| Revista: | Boletim de ciencias geodesicas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000411887 |
| ISSN: | 1413-4853 |
| Autores: | Janicka, Joanna1 Rapinski, Jacek1 |
| Instituciones: | 1University of Warmia and Mazury, Institute of Geodesy, Olsztyn, Varmia y Masuria. Polonia |
| Año: | 2014 |
| Periodo: | Oct-Sep |
| Volumen: | 20 |
| Número: | 3 |
| Paginación: | 610-625 |
| País: | Brasil |
| Idioma: | Portugués |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en inglés | Over the years there have been a number of different computational methods that allow for the identification of outliers. Methods for robust estimation are known in the set of M-estimates methods (derived from the method of Maximum Likelihood Estimation) or in the set of R-estimation methods (robust estimation based on the application of some rank test). There are also algorithms that are not classified in any of these groups but these methods are also resistant to gross errors, for example, in M-split estimation. Another proposal, which can be used to detect outliers in the process of transformation of coordinates, where the coordinates of some points may be affected by gross errors, can be a method called RANSAC algorithm (Random Sample and Consensus). The authors present a study that was performed in the process of 2D transformation parameter estimation using RANSAC algorithm to detect points that have coordinates with outliers. The calculations were performed in three scenarios on the real geodetic network. Selected coordinates were burdened with simulated values of errors to confirm the efficiency of the proposed method |
| Resumen en portugués | Ao longo de anos elaboraram-se muitos métodos de cálculos que permitem a identificação de erros grosseiros nas observações. Foram desenvolvidos os métodos de estimação robusta no conjunto dos métodos definidos como M-estimações (derivados do método Maximum Likelyhood Estimation) ou R-estimações. Outros métodos são também conhecidos que não se incluem a nenhum desses grupos, e que também, mostram resistência aos erros grossos, por exemplo, Msplit estimação. A proposta neste artigo, que pode se aplicar ao processo de transformação de coordenadas, quando as coordenadas de alguns de pontos podem estar contaminadas por erros grosseiros, é o método denominado de RANSAC algoritmo (Random Sample and Consensus). Os autores apresentam a possibilidade da utilização deste método numérico para a detecção erros grosseiros nas coordenadas de pontos utilizados na estimação dos parâmetros de transformação. Experimentos foram realizados com três cenários de erros nos dados utilizando uma rede real de pontos. Os resultados obtidos nos experimentos realizados com dados simulados foram animadores e confirmam a eficiência do algoritmo proposto grosseiros para verificar a eficácia do método proposto |
| Disciplinas: | Geociencias |
| Palabras clave: | Geodesia, Transformación de coordenadas, Estimación de parámetros, Algoritmos RANSAC |
| Keyword: | Earth sciences, Geodesy, Coordinate transformations, Parameter estimation, RANSAC algorithms |
| Texto completo: | Texto completo (Ver PDF) |
