[发明专利]一种基于稀疏块状矩阵压缩存储结构的预条件共轭梯度区域网平差方法

摘要

本发明提供了一种基于稀疏块状矩阵压缩存储结构的预条件共轭梯度区域网平差方法，采用一种大规模稀疏矩阵压缩存储算法，对大数据区域网平差中产生的大规模法方程进行压缩存储和运算，有效减少对内存的需求，同时针对压缩矩阵的求逆问题，引入预条件共轭梯度法迭代求解法方程，避免了对压缩矩阵的直接求逆，克服了传统区域网平差中对于大规模法方程的存储和运算难题，提高了数据处理容量和效率。本发明特别适用于中大型测区(500到10000张影像)数据的区域网平差。

主权项

一种基于稀疏块状矩阵压缩存储结构的预条件共轭梯度区域网平差方法，其特征在于，包括以下步骤：S1、导入区域网平差计算所需要的原始数据，其中，所述原始数据至少包括初始内外方位元素数据以及点位数据；S2、对导入的所述原始数据进行时空基准统一，并统计未知数分组情况以及每一组未知数的个数；S3、根据统计的未知数分组情况以及每一组未知数的个数，构建稀疏块状矩阵压缩存储结构；S4、逐点计算每个像点所生成的子法方程系数矩阵以及法方程常数项子向量，并计算每一个子法方程系数矩阵、法方程常数项子向量的大小以及它们在全局法方程系数矩阵和全局法方程常数项向量中的索引位置；S5、进入区域网平差迭代流程：初始化各类变量，包括全局法方程常数项向量c，未知数向量u，压缩后的全局法方程系数矩阵B以及预条件矩阵M；S6、根据步骤S4中记录的每一个子法方程系数矩阵在全局法方程系数矩阵B中的索引位置，将每一个子法方程系数矩阵累加至压缩后的全局法方程系数矩阵B中，且将位置位于对角线上的子法方程系数矩阵同时累加至预条件矩阵M中，将所有法方程常数项子向量累加至全局法方程常数项向量c中，得到完整的全局法方程常数项向量c，作为S8中残差向量s的初值；S7、对预条件矩阵M中的每一个子块分别求逆并乘以全局法方程常数项向量c中对应的子块，得到矩阵‑向量积M‑1c的一个分量，并将这个分量累加至矩阵‑向量积M‑1c中对应的位置，所有分量处理完毕后，得到完整的矩阵‑向量积M‑1c，作为步骤S8共轭梯度法迭代中方向向量d的初始值；S8、进入预条件共轭梯度法迭代流程：对未知数改正数向量u、残差向量s以及方向向量d进行初始化；S9、将压缩后的全局法方程系数矩阵B中的每一块子法方程系数矩阵与方向向量d中对应子块相乘，得到矩阵‑向量积Bd的一个分量，并将这些分量累加至矩阵‑向量积Bd中对应的位置，所有分量处理完毕后，得到完整的矩阵‑向量积Bd；S10、根据预条件共轭梯度算法，以及本次迭代中的未知数改正数向量u，残差向量s，方向向量d，预条件矩阵M以及全局法方程系数矩阵B，计算新的未知数改正数向量u、新的残差向量s以及新的方向向量d；S11、判断此次预条件共轭梯度迭代是否符合预定收敛条件，若符合，则结束预条件共轭梯度迭代，输出新的未知数改正数向量u，执行步骤S12；否则，返回步骤S8；S12、判断此次区域网平差迭代是否符合预定收敛条件，若符合，则结束区域网平差迭代，执行步骤S13，否则，返回步骤S5；S13、根据步骤S11中输出的新的未知数改正数向量u，更新所有的未知数数值，并输出所有的未知数数值。