Л_13,14
Л_12
Л_11
В этом случае переходят от конечных приращений Di к средним квадратическим погрешностям mi следующим образом. Считаем, что каждый из аргументов хi измерен много раз. В результате этого имеем много различных значений . Тогда, возводим в квадрат левую и правую части второго уравнения (3.3.5б) и суммируем. Используя свойство рассеивания случайных величин для функции и аргументов, и свойство независимости , получаем формулу (3.3.5) для некоррелированных результатов измерений.
Таким образом, при одновременном влиянии случайных и систематических погрешностей для оценки точности имеем:
.
Здесь по свойствам случайной величины – средняя квадратическая систематическая погрешность, но не стандарт, так как для систематических погрешностей не существует свойства рассеивания; – случайная средняя квадратическая погрешность. Несложно показать, что этот же вид будет иметь и оценка точности функции, отягощенная случайными Di и систематическими погрешностями qi. Тогда для средних квадратических погрешностей также получим
|
|
. (3.3.6)
Здесь mD – случайная средняя квадратическая погрешность функции из (3.3.2), а mq – систематическая погрешность функции из (3.3.5б). Считается, что если mD > 3 mq (или mD / mq > 3), то систематической составляющей можно пренебречь (это равносильно тому, что произведено 171 измерение и искажение точности не более 5%) [10].
Метод взятия полного дифференциала функции (3.3.5) и переход от дифференциалов к средним квадратическим погрешностям используется достаточно часто для поиска погрешностей неявных некоррелированных функций.
Например, , – исходные безошибочные координаты. По (3.3.5) имеем
.
Для функции полный дифференциал есть
.
Переход к средним квадратическим погрешностям дает
,
или после элементарных преобразований, полученную выше формулу. Если функция представлена как произведение, то возможно прологарифмировав ее и взяв полный дифференциал перейти к средним квадратическим погрешностям: пусть есть функция вида , тогда , , переход имеет вид – относительная средняя квадратическая погрешность. Отсюда легко получить при необходимости формулу абсолютной средней квадратической погрешности .
Оценка точности вектор – функции. Очень многие геодезические задачи не могут быть описаны одной функцией общего вида, а как минимум двумя и более. В этом случае все они объединяются в вектор-функцию вида
. (3.3.18)
Такого рода структуры, очевидно, не могут быть оценены числом, а только набором чисел. Не сложно понять, что это должен быть набор оценок математических ожиданий (вектор оценок математического ожидания) для каждой функции
|
|
(3.3.19)
и набор мер рассеивания для функций , а также меры тесноты связи между ними (если они существуют). Для этого, используя характеристику рассеивания многомерного закона распределения в виде ковариационной матрицы КY и расширяя формулу (3.3.2) на k функций (то есть производные берут от каждой из k функций по всем n аргументам), получают обобщенную формулу оценки точности вектор-функции (фундаментальная теорема переноса погрешностей):
, (3.3.20)
где F – матрица Якоби J вида
, (3.3.21)
а Кх – обычная ковариационная матрица измерений. Формула носит универсальный характер и применима для оценки практически любой вектор-функции вида (3.3.18). При этом, можно показать, что для линейной вектор-функции (где b как постоянная не влияет на меру рассеивания)
,
а
.
Значит (3.3.20) – оценка линеаризованного варианта вектор-функции общего вида и чем больше меры рассеивания аргументов (элементы ковариационной матрицы) тем хуже будет оценка, которую иногда можно улучшить на основе (3.3.4).
Примеры. Рассмотрим некоторые примеры использования формулы оценки точности вектор-функции. Пусть надо оценить среднюю квадратическую погрешность пункта Р, полученного из полярной засечки с не безошибочными исходными координатами. В этом случае имеем вектор-функцию Y
,
и матрицу Якоби F размера 2х4 (две функции XP, YP и четыре аргумента по которым берут производные – X0, Y0, S и a)
.
Ковариационная матрица для вектор-функции Y
.
Здесь Кисх. – ковариационная матрица погрешностей исходных данных. Если они считаются по отношению к измерениям достаточно малыми, то Кисх = 0 и в матрице F не будет производных по исходным координатам (X0, Y0). Если нет, то эта матрица может быть задана в виде полной матрицы обычного вида– известной из предыдущих вычислений в сети, или неполной – известной из оценки точности при уравнивании опорной сети. Не диагональные блоки матрицы исходных данных Кисх,х или известны из вычислений, или (что чаще всего) равны нулю. Кх – обычная ковариационная матрица измерений. Если исходные данные заданы неполной ковариационной матрицей Кисх, Кх – диагональная матрица измерений, блоки Кисх,х нулевые, то ковариационная матрица вектор-функции будет
.
Погрешность определения положения пункта вычисляют с использованием круговой погрешности Гельмерта вида
, (3.3.22)
где е –вектор-строка из единиц, .
Тогда для нашей задачи имеем
Следует иметь ввиду, что в ковариационной матрице измерений Кх, при разнородных измерениях (например, линии и углы) погрешность измерения углов обязательно переводят в радианы: чтобы все размерности у слагаемых совпадали (– число секунд в радиане равная 206264.8062²» 206265²)
Частный случай формулы Гельмерта (и наиболее известный), при безошибочных исходных данных и диагональной ковариационной матрице, через погрешности приращений есть
. (3.3.22а)
Для полярной засечки это полученная выше формула с диагональными элементами ковариационной матрицы измерений Кх: .
Обратная задача теории погрешностей измерений. Предельное проектирование точности одной функции. Предрасчет точности вектор-функции. Примеры.
Обратная задача теории погрешности измерений. Наряду с прямой задачей теории погрешности измерений – оценки точности функции по погрешностям аргументов, очень большое значение имеет задача предрасчета условий измерений таким образом, чтобы оценка функции (вектор-функции) была или в заданных пределах или оптимальной по какому-либо критерию. Такого рода задачи называют задачами проектирования измерений или априорного предрасчета точности. При этом, первый вариант – получения заданных значений, называют предельным (лимитированным) проектированием, а проектирование с получением наилучших значений – оптимальным проектированием. Из условий измерений, подлежащих регулировке можно выделить следующие факторы: точность измерений, состав измерений, количество измерений, внутренняя геометрия измерений, наличие или отсутствие систематической погрешности (крайне редко), то есть только средства и методы измерения.
|
|
Предельное проектирование точности одной функции. Рассмотрим задачу предельного проектирования точности одной функции, которая ставится следующим образом: пусть задана функция (или результат косвенного измерения) и задана ее погрешность mf. Предрассчитать (спроектировать) условия измерений так, чтобы при их реализации мы получили именно заданную величину погрешности функции. Для этого запишем формулу оценки точности функции (3.3.2) и проанализируем ее:
.
Очевидно, что в одном уравнении более одного неизвестного (например, n погрешностей mi при проектировании по точности) и решение задачи невозможно без привлечения дополнительной информации об условиях измерений. Из всех возможных вариантов такого рода дополнительной информации наибольшее распространение получил принцип взвешенных влияний с равными условиями. По нему недостаток информации компенсируется предположением о равном влиянии на конечный результат каких либо частей в выражении (3.3.2) и введением коэффициентов влияния (весов) этих слагаемых.
Например, пусть (3.3.2) имеет вид
– одно уравнение с тремя неизвестными. Тогда недостаток информации (в две единицы) можно компенсировать введением степени влияния каждого из трех слагаемых в виде чисел , сумма которых равна единице и, обязательно, предположением, что, например, каждое слагаемое, или его часть, вносит примерно одинаковый вклад в формирование значения величины погрешности mf. Теперь для заданной погрешности функции из
,
и, например, предположения, что , имеем
.
Очевидно, что возможно взвешивание приемлемых различных частей слагаемых. Если примерно известны коэффициенты корреляции, то на этой основе также возможно решение задачи, но оно будет более трудоемким. Самая большая проблема в этой постановке, это поиск соответствующих чисел влияния wi. В принципе они могут быть назначены достаточно произвольно, сообразуясь с постановкой задачи, но в этом случае существует реальная угроза того, что предрассчитанные погрешности mi будет невозможно реализовать существующими средствами измерений. Очень часто в процессе проектирования, числа влияния игнорируются, а используется только второе предположение о равенстве, или, назначают равные числа влияния не используя второе предположение совсем. Последний подход получил название «принцип равных влияний» и используется более широко, чем другие.
|
|
При этом для (3.3.2) возможны следующие варианты равного влияния частей слагаемых:
1. Пусть предполагается, что все погрешности измерений примерно одинаковы . Тогда
откуда
, (3.4.1)
где Rx – корреляционная матрица результатов измерений, полученная из ковариационной матрицы Kx.
Приравнивать между собой возможно и элементы структуры fi, при известных погрешностях измерений mi. Такого рода проектирование называют проектированием геометрии оцениваемого процесса. Тогда по аналогии имеем
,
откуда аналогично (3.3.23)
. (3.4.2)
Здесь т – вектор-строка погрешностей измерений; Кх – ковариационная матрица измерений; е – вектор-строка из п единиц (сумматор). Здесь учтено, что Rx = D × Kx × D, где D – диагональная матрица с элементами 1/ mi (масштабатор). Тогда Кх = D -1× Rx × D -1.
Следует учесть, что f – численное значение частной производной. Таким образом, проектирование здесь возможно только по количественному значению измеренных величин.
Например, пусть при погрешности измерения сторон в квадрате ma = mb = 0.1м и сторонах а = b = 10м имеем погрешность определения площади
и .
Какие длины должен иметь квадрат, чтобы погрешность площади теперь была тр= тy = 1. По (3.4.2) имеем
;
Таким образом, при уменьшении стороны в раз, погрешность будет заданной величины. Такого рода проектирование целесообразно для примерно одинаковых точностных и геометрических условий.
2. Предположим, что в (3.3.2) одинаковое влияние оказывает произведение вида . Тогда
,
,
откуда значения погрешностей измерений
. (3.4.3)
Здесь – вектор-строка из п одинаковых частных производных fi.
Если и mi известны, то из (3.4.3) проектирование по количественному значению (геометрии) будет
, (3.4.4)
где – вектор-строка из п одинаковых погрешностей mi.
Эта формула более гибкая чем (3.4.2), так как позволяет проектировать, в какой то мере, «индивидуальную» геометрию, как и (3.4.3) «индивидуальные» точности в зависимости от геометрии.
Например, в рассмотренном выше примере: а = 10м, b = 20м и mi = 4м2, найти та и mb. По (3.4.3) имеем
.
Как должны измениться длины, чтобы при этих же точностях измеренийпогрешность площади была равна mp = 3м2. Из (3.4.4) получаем
м, а м.
Ответ тривиален, но подход может быть использован и в более сложных задачах, например, при оценивании алгоритмов координатоопределения.
3. Пусть теперь приравниваются части вида . Тогда (3.3.2) примет вид
.
Очевидно, что последние суммы нельзя привести к рассматриваемому допущению 3 без дополнительных условий. Поэтому будем рассматривать некоррелированный случай. Исходя из этого (3.3.22) будет
. (3.4.5)
Отсюда искомые значения погрешностей
, (3.4.6)
где f – вектор-строка из частных производных fi; – вектор-строка из п одинаковых элементов fi (см. (3.4.3)).
При проектировании геометрии весьма затруднительно использовать (3.3.2) с третьим условием для выражения значения fi. Но на основе аналогии с формулами первого и второго условия, формулы (3.4.2), (3.4.4), можно записать
. (3.4.7)
Анализ формул показывает, что другие комбинации на основе равных влияний слагаемых или их частей, невозможны. Результаты проектирования сведем в общую таблицу (таблица 3.4.1), из анализа которой также можно сделать этот вывод.
В 2000 году Маркузе М.Ю. [19],был предложен метод степенного взвешивания для проектирования, вида
.
Не сложно показать, что при подстановке в (3.3.2) мы имеем тождество, а при h = 0 мы имеем частный случай (3.4.3), h = -1 – (3.4.6), а при h = -2, частный случай формулы (3.4.1). Общий вид проектирования при наличии корреляции по предложенному алгоритму весьма затруднителен, что впрочем не снижает его ценности для практики.