下载文档原格式
误差传播定律及其应用一、误差传播定律前面已经叙述了衡量一组等精度观测值的精度指标，并指出在测算工作中通常以中误差作为衡量精度的指标。
但在实际工作中，某些未知量不可能或不便于直接进行观测，而需要由另一些直接观测量根据一定的函数关系计算出来。
例如，要测量不在同一水平面上两点间的距离D，可以用光电测距仪测量斜距S，并用经纬仪测量竖直角α，以函数关系来推算，显然，在此情况下，函数D的中误差与观测值S及α的中误差之间，必定有一定的关系。
阐述这种函数关系的定律，称为误差传播定律。
下面以一般函数关系来推导误差传播定律。
设有一般函数：（5-3-1）式中：（χ1、χ2、…、χn）为可直接观测的未知量；Z为不便于直接观测的未知量。
设独立观测值为ℓi，其相应的真误差为∆χi。
由于∆χi的存在，使函数Z亦产生相应的真误差∆Z。
将式（5-3-1）取全微分：因误差∆χi及∆Z都很小，故在上式中，可近似用∆χi及∆Z代替dχi及d Z，于是有：（5-3-2）式中：为函数F对各自变量的偏导数。
将χi=ℓi代入各偏导数中，即为确定的常数，设则式（5-3-2）可写成：（5-3-3）为了求得函数和观测值之间的中误差关系式，设想对各χi进行了k次观测，则可写出k个类似于式（5-3-3）的关系式：将以上各式等号两边平方后，再相加得：上式两端各除以k：（5-3-4）设对各χi的观测值ℓi为彼此独立的观测，则∆χi∆χj当i≠j时，亦为偶然误差。
根据偶然误差的第四个特性可知，式（5-3-4）的末项当κ→∞时趋近于零，即：故式（5-3-4）可写成：根据中误差的定义，上式可写成：当κ为有限值时，可写为：（5-3-5）即：（5-3-6）上式即为计算函数中误差的一般形式。
应用上式时，必须注意：各观测值必须是相互独立的变量，而当ℓi为未知量χi的直接观测值时，可认为各ℓi之间满足相互独立的条件。
式（5-3-6）就是一般函数的误差传播定律，利用它不难导出5-3-1所列简单函数的误差传播定律。
误差传播定律在实际工作中有许多未知量不能直接观测而求其值，需要由观测值间接计算岀来。
例如某未知点B的高程H B，是由起始点A 的高程比加上从A点到B点间进行了若干站水准測量而得来的观測高差h】……厲求和得出的。
这时未知点B的高程H。
是各独立观测值的函数。
那么如何根据观测值的中误差去求观测值函数的中课差呢？阐述观測值中谋莖与观测值函数中谋差之间关系的定律，称为误差传播定律。
1、和差函数设有函数：z=x±yZ 为x 、y 的和或差的函数，x 、y 为独立观测值，已知其中课差为 m& m y ,求Z 的中泯差mz 。
设x 、y^z 的真课差分别为亠、△舟亠则 A. =△、+△、, 若对x 、y 均观测了n 次，则(2 1,2……对将上式平方，得= A 2.… + △［讨 ±2A r A v ,(i = 1,2……n)由于亠、亠均为假然误差，其符号为正或负的机会相 同，因为Ay 为独立误差，它们出现的正・负号互不相 关，所以其乘积亠Ay 也具有正负机会相同的性质，在求 ［心］时其正值与负值有互相抵消的可能；当n 愈大时， 上式中最后一项［g ］ /n 将趋近于零，即 lim lA r A r l 1 - ^ = 0/? —>oo n将满足上式的误差A 禺为互相独立的误差，简称独立 误差，相应的观测值称为独立观測值。
对于独立观测值来说， 即使n 是有限量，由于 罰 式残存的值不大，一般就 观测值的函数求和，并除以n,得k J =忽视它的影响。
根据中谀療是义；得两观测值代数和的中谋差平方，等于两观测值中误差的平方之和。
当z是一组观测值X】、兀…％代数和（差）的函数时，即Z = X}±X2^^^±X n可以得出函数Z的中误差平方为7H：= 〃彳+加；+・・・+加［Z X| x2 xn结论：n个）WU值代数和（差）的中谋差平方，等于n个观灣值中误差平方之和。
误差传播定律
一、误差传播定律（Error Backpropagation Law）
误差传播定律（Error Backpropagation Law）是一种重要的人工神经网络算法，它
最早在1986年被Rumelhart等人提出，并在子后学习过程中发挥着重要作用。
利用反向
传播技术，可以实现多层神经网络，也称为反向传播算法。
误差传播算法通过误差的反馈，以自动化的方式改善网络模型的预测结果。
该算法首
先确定一个初始的权重和偏差，然后根据实际情况，不断增加参数和权重，使它们能够更
好地适应训练样本数据。
针对网络输出结果，通过与预期输出比较，计算出一个误差值，
误差值把权重更新的任务传给神经元，得到一个新的权重，让神经元更加敏感的反应输入，以达到优化网络的效果。
误差传播算法是一种利用梯度下降法以及链式法则（Chain Rule）进行反向传播的数
学方法。
误差的反向传播是指，从神经网络的输出端开始，使用链式法则将误差向输入端
传播，并依次更新每个神经元的权重和偏差，以最大程度地减小输出层表示的网络误差。
该过程反复进行，不断减少最终误差，至最小时，说明模型参数已达到最优解。
综上所述，误差传播算法是一种重要的人工神经网络算法，它利用反向传播技术，以
自动化的方式改善网络模型的预测结果，实现多层神经网络，根据误差的反馈不断增加参
数和权重，进而最大程度减小最终误差，达到最优解。
由于该算法不仅比较简单，而且收
敛速度非常快，所以在现今的深度学习研究中具有重要地位。
§6－3 误差传播定律当对某量进行了一系列的观测后，观测值的精度可用中误差来衡量。
但在实际工作中，往往会遇到某些量的大小并不是直接测定的，而是由观测值通过一定的函数关系间接计算出来的。
例如，水准测量中，在一测站上测得后、前视读数分别为a 、b ，则高差h =a -b ，这时高差h 就是直接观测值a 、b 的函数。
当a 、b 存在误差时，h 也受其影响而产生误差，这就是所谓的误差传播。
阐述观测值中误差与观测值函数中误差之间关系的定律称为误差传播定律。
本节就以下四种常见的函数来讨论误差传播的情况。
一、倍数函数设有函数kx Z =（6-7）式中k 为常数，x 为直接观测值，其中误差为m x ，现在求观测值函数Z 的中误差m Z 。
设x 和Z 的真误差分别为Δx 和ΔZ ，由（6-7）式知它们之间的关系为ΔZ =k Δx 若对x 共观测了n 次，则ii x Z k ∆=∆ （i =1,2,…,n ）将上式两端平方后相加，并除以n ，得[][]n k n2x22Z∆=∆（6-8）按中误差定义可知[]n m 2Z2Z ∆=[]n m 2x2x∆=所以（6-8）式可写成2x 22z m k m =或x z km m =（6-9）即观测值倍数函数的中误差，等于观测值中误差乘倍数（常数）。
【例】 用水平视距公式D =k ·l 求平距，已知观测视距间隔的中误差m l =±1cm ，k =100，则平距的中误差m D =100·m l =±1 m 。
二、和差函数设有函数y x z ±=（6-10）式中x 、y 为独立观测值，它们的中误差分别为m x 和m y ，设真误差分别为Δx 和Δy ，由（6-10）式可得yx z ∆±∆=∆若对x 、y 均观测了n 次，则 ),,2,1(n i ii i y x z =∆±∆=∆将上式两端平方后相加，并除以n 得[][][][]n2n n n yx2y2x2z∆∆±∆+∆=∆上式[]y x ∆∆中各项均为偶然误差。
