贯平差。
4第 4 页 · 整体平差 vs 序贯平差

新增观测值的处理方式

上一页我们看到整体平差要重算、序贯平差能递推。本页拆开看:当一批新观测值到来时,这两条路分别怎么走,为什么递推的结果和一次性平差完全等价。

整体平差路线
把新旧观测合成一组,重新组建并求解法方程
序贯平差路线
保留旧批次的法方程与参数解,只吸收新观测贡献
修正项递推
旧解加上新观测带来的修正量,结果严格等价
改作业又来新作业对应 →新增观测值的处理

整体平差=旧作业也重改;序贯平差=只改新作业,旧分数继续用

X^2=N21(N1X^1+A2TP2l2)\hat{X}_{2}=N_{2}^{-1}(N_{1}\hat{X}_{1}+A_{2}^{T}P_{2}l_{2})
5第 5 页 · 新增观测值的处理方式

序贯平差的基本原理

前页讲了整体和序贯的差别,那「分批」到底怎么分?诀窍只有一句——先做第一批,把它当第二批的起点。

两批观测
第一批先做常规平差,得到参数估值与精度
虚拟观测值
把第一批结果连同协方差整体打包,作为第二批的先验
第二批平差
在新起点上仅用新增观测完成平差,免去重复计算
结果等价
等价于一次性整体平差,但只需解两次小方程
接力赛交接棒对应 →序贯平差虚拟观测

第一棒成绩+位置即第二棒起跑条件——接过棒再跑,不重跑全程

X^I=(A1TP1A1)1A1TP1L1X^II=X^I+QIA2T(P21+A2QIA2T)1(L2A2X^I)\hat{X}_I = (A_1^TP_1A_1)^{-1}A_1^TP_1L_1\\ \hat{X}_{II}=\hat{X}_I+Q_IA_2^T(P_2^{-1}+A_2Q_IA_2^T)^{-1}(L_2-A_2\hat{X}_I)
6第 6 页 · 序贯平差的基本原理

递推公式推导(一)

从整体平差出发,把两批观测值的贡献拆开。

1
写出整体误差方程
把两批观测值合在一起,写成 V = AX̂ - L 的整体形式
2
形成法方程
由最小二乘原理求导,得到 N·X̂ = U
3
拆分设计矩阵
按观测批次把 A 切成 A₁、A₂,对应 N 拆成 N₁ + N₂
4
引入第二批误差方程
把 V₂ = A₂X̂ - L₂ 单独提取,作为新增量的载体
7第 7 页 · 递推公式推导(一)

递推公式推导(二)

把已知的旧法方程解作为起点,对叠加后的整体法方程做分离与消元,最终推出改正数的递推式。

1
分离旧法方程
把已解出的 N_old x̂_old 单独标记,作为已知起点
2
整体求逆
对 N_old+B^TPB 用反演公式拆解
3
代入旧解
把 N_old^-1 和 x̂_old 当已知量带入
4
提取增量项
整理出 x̂_new = x̂_old + Δx 的形式
5
写出递推式
得到参数改正数的完整递推表达式
8第 8 页 · 递推公式推导(二)

递推公式的矩阵形式

左侧两个输入汇成右侧三步递推:协因数阵、参数改正数、方差因子,输出本轮完整结果。

图解渲染中…
CQ = 协因数阵,反映精度信息;递推用前一轮 Q 与新观测Dδθ̂ = 参数改正数;增益矩阵作用于新残差得到Eσ̂² = 单位权方差因子;用新残差平方和更新
9第 9 页 · 递推公式的矩阵形式

结果一致性证明

递推公式能算,但和一把算的整体平差是否真等号?这页绕过 Sherman-Morrison,只从 x̂₁ 的定义出发,一步恒等变形把整体解拆成「老解 + 修正」——两套路径殊途同归。

证明设置
观测拆两组 N₁、u₁ 和 N₂、u₂;前提 N₁ 可逆(首组已能唯一定解)
关键定义
x̂₁ = N₁⁻¹u₁ 等价于 u₁ = N₁x̂₁,这是证明的起点
关键拆分
(N₁+N₂)⁻¹N₁ = I − (N₁+N₂)⁻¹N₂,藏在求逆里的恒等式
代入化简
整体解 = x̂₁ + (N₁+N₂)⁻¹(u₂−N₂x̂₁),形式上就是递推公式
多组推广
两组等价 + 递推可结合 ⇒ 任意组数、任意分批顺序结果都一致
分批还信用卡对应 →序贯 vs 整体平差

一次还清 vs 分两笔还,账户余额相同;算法不同,结果相同

x^=x^1+(N1+N2)1(u2N2x^1)=(N1+N2)1(u1+u2)\hat{x}=\hat{x}_1+(N_1+N_2)^{-1}(u_2-N_2\hat{x}_1)=(N_1+N_2)^{-1}(u_1+u_2)
10第 10 页 · 结果一致性证明

精度评定的意义

前面我们推导出序贯平差的递推公式并证明了新旧结果一致。但算出来就能直接用吗?测绘员拿到坐标后还会追问:这个点位到底有多准?误差范围多少?——这就是精度评定要回答的问题。

精度评定的必要性
平差只给参数估值,不附带可信度;没有精度信息,成果无法投入工程应用
评定两大内容
单位权方差 σ̂₀² 反映观测质量;参数协方差阵 D(X̂) 给出各参数的精度
序贯平差下的递推
新增观测后 σ̂₀² 和协方差阵都可递推更新,无需重算全部法方程
体检报告对应 →精度评定

体检不光给指标数值,还标参考范围和异常等级;平差给坐标,精度评定给这份坐标的可信范围

σ^02=VTPVnt,D(X^)=σ^02QX^\hat{\sigma}_0^2 = \frac{V^TPV}{n-t}, \quad D(\hat{X}) = \hat{\sigma}_0^2 \cdot Q_{\hat{X}}
11第 11 页 · 精度评定的意义

单位权方差递推公式

单位权方差 σ̂²₀ 随观测累加而更新,核心是残差平方和与多余观测数的代数累加。

1
初次估算
第一批观测平差后,由 V₁ᵀPV₁ / r₁ 算得 σ̂²₀₁,作为递推起点
2
识别新增贡献
新观测贡献新的残差平方和 ΔVᵀPV 与多余观测分量 Δr
3
标量累加
把 ΔVᵀPV 加到旧 VᵀPV 上,Δr 加到旧 r 上
4
更新 σ̂²₀
σ̂²₀ = (V₁ᵀPV₁ + ΔVᵀPV) / (r₁ + Δr),与整体平差等价
12第 12 页 · 单位权方差递推公式

协方差阵递推公式

从递推解出发,用误差传播律一步步推出参数协方差阵怎么随观测更新。

1
写递推解
把第k+1步的解写成旧解加修正项的形式
2
求新解方差
对递推解用协方差传播律展开
3
化简得递推式
代入增益矩阵K,整理出Q的更新公式
13第 13 页 · 协方差阵递推公式

精度评定流程图

从已有平差结果出发,看新增观测如何逐级更新三项精度指标。

图解渲染中…
a1X̂₀ 参数估值、Q₀ 协因阵、σ₀² 单位权方差——上次成果a4V₀ 基于旧参数的伪残差;K 增益矩阵,权衡新旧信息a6更新后的 Q 阵直接反映参数精度a8用新残差平方和更新后的单位权方差
14第 14 页 · 精度评定流程图

实例一:简单水准网

前面推完了递推公式,又证了它和整体平差等价——看起来都对。但到底怎么落地?我们拿最简单的水准网走一遍。

网形与观测
A、B 两点高程未知,已知 H_A;观测 h₁、h₂、h₃ 三段高差
第一阶段平差
先用 h₁、h₂ 解出 ĥ_AB 与 Qĥ_AB,建立起点
新增 h₃ 递推
按 X̂₂ = X̂₁ + K(L₃ − A₃X̂₁) 更新参数与协方差
结果验证
把 h₁、h₂、h₃ 一起做整体平差,结果与序贯完全相同
实践意义
新观测陆续到位时,无需重算全部数据即可更新结果
边做菜边尝味加盐对应 →边测边算的序贯平差

每加一勺盐(一个观测),菜的味道(平差结果)随之微调,不必回炉重做

X^k+1=X^k+Kk(Lk+1Ak+1X^k)\hat{X}_{k+1} = \hat{X}_k + K_k(L_{k+1} - A_{k+1}\hat{X}_k)
15第 15 页 · 实例一:简单水准网

实例一:完整平差过程

完整序贯平差四步走:先拆数据,再逐批吸收,最后核对结果。

1
数据分组
把观测值分成已处理组与新增组
2
首批平差
对已处理组单独平差求参数与协方差
3
递推吸收
用递推公式把新增观测值纳入平差
4
结果验证
对比整体平差结果验证一致性
16第 16 页 · 实例一:完整平差过程

实例二:变形监测

实例一用单期水准网走通了序贯平差。但它真正的主战场在变形监测——大坝、桥梁、滑坡体每隔几周就要重测一遍,每期都跑整体平差代价太高。

多期重复观测
同一监测网按周期反复测量,持续数月甚至数十年
首期作基准
第一期成果作为参考状态,后续各期都与它比对
网形固定
点位和连接关系不变,每期只追加新观测值
逐期递推
新一期平差结果 = 上一期结果 + 修正项,几乎实时
年度体检档案对应 →多期变形监测

每次体检只查新指标,对比首次基础报告,不必重查全部历史

X^k+1=X^k+Jk+1(Lk+1Ak+1X^k)\hat{X}_{k+1}=\hat{X}_k+J_{k+1}(L_{k+1}-A_{k+1}\hat{X}_k)
17第 17 页 · 实例二:变形监测

多期监测递推示意

多期监测数据的递推更新关系图

多期监测递推示意
多期监测数据的递推更新关系图
18第 18 页 · 多期监测递推示意

序贯平差算法要点

python

序贯平差的核心是『递推更新』——每加入一批新观测,只对本期小矩阵求逆,避免反复重解整体法方程。

代码高亮加载中…

递推结构避免每期重解整体法方程:首期经典最小二乘定初值,之后每期仅需计算小矩阵 K(增益),用新息 l-Ax 修正参数 x 与协因数阵 Qx。

19第 19 页 · 序贯平差算法要点

知识点总结

  • 本质:用旧平差作先验,新观测作增量,逐期递推更新
  • 核心:新参数=旧参数+增益×新残差,与卡尔曼同构
  • 等价性:序贯结果与整体平差在最小二乘下严格一致
  • 精度跟踪:单位权方差与协方差阵同步递推
  • 工程优势:适合变形监测、实时定位、分期建设
延伸主题:卡尔曼滤波与序贯平差的关系自适应序贯平差的观测权调整抗差序贯平差处理粗差
20第 20 页 · 知识点总结

自测题

点击作答

序贯平差中,增益矩阵 K 将「新观测残差」映射为对旧估值的修正量。关于 K 的本质,理解正确的是:

21第 21 页 · 自测题

课后思考

先独立思考,再对照参考答案——三个层次:回顾、应用、迁移。

1序贯平差为什么能从旧的法方程'继承'信息,而不是从头算起?

参考答案旧法方程存储了历史信息矩阵;新增观测相当于在其上叠加增益。继承即信息累加,不是简单拼接。

2变形监测中,如果某期观测值发现明显粗差,序贯结果会如何反映?

参考答案序贯要求观测顺序连续。跳过一期等价于丢弃该期信息矩阵增量;若补回需重新构建累积信息阵。

3序贯平差与传统卡尔曼滤波在思想上有何异同?

参考答案两者都按'预测—更新'递归。序贯平差参数不随时间变化;卡尔曼滤波状态量随机游走,且需预测步。

22第 22 页 · 课后思考