Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
unesp
MÉTODO DOS MÍNIMOS QUADRADOS COM MÉTODO DOS MÍNIMOS QUADRADOS COM PENALIDADES: APLICAÇÃO NO PENALIDADES: APLICAÇÃO NO
POSICIONAMENTO RELATIVO GPSPOSICIONAMENTO RELATIVO GPS
DANIELE BARROCA MARRA ALVESDANIELE BARROCA MARRA ALVESMESTRANDAMESTRANDA
PROF. DR. JOÃO FRANCISCO GALERA MONICOPROF. DR. JOÃO FRANCISCO GALERA MONICOORIENTADOR ORIENTADOR
PROF. DR. MESSIAS MENEGUETTE JR.PROF. DR. MESSIAS MENEGUETTE JR.COORIENTADORCOORIENTADOR
unesp
• As observáveis básicas do GPS estão sujeitas a erros:• aleatórios;• grosseiros; e • sistemáticos.
• No posicionamento relativo GPS de alta precisão envolvendo linhas de base de média distância, as principais fontes de erros sistemáticos são:• refração troposférica; e• refração ionosférica.
• Esses erros podem, não somente impedir uma segura resolução de ambigüidades, como também degradar a acurácia dos resultados;
INTRODUÇÃOINTRODUÇÃO
unesp
INTRODUÇÃOINTRODUÇÃO• Para atenuar esses efeitos, alguns estudos têm sido
desenvolvidos no sentido de aplicar o MMQ com Penalidades:• Spline cúbica natural;• Modelo semi-paramétrico;
• Com esse método:• os erros são modelados como funções que variam suavemente
com o tempo; e• as funções de erros sistemáticos, ambigüidades e
coordenadas de interesse são estimados simultaneamente.
• A solução pode vir a requerer um menor intervalo de tempo de coleta de dados.
unesp
OBJETIVOSOBJETIVOS
• O objetivo principal deste trabalho é implementar algoritmos que reduzam o intervalo de tempo necessário para a solução das ambigüidades GPS;
• Como objetivos secundários têm-se:• Apresentar o ajustamento com penalidades visando atenuar
erros sistemáticos no posicionamento relativo GPS;
• Verificar se no MMQ com Penalidades o intervalo de tempo de coleta de dados necessário para a solução da ambigüidade é reduzido; e
unesp
MMQ COM PENALIDADESMMQ COM PENALIDADES
• Dada uma curva g duas vezes diferenciável definida em um intervalo [a, b], e um parâmetro suavizadorα > 0, a soma dos quadrados penalizada é dada por:
• A adição do termo da penalidade de aspereza assegura que:• S(g) de uma curva particular é determinada não somente
pela sua aderência aos dados, mas também pela sua aspereza.
( ) ( ){ }∑ ∫=
′′+−=n
iii gtgYgS
1
22 α
unesp
MMQ COM PENALIDADESMMQ COM PENALIDADES
• Um exemplo dessa aproximação utilizando o MMQ com penalidades é dado na figura abaixo:
-1.5
-1
-0.5
0
0.5
1
1.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
y
x
dadosspline
unesp
SPLINESSPLINES
• ORIGEM: Régua elástica usada em desenhos de Engenharia, que pode ser curvada de forma a passar por um dado conjunto de pontos (xi, yi);
unesp
SPLINESSPLINES
• Uma função s(t) é chamada de spline de grau n em [a,b] se para a<t1<...<tm-1<tm<b:• s(t) é um polinômio de grau n em cada subintervalo (ti-1,ti); e• s(t) tem n–1 derivadas contínuas em cada ti, e portanto em
[a,b].
• Uma spline cúbica sobre um intervalo [a,b] será ditauma spline cúbica natural se a segunda e terceiraderivadas são nulas em a e b;
unesp
PARÂMETROPARÂMETRO SUAVIZADORSUAVIZADOR
• O parâmetro suavizador controla a suavidade da curva ajustada;
• Se α é pequeno, a principal contribuição para S(g) será a soma dos quadrados dos resíduos;
• Se α é grande, o mínimo de S(g) exibirá uma curvatura pequena;
• Se α é determinado pela validação cruzada generalizada, S(g) será minimizado de forma suave;
• Neste trabalho α é determinado automaticamente pela validação cruzada generalizada (GCV);
unesp
PARÂMETRO SUAVIZADOR PARÂMETRO SUAVIZADOR PEQUENOPEQUENO
-1.5
-1
-0.5
0
0.5
1
1.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
y
x
dadosspline
unesp
PARÂMETRO SUAVIZADORPARÂMETRO SUAVIZADORGRANDEGRANDE
-1.5
-1
-0.5
0
0.5
1
1.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
y
x
dadosspline
unesp
PARÂMETRO SUAVIZADOR PARÂMETRO SUAVIZADOR QUE MINIMIZE S(g)QUE MINIMIZE S(g)
-1.5
-1
-0.5
0
0.5
1
1.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
y
x
dadosspline
unesp
PARÂMETRO SUAVIZADOR QUE PARÂMETRO SUAVIZADOR QUE MINIMIZE S(g)MINIMIZE S(g)
-371
-370.5
-370
-369.5
-369
-368.5
-368
-367.5
-367
-366.5
0 100 200 300 400 500 600 700 800 900 1000
DD
do
códi
go
t
dadosspline
-370
-368
-366
-364
-362
-360
-358
-356
-354
0 100 200 300 400 500 600 700 800 900 1000
DD
do
códi
go
t
dadosspline
unesp
PARÂMETRO SUAVIZADORPARÂMETRO SUAVIZADOR
• A CV ou GCV é uma técnica usada para estimar o erro de predição, para um modelo ajustado aos dados;
• O erro de predição mede a capacidade de um modelo prever a resposta a uma observação futura;
• Essa técnica cria uma situação de “nova observação” para conjuntos de dados onde novas observações não estão disponíveis;
unesp
PARÂMETRO SUAVIZADORPARÂMETRO SUAVIZADOR
• O valor calculado para GCV é:
2
1
2
1
)/()ˆ)(ˆ)(()ˆ)(ˆ(1
))(1(
)(1)(
ntrHmgNIxAyIgNIxAy
n
HItrn
VIVn
GCV
nnT
n
nm
nT
−⊗−−∑⊗⊗−−
=
=−
∑⊗=
−
−
α
2σ̂×=liberdadedegraun
unesp
MODELO SEMIMODELO SEMI--PARAMÉTRICOPARAMÉTRICO
• No modelo semi-paramétrico, o cálculo das variáveis é dividido em duas partes:• Paramétrica; e • Não-paramétrica.
• O vetor semi-paramétrico pode ser expresso por:
• Para que se obtenha uma solução confiável, injunções adicionais, que correspondem a penalidade do ajustamento, devem ser adicionadas;
( ) nitgNxAy iiiii ,,2,1 K=++= ε
unesp
MODELO SEMIMODELO SEMI--PARAMÉTRICOPARAMÉTRICO
• Trata-se do MMQ com Penalidades. Dessa forma, a função a ser minimizada é dada por:
• Minimizando e utilizando o método direto, tem-se:
( )( ) ( )( ) ( )( )∑ ∑ ∑ ∫=
−
=
=′′+−−−−n
ii
q
jjjiiii
Tiiii dttgtgNxAytgNxAy
1
1
1
2 minα
( ) ( )[ ] ( ) ( )[ ]SnT
nT
SnT
nT yIAyIAAIAAIAx 11111ˆ −−−−− ∑⊗−∑⊗∑⊗−∑⊗=
unesp
IMPLEMENTAÇÃO E COLETAIMPLEMENTAÇÃO E COLETADE DADOSDE DADOS
• O algoritmo de ajustamento com penalidades foi implementado no software GPSeq;
• Para tanto, ele está sendo desenvolvido em linguagem FORTRAN 77/90 integrado ao Borland C via DLLs;
• Os dados foram coletados com receptores de simples e de dupla freqüências;
• Como estação base, foi adotada a estação UEPP da RBMC que é mantida pelo IBGE;
unesp
IMPLEMENTAÇÃOIMPLEMENTAÇÃO
Valores iniciais de α
Método direto: determinar osvalores de x e g
Calcular o valor de GCV para α escolhido
Estabelecer novos valores para α usando o método Gold Search
Valores finais de x e g
Não minimizou
Minimizou
unesp
COLETA DE DADOSCOLETA DE DADOS
receptores
ASSIS
unesp
COLETA DE DADOSCOLETA DE DADOS
REGENTE FEIJÓ
TrimbleZXII
unesp
RESULTADOS PRELIMINARESRESULTADOS PRELIMINARES
• 5 épocas• Intervalo amostral: 1 min• Ângulo de elevação: 15°• Linha de base: 18km
-0,40
-0,20
0,00
0,20
0,40
X Y Z
Discrepâncias
Metros MMQ com
Penalidades
MMQ convencional
unesp
RESULTADOS PRELIMINARESRESULTADOS PRELIMINARES
-0,20-0,100,000,100,200,300,400,50
X Y Z
Discrepâncias
Metros MMQ com
Penalidades
MMQ Convencional
• 5 épocas• Intervalo amostral: 1 min• Ângulo de elevação: 15°• Linha de base: 18km
unesp
CONSIDERAÇÕES FINAISCONSIDERAÇÕES FINAIS
• Para avaliar os benefícios do método proposto, os resultados obtidos pelo MMQ com Penalidades serão comparados com o método paramétrico tradicional;
• Será verificado se o tempo mínimo de solução da ambigüidade é reduzido, minimizando custos de trabalho de campo;
unesp
REFERÊNCIAS BIBLIOGRÁFICASREFERÊNCIAS BIBLIOGRÁFICAS
• FESSLER, J. A. Nonparametric Fixed-Interval Smoothing With Vector Splines. In: IEEE TRANSACTIONS ON SIGNAL PROCESSING, 1991. Proceedings… v.39, p.852-859.
• GREEN, P. J.; SILVERMAN, B. W. Nonparametric Regression and Generalized Linear Models: a roughness penalty approach. 1.ed. London: Chapman & Hall, 1994. 182p.
• JIA, M.; STEWART, M.; TSAKIRI, M. Mitigation of IonosphericErrors by Penalised Least Squares Technique for High Precision Medium Distance GPS Positioning. In: KIS 2001, Banff , Canada. Proceedings…, 2001. 1 CDROM.