[发明专利]基于服务器集群网络的预条件共轭梯度区域网平差方法

摘要

本发明公开了一种基于服务器集群网络的预条件共轭梯度区域网平差方法，在传统的区域网平差流程中引入了预条件共轭梯度法求解大规模法方程，避免了对法方程的存储以及直接求逆运算，并使得区域网平差流程适用于并行化设计方案，同时采用服务器集群网络并行计算框架，将超大规模测区数据的平差任务分解成若干个子任务，交由不同的计算节点进行计算，通过多机协同并行处理，最终汇总得到完整的区域网平差结果。本发明特别适用于超大规模测区(10万张影像以上，如全省、全国乃至全球作为一整个测区)的区域网平差计算。

主权项

一种基于服务器集群网络的预条件共轭梯度区域网平差方法，其特征在于，包括：S1、导入区域网平差计算需要的原始数据，且将导入的原始数据进行时空基准统一，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，并将点位数据保存于一个文件中，将初始内外方位元素数据保存于另一个文件中；S2、搜索可用计算节点，获得可用计算节点数目N，将保存点位数据的文件平均分割为N个子文件，为多任务并行计算做准备；S3、进入区域网平差迭代流程：每一个计算节点分别读取对应的点位数据子文件以及所有的内外方位元素数据，各节点并行计算得到对应的法方程常数项向量c的一个分量，由主程序将各个法方程常数项向量c的分量累加，得到完整的法方程常数项向量c作为S5中残差向量s的初值；S4、每一个计算节点分别读取点位数据子文件以及所有的初始内外方位元素数据，计算预条件矩阵M对应的分量，并将该分量求逆并乘以法方程常数项向量c得到矩阵‑向量积M‑1c的一个分量，由主程序将各个矩阵‑向量积M‑1c的分量累加，得到完整的矩阵‑向量积M‑1c作为S5中方向向量d的初值；S5、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；S6、每一个计算节点分别读取点位数据子文件以及所有的初始内外方位元素数据，并行计算得到对应的法方程系数矩阵B的分量，并将该分量乘以方向向量d，得到法方程系数矩阵B与方向向量d的矩阵‑向量积Bd分量，由主程序将各矩阵‑向量积Bd分量累加，得到完整的矩阵‑向量积Bd；S7、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；S8、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S9；否则，返回步骤S6；S9、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S10，否则，返回步骤S3；S10、根据步骤S8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。