Volker Tesmer - Deutsche Geodätische Kommission
Volker Tesmer - Deutsche Geodätische Kommission
Volker Tesmer - Deutsche Geodätische Kommission
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
46<br />
3. Grundlagen der Ausgleichungsrechnung<br />
nete Größen repräsentieren die entsprechende Größe des g-ten Iterationsschritts). Dafür berechnen sich die Näherungswerte<br />
(γ ) 2 des zweiten Iterationsschrittes mit den Schätzungen (θ ˆ)<br />
1 des ersten Schritts und den für diese<br />
Schätzung verwendeten Näherungswerten (γ ) 1 zu ( γ ) 2 = ( θˆ<br />
) 1 ( γ)<br />
1 , mit der wiederum (θ ˆ)<br />
2 geschätzt werden.<br />
Nach g Iterationen ist die Schätzung konvergiert, wenn alle k Komponenten als θ ) 1 ˆ<br />
θ ) ( ˆ θ ) ( ˆ ( 1 g ≈ 2 g ≈K<br />
≈ k g ≈<br />
erhalten werden. Die Näherungswerte (γ ) g der g-ten iterierten Schätzung lauten somit:<br />
⎡(<br />
γ )<br />
⎤<br />
⎡ θ ) ˆ (<br />
1 g 1 g-1<br />
1 g−1<br />
⎢<br />
⎥ g-1<br />
⎢ 2 g ⎥<br />
= = ⎢ 2 g-1<br />
2 g−1<br />
g ⎢ ⎥<br />
⎥ = ( ) 1∏<br />
( ˆ)<br />
h<br />
⎢ ⎥ ⎢<br />
⎥ h=<br />
1<br />
⎣ k g ⎦ ⎢ θ k ) g-1<br />
( γ k ) g−1<br />
⎥<br />
ˆ<br />
θ ) ( γ )<br />
(<br />
ˆ ( γ )<br />
( γ)<br />
(<br />
γ θ<br />
L<br />
L<br />
( γ )<br />
⎣<br />
( γ<br />
)<br />
⎤<br />
⎦<br />
mit h = 1,2, K,<br />
g .<br />
Die Varianzen und Kovarianzen der k Komponenten der g-ten Iteration lassen sich dann für v = 1,2, K,<br />
k und<br />
w = 1,2, K,<br />
k mit (3-30) wie folgt ableiten:<br />
( θ v ) g ( γ 2<br />
v ) g ) ˆ Var (<br />
2<br />
v g θ v ) g<br />
ˆ ( γ ) Var(<br />
( v g v g θ w ) g ( γ w ) g )<br />
ˆ<br />
θ ) ( γ ) , (<br />
ˆ Cov (<br />
v g w g ( v g θ w ) g ) ˆ θ ) , ( ˆ<br />
( γ ) ⋅ ( γ ) ⋅ Cov (<br />
= ( γ 2 -1<br />
v ) g ⋅ 2 ⋅ ( Svv<br />
) g<br />
= bzw.<br />
= ( γ<br />
-1<br />
v ) g ⋅ ( γ w ) g ⋅ 2 ⋅ ( Svw<br />
) g<br />
= .<br />
Bei einer Schätzung von Varianz- und Kovarianzkomponenten sollten die Beobachtungen keine groben oder<br />
systematischen Fehler enthalten und die einzelnen Komponenten jeweils durch eine ausreichend große Anzahl<br />
von Beobachtungen bestimmt sein. Außerdem muss das gewählte Modell der Komponenten, also die in (3-22)<br />
beschriebenen Matrizen Tm bzw. Vm, so formuliert werden, dass sie tatsächlich existierende stochastische Eigenschaften<br />
von Beobachtungsgruppen beschreiben. Die geschätzten Komponenten müssen außerdem voneinander<br />
zu trennen sein.<br />
Verkürzte Schätzung der Varianz- und Kovarianzkomponenten im Gauß-Markoff-Modell<br />
Die beschriebene Schätzung von Varianz- und Kovarianzkomponenten ist unter Umständen sehr rechenaufwändig.<br />
Bei dem z.B. in FÖRSTNER (1979) beschriebenen verkürzten Verfahren wird zur Schätzung der Komponenten<br />
nicht wie in Gleichung (3-29) die Inverse der in (3-28) beschriebenen Matrix S benötigt, zu deren Aufstellung<br />
viele Rechenoperationen durchzuführen sind. Entscheidend für die Anwendbarkeit des verkürzten Algorithmus ist<br />
allerdings die Voraussetzung, dass die Beobachtungsgruppen, für die gemeinsame stochastische Eigenschaften<br />
angenommen werden, sich nicht überschneiden. Wird also für jede Beobachtung maximal eine Varianz- oder<br />
Kovarianzkomponente geschätzt, ergeben sich bei der verkürzten Schätzung im Falle von Konvergenz schließlich<br />
die gleichen k Komponenten θˆ wie bei einer Schätzung mit dem zuvor beschriebenen, vollen Algorithmus. Dafür<br />
ist die verglichen mit der Matrix S entsprechend (3-28) deutlich einfachere Hauptdiagonalmatrix H mit<br />
v = 1,2, K,<br />
k aufzustellen:<br />
θ ˆ = Hq , wobei<br />
1<br />
H vv = .<br />
sp(<br />
W V )<br />
Ersparte Rechenoperationen werden zwar zum Teil durch schlechtere Konvergenz dieses Verfahrens wieder<br />
verschenkt, in einigen Arbeiten (z.B. SATIRAPOD et al. 2002) wird aber davon berichtet, dass von die verkürzten<br />
Algorithmen insgesamt benötigte Rechenzeit bei gleichen Konvergenzkriterien verglichen mit dem unverkürzten<br />
Verfahren deutlich kleiner ist.<br />
3.4 Akkumulation einzelner geschätzter Komponenten<br />
In dieser Arbeit sollen vor allem Komponenten geschätzt werden, zu denen die Informationen der Beobachtungen<br />
aller VLBI-Sessions beitragen. Ist das Modell der Komponenten richtig formuliert (repräsentiert es also tatsächlich<br />
existierende stochastische Eigenschaften von Beobachtungsgruppen), wird eine solche Schätzung deutlich<br />
stabiler sein als eine, für die nur die Beobachtungen einzelner VLBI-Sessions verwendet werden. Um eine solche<br />
Schätzung aus den Beobachtungen aller Sessions zu ermöglichen, müssen die Komponenten aus einem gemeinsamen<br />
Gleichungssystem bestimmt werden, wodurch aber sehr große Matrizen zu handhaben wären. Deshalb<br />
v<br />
(3-33)<br />
(3-31)<br />
(3-32)