RANSA 一种随机参数估计算法

目录

• 1. RANSA 是一种随机参数估计算法
  • 1. 具体使用过程：
• 2. 缺点

1. RANSA 是一种随机参数估计算法

• 抽出样本子集→估计模型参数→计算偏差→阈值比较→重复迭代→评判因子→迭代结束

1. 具体使用过程：

1. RANSAC从样本中随机抽选出一个样本子集，

2. 使用最小方差估计算法对这个子集计算模型参数，

3. 然后计算所有样本与该模型的偏差，

4. 再使用一个预先设定好的阂值与偏差比较（当偏差小于阂值时，该样本点属于模型内样本点(inliers)，文中简称局内点或内点，否则为模型外样木点(outliers)）

5. 记录下当前的inliers的个数，然后重复这一过程。

6. 每一次重复都记录当前最佳的模型参数（所谓最佳即是inl}ers的个数最多，此时对应的inliers个数为best_ ninliers）

7. 计算一个迭代结束评判因子，据此决定是否迭代结束（每次迭代的末尾都会根据期望的误差率、best_ninliers ,总样本个数、当前迭代次数）

8. 迭代结束后，最佳模型参数就是最终的模型参数估计值。

2. 缺点

理论上可以剔除outliers的影响，并得到全局最优的参数估计。

1. 缺点 需要设定阈值

当模型具有明显的物理意义时，这个阂值还比较容易设定，

但是若模型比较抽象时，这个阑值就不那么容易设定了，

而且固定闭值不适用于样本动态变化的应用

1. 缺点 迭代运行次数由运行期决定

不能预知迭代的确切次数(当然迭代次数的范围是可以预测的)。

除此之外，RANSAC只能从一个特定数据集中估计一个模型，当两个(或者更多个)模型存在时，RANSAC不能找到别的模型。