2.3.2022.

IZRAVNANJE PO METODI
Matematički modeli izravnanja
NAJMANJIH KVADRATA

Matematički modeli izravnanja Matematički modeli izravnanja

• U teoriji i praktičnim primenama izravnanja U praktičnim primenama izravnanja geodetskih
geodetskih mreža, postoji širok spektar mreža najčešće se koriste sledeće metode
različitih matematičkih modela izravnanja. izravnanja po metodi:
Osnovne komponente metoda izravnanja su: • posrednih merenja,
merene veličine, stohastički model, • uslovnih merenja,
funkcionalni model, algoritam izravnanja, • uslovnih merenja sa nepoznatim
ocene parametara, ocena tačnosti i kontrola parametrima
kvaliteta. • posrednih merenja kada su parametri u
određenim matematičkim uslovima.
3 4

Komponente metoda izravnanja po

Merene veličine
MNK
Merene velicine • Prva važna komponenta u metodama izravnanja
geodetskih mreža po metodi najmanjih kvadrata
sastoji se od merenih veličina i njihove tačnosti.
Stohasticki Funkcionalni
model model • Obavljaju se merenja različitih fizičkih veličina sa
odgovarajućom tačnosti (uglovi, pravci, dužine,
visinske razlike i druge fizičke veličine). Za merene
Algoritam izravnanja
veličine l1, l2 , ..., ln u geodetskim mrežama formira
MNK se vektor merenih veličina i korespondentna
kovarijaciona matrica.
Ocene parametara Kontrola
• Kovarijacija – sličnost, povezanost,
i njihova tacnost kvaliteta međuzavisnost.

5 6

1
 2.3.2022.

Merene veličine Stohastički model

• Funkcionalni i stohastički model su sledeće
dve podjednako važne komponente metoda
 l1  σ 2
σ l1l 2 ... σ l1l n 
   l1
 izravnanja geodetskih mreža.
l   σ l 2 l1 σ l22 ... σ l 2 l n  • Stohastički model je identičan za sve metode
l = 2 Kl =   izravnanja jer se odnosi na vektor merenih
...
   ... ... ... ...  veličina l . Kada su merene veličine u
l  σ l l σ l l ... σ l2n  geodetskim mrežama stohastički zavisne
 n  n1 n 2
veličine treba koristiti kovarijacionu matricu Kl
Kovarijaciona matrica ili matricu kofaktora Ql
Merene veličine

7 8

Stohastički model Stohastički model

• Veza kovarijacione matrice i matrice kofaktora: • Kada su merene veličine stohastički nezavisne
onda su svi elementi van glavne dijagonale
K l = σ o2 ⋅ Q l
matrice Kl jednaki nuli
1 
σ o je standardna devijacija jedinice težine  σ l21 
 
   p1 
(a priori standardna devijacija) merenih  σ l2 
 1 
2   = σ 2 ⋅ P −1
veličina. Kl =   = σo ⋅
2
p2
Ο  o l
   Ο 
 σ l2n 
  1 
 pn 

9 10

Stohastički model Funkcionalni model

• U tom slučaju će matrica težina biti: • Oblik funkcionalnog modela zavisi od metoda
izravnanja geodetske mreže i njene
 p1  geometrije.
 
p2
Pl =  
 ... 
 
 pn 

11 12

2
 2.3.2022.

Opšti funkcionalni model posrednog Opšti funkcionalni model posrednog

izravnanja izravnanja
• U posrednom izravnanju se definiše tako da • Gde su pojedini vektori:
definiše funkcionalnu vezu između merenih  lˆ1 
 
Vektor izravnatih veličina
ˆl =  l2 
ˆ
veličina l i nepoznatih parametara X.  
 Μ
• U opštem slučaju ove veze su nelinearne. Ovaj  lˆ   l1  Vektor merenih veličina
 n  
model se može napisati u vektorskom obliku: l 
l = 2
Μ
 
ˆl = l + v = F(X
ˆ) l 
 n
 υ1  Vektor popravaka merenih
 
υ 2 
v =   veličina
Μ
 
υ 
 n
13 14

Opšti funkcionalni model posrednog Opšti funkcionalni model posrednog

izravnanja izravnanja
• Gde su pojedini vektori: • Vektor izravnatih parametara će se dobiti kao
 F1(X

ˆ )
 Vektor nelinearnih matematičkih funkcija
zbir privremenih (približnih) vrednosti i
 F (Xˆ )
priraštaja: ˆ = X + xˆ
X
F(X) = 
ˆ 2
 0
 Μ   xˆ  Vektor izravnatih parametara
 F (Xˆ )  
 n  ˆ =  y
ˆ
X  Μ
 
 tˆ   x0  Vektor privremenih vrednosti parametara
 
y 
X0 =  0 
Μ
 
t   dx  Vektor priraštaja
 0  
 dy 
x̂ =  
Μ
 
 dt 
15   16

Opšti funkcionalni model uslovnog

Opšti model posrednog izravnanja
izravnanja
• Opšti nelinearni funkcionalni model • U izravnanju po metodi uslovnih merenja
posrednog izravnanja funkcionalni model je definisan merenim
veličinama u okviru nezavisnih matematičkih
ˆl = l + v = F(X
ˆ)
uslovnih jednačina. U opštem slučaju uslovne
jednačine su nelinearne i pišu se u
• Opšti stohastički model implicitnom vektorskom obliku
K l = σ o2 ⋅ Q l F(ˆl) = F (l + v ) = T

17 18

3
 2.3.2022.

Opšti funkcionalni model uslovnog

Opšti model uslovnog izravnanja
izravnanja
• U opštem nelinearnom modelu izravnanja po • Opšti nelinearni funkcionalni model uslovnog
metodi uslovnih merenja vektori su: izravnanja
 F1(lˆ) 
F(ˆl) = F(l + v ) = T
  Vektor nelinearnih matematičkih uslovnih
 F (ˆl) 
F(ˆl) =  2  jednačina.
 Μ
 F (lˆ) 
 r 
• Opšti stohastički model
 T1  Vektor teorijskih vrednosti funkcija
 
T 
T = 2
Μ
K l = σ o2 ⋅ Q l
 
T 
 r

19 20

Funkcionalni model Algoritam izravnanja

• U svim metodama izravnanja nelinearni • Najznačajnija komponenta metoda izravnanja je
funkcionalni modeli prevode se u linearne algoritam izravnanja odnosno primena MNK
modele aproksimacijom linearnog dela • Sistemi linearnih jednačina koji se formiraju u
okviru funkcionalnih modela sadrže vektor
Tajlorovog reda gde se za tačke razvoja koriste
popravaka i vektor nepoznatih parametara .
rezultati merenja i privremene vrednosti
• Ovi sistemi su nesaglasni odnosno imaju
nepoznatih parametara. višeznačna rešenja.
• Primenom MNK obezbeđuju se jednoznačni
rezultati, odnosno od mnoštva mogućih dobijaju
se najbolja rešenja primenom uslova minimuma.
21 22

Algoritam izravnanja Ocena parametara

• Za nezavisne merene veličine • Komponenta metoda izravnanja koja se odnosi na
ocene parametara i njihovu tačnost daje potpune
v T ⋅ Pl ⋅ v = min informacije o rezultatima izravnanja.
• Za zavisne merene veličine
• U primeni MNK kod rešavanja nesaglasnih
v T ⋅ Q l−1 ⋅ v = min sistema linearnih jednačina, ovi sistemi se
v – vektor popravaka merenih veličina prevode u sisteme normalnih jednačina koji su
Pl – matrica težina merenih veličina (dijagonalna) saglasni i iz kojih se određuju jedinstvene ocene
Ql – matrica kofaktora merenih veličina za vektor nepoznatih parametara x̂ , vektor
izravnatih rezultata merenja l̂ i vektor popravaka v.

23 24

4
 2.3.2022.

Ocena parametara Kontrola kvaliteta

• Pored ocena vrednosti pojedinih veličina • Komponenta metoda izravnanja vezana za kontrolu
kvaliteta odnosi se na primenu teorije pouzdanosti
neophodno je odrediti i njihovu tačnost. Tačnost geodetskih mreža nakon primene MNK i određivanja ocena
rezultata merenja nakon izravnanja po MNK vrednosti pojedinih veličina i njihove ocene tačnosti.
dobija se na osnovu eksperimentalne standardne • Teorija pouzdanosti geodetskih mreža daje mogućnosti
devijacije jedinice težine (a posteriori standardna identifikacije eventualnih grubih i sistematskih grešaka u
rezultatima merenja statističkim testovima, kao i uticaj ovih
devijacija). grešaka na rezultate izravnanja.
• Tačnost pojedinih veličina određuje se • Kvalitet geodetskih mreža određen je sa dve komponente.
kovarijacionim matricama: nepoznatih – Prva komponenta se odnosi na globalne i lokalne mere tačnosti
tačaka ili funkcija.
parametara K xˆ , izravnatih rezultata merenja K ˆl i – Druga komponenta se odnosi na globalne i lokalne mere
vektora popravaka K v . pouzdanosti unutrašnje ili spoljašnje.

25 26

Kontrola kvaliteta Kontrola kvaliteta

• Koncept kvaliteta primenjuje se u analizi
Kvalitet
geodetskih mreža nakon izravnanja, pri
projektovanju geodetskih mreža u okviru
Tacnost Pouzdanost
prethodne analize tačnosti i optimizacije
Tacke Funkcije Unutrašnja Spoljašnja geodetskih mreža.
Globalne Lokalne Globalne Lokalne Globalne Lokalne Globalne Lokalne
mere mere mere mere mere mere mere mere

27 28

Funkcionalni i stohastički model

• Kod modela posrednog izravnanja nepoznati
IZRAVNANJE PO METODI parametri x, y, ... , t određuju se na osnovu
niza merenih veličina l1 , l2 , ... , ln pod uslovom
POSREDNIH MERENJA da suma kvadrata popravaka merenih veličina
vi (i = 1, 2, ... , n) bude minimalna.
Funkcionalni i stohastički model

29 30

5
 2.3.2022.

Funkcionalni i stohastički model Funkcionalni i stohastički model

• Broj merenih veličina n uvek je veći od broja • Kod izravnanja geodetskih mreža neophodno
nepoznatih parametara u. Razlika r=n-u je definisati date veličine, merene veličine i
predstavlja broj suvišno merenih veličina ili nepoznate parametre. Nepoznati parametri su
broj stepeni slobode. Kada je n=u rešenja su najčešće koordinate tačaka na primer u 2-D
jedinstvena i tada ne egzistira izravnanje, a za mrežama (x, y) ili u 3-D mrežama (x, y, z) .
n<u problem nije definisan i ne postoje Vrednosti koordinata se određuju posrednim
rešenja i izravnanje. putem preko veličina koje se mere na terenu
(uglovi, dužine, visinske razlike i druge
veličine).
31 32

Funkcionalni i stohastički model Funkcionalni i stohastički model

A (xA,yA )
• Između merenih veličina i nepoznatih
D3 2 1 D1 parametara uspostavlja se funkcionalna veza
D2 koja se za konkretni slučaj može izraziti
3 (x3 ,y3 ) 1 (x1,y1 ) odgovarajućom matematičkom funkcijom.
... n (x ,y ) • Neka je u cilju određivanja u nepoznatih
n n
... n
parametara izmereno n fizičkih veličina.
... Dn
... N (x ,y )N N B (xB,yB )
2 (x2 ,y2 )

33 34

Funkcionalni i stohastički model Funkcionalni i stohastički model

• Funkcija veze između nepoznatih parametara i lˆi = li + υi = Fi ( xˆ , yˆ , ..., tˆ) = Fi ( x0 + dx, y0 + dy, ... , t0 + dt )
merenih veličina u opštem slučaju je oblika: x, y, ... , t - istinite vrednosti nepoznatih parametara
lˆi = li + υi = Fi ( xˆ , yˆ , ..., tˆ) = Fi ( x0 + dx, y0 + dy, ... , t0 + dt )

l1 , l2 , ... , ln - merene veličine xˆ = x0 + dx

yˆ = y0 + dy - ocene nepoznatih parametara
υ1 , υ 2 , ... ,υn - popravke merenih veličina
. . .
lˆ1 , lˆ2 , ... , lˆn - ocene merenih veličina ˆt = t0 + dt

35 36

6
 2.3.2022.

Funkcionalni i stohastički model Funkcionalni i stohastički model

lˆi = li + υi = Fi ( xˆ , yˆ , ..., tˆ) = Fi ( x0 + dx, y0 + dy, ... , t0 + dt ) • Oblik funkcije zavisi od vrste i oblika geodetske
mreže, odnosno od problematike koja se rešava
dx , dy , ... , dt - priraštaji nepoznatih parametara metodom posrednog izravnanja.
• Ako su funkcije nelinearnog oblika, onda se svode na
x0 , y0 , .... , t0 - približne vrednosti nepoznatih parametara linearni oblik razvijanjem u Tajlorov red u okolini
približnih vrednosti parametara
F1 , F2 , ... , Fn - funkcije veze
∂Fi ∂F ∂F
li +υi = Fi ( x0 , y0 , ... , t0 ) + dx + i dy + ....+ i dt
∂x0 ∂y0 ∂t0

37 38

Funkcionalni i stohastički model Funkcionalni i stohastički model

Prethodnu funkciju možemo napisati u obliku: • U prethodnim formulama koeficijenti su:
υi = ai ⋅ dx + bi ⋅ dy + ... + ui ⋅ dt + f i (i = 1, 2, ... , n)
∂Fi ∂Fi ∂Fi
ai = bi = . . . ui =
odnosno za svaku merenu veličinu: ∂x0 ∂y 0 ∂t 0
υ1 = a1 ⋅ dx + b1 ⋅ dy + ... + u1 ⋅ dt + f1

υ2 = a2 ⋅ dx + b2 ⋅ dy + ... + u2 ⋅ dt + f 2
• odnosno slobodni članovi

. . . f i = Fi ( x0 , y 0 , ... , t 0 ) − li
υn = an ⋅ dx + bn ⋅ dy + ... + un ⋅ dt + f n
39 40

Funkcionalni i stohastički model Obrazovanje jednačina popravaka

• Približne vrednosti nepoznatih parametara mogu • Pod obrazovanjem jednačina popravaka
se razlikovati od ocenjenih vrednosti sve dotle podrazumeva se određivanje koeficijenata ai, bi,
dok ne dolaze do izražaja članovi drugog i višeg ....,ui i slobodnih članova fi.
stepena u Tajlorovom redu. • Prema tome u jednačinama popravaka kao
• Kada su funkcije linearnog oblika, tada se mogu nepoznate veličine figurišu n popravaka vi i u
neposredno odrediti ocene parametara, ili ako se priraštaja odnosno ukupno n+u nepoznatih
iz praktičnih razloga uvode približne vrednosti veličina.
parametara onda se njihove vrednosti mogu • Očigledno je da se jednačine popravaka ne mogu
izabrati proizvoljno, odnosno neke vrednosti koje neposredno rešavati, jer ima jednačina u kojima
se mnogo ne razlikuju od ocenjenih vrednosti. postoji n+u nepoznatih veličina (n < n+u).
41 42

7
 2.3.2022.

Obrazovanje jednačina popravaka Jednačine popravaka

• Ovakav sistem jednačina ima višeznačna • U matričnom obliku
rešenja. Izravnanjem se obezbeđuju  υ1   a1 b1 Λ u1   dx   f1 
       
jednoznačni rezultati. Od mnoštva mogućih  υ 2   a2 b2 Λ u2   dy   f 2 
rešenja najbolje rešenje dobija se iz izravnanja  Μ =  Μ Μ Ο
⋅
Μ  Μ  Μ
+ v = A ⋅ xˆ + f
       
koje ispunjava uslov minimuma
υ   a
 n  n bn Λ un   dt   f n 

v T ⋅ Pl ⋅ v = min  υ1   a1 b1 Λ u1   dx   f1 
       
ili υ  a b2 Λ u2   dy   f2 
v = 2 A= 2 x̂ =   f = 
Μ Μ Μ Ο Μ Μ Μ
       
v T ⋅ Q l−1 ⋅ v = min υ 
 n
a
 n bn Λ un   dt 
 
f 
 n

43 44

Primena MNK Normalne jednačine

• Kada su merene veličine stohastički nezavisne A T ⋅ Pl ⋅ (A ⋅ xˆ + f) = 0
primenjuje se metod najmanjih kvadrata:
v T ⋅ Pl ⋅ v = min
A T ⋅ Pl ⋅ A ⋅ xˆ + A ⋅ Pl ⋅ f = 0
T

• Diferenciranjem prethodnog izraza i traženjem

minimuma, dobijaju se normalne jednačine:
N ⋅ xˆ + n = 0 N = A T ⋅ Pl ⋅ A n = A T ⋅ Pl ⋅ f
A ⋅ Pl ⋅ (A ⋅ xˆ + f) = 0
T

45 46

Normalne jednačine Rešenje normalnih jednačina

 n n n

  pi ai2 pab ... pau  • Broj normalnih jednačina je jednak broju
 i =1 i =1
i i i
i =1
i i

i
Matrica
 n n n
 koeficijenata nepoznatih u njima (nepoznate su priraštaji za
N = A ⋅ Pl ⋅ A =    pb ...  pi bi ui 
2
T pi bi ai i i
 i =1 i =1 i =1
 normalnih nepoznate veličine). Rešavanjem ovog sistema
 n ... ... ... ...  jednačina
 pua
 i i i pub
n

i i i
n
...  pi ui  2  jednačina dobiće se rešenje za nepoznate
 i =1 i =1 i =1  u ,u
priraštaje x̂ a samim tim i ocenjene vrednosti
 n 
nepoznatih xˆ = x0 + dx
  pi ai fi 
 i =1
 n

 Vektor slobodnih yˆ = y0 + dy
n = A T ⋅ Pl ⋅ f =   pibi f i  članova normalnih
 i =1 
jednačina
. . .
 n ... 
 pu f 
 i i  tˆ = t0 + dt
 i =1 u ,1 47 48

8
 2.3.2022.

Rešenje normalnih jednačina Ocene

Sistem jednačina u matričnom obliku: • Izravnate vrednosti (ocene) parametara
(nepoznatih) xˆ = x0 + dx
N ⋅ xˆ + n = 0
yˆ = y0 + dy
Rešenje jednačina matričnom obliku će biti: . . .
−1 ˆt = t0 + dt
xˆ = −N ⋅ n = −Q xˆ ⋅ n
gde je inverzna matrica N −1 identična matrici
kofaktora nepoznatih parametara Q xˆ • Izravnate vrednosti (ocene) merenih veličina

Q xˆ = N −1 lˆi = li + vi
49 50

Definitivna kontrola izravnanja

• Koristeći ocenjene parametre, pomoću
definisanog funkcionalnog modela sračunamo
ocenjene vrednosti merenih veličina. Te
vrednosti se uporede sa vrednostima
izmerenih veličina korigovane sa sračunatom
popravkom.
• Ukoliko se ne poklapaju vrednosti,
funkcionalni model nije korektno formiran.

51