深入浅出 GNSS 之赫尔默特方差分量估计：原理及公式推导

sucy 20260716

适用对象：测量平差、GNSS 定位、多源观测融合和随机模型初学者
核心目标：根据不同观测组的残差和冗余信息，估计各组随机模型的方差尺度，并修正组间权比

1. 什么是赫尔默特方差分量估计

赫尔默特方差分量估计（Helmert Variance Component Estimation，HVCE）是一种验后随机模型估计方法。

它解决的问题是：

不同类型或不同来源的观测精度未知，先验权比不可靠，怎样根据平差残差估计各观测组的实际噪声尺度？

例如，GNSS 解算可能同时使用：

GPS伪距
GPS载波相位
北斗伪距
北斗载波相位
Galileo伪距
Galileo载波相位

如果组间权比设置不合理，可能导致：

• 低质量观测权值过大，拉偏参数估计；
• 高质量观测权值过小，没有被充分利用；
• 参数协方差过于乐观或保守；
• 多系统组合结果反而劣于单系统结果。

HVCE 根据各组的残差能量和冗余贡献，估计各组协方差应放大或缩小多少，再更新权阵并重新平差。

HVCE 与坐标转换中的“七参数 Helmert 变换”不是同一个概念。

2. “方差分量”怎样理解

2.1 方差

一维随机误差 $e$ 的方差为：

$${\sigma }^2=\mathbb{E}\left[{\left(e-\mathbb{E}[e]\right)}^2\right]$$

其中：

• $e$：随机误差；
• $\mathbb{E}[\cdot ]$：数学期望；
• ${\sigma }^2$：误差方差。

方差越大，表示观测越不稳定，通常应赋予越小的权值。

2.2 分量

总体协方差可以由多个已知结构组成：

$${\mathbf{C}}_{\mathbf{l}}=\sum _{i=1}^m{\theta }_i{\mathbf{Q}}_i$$

其中：

• ${\mathbf{C}}_{\mathbf{l}}$：观测向量的协方差矩阵；
• $m$：方差分量个数；
• ${\theta }_i$：第 $i$ 个待估方差分量；
• ${\mathbf{Q}}_i$：第 $i$ 个已知协方差结构矩阵。

通常要求：

$${\theta }_i\ge 0,{\mathbf{Q}}_i⪰0$$

可以简单理解为：

Q_i
→ 规定第i类误差怎样分布、怎样相关

θ_i
→ 规定这一类误差整体有多大

因此，方差分量本质上是协方差结构的尺度系数。

3. 独立观测组模型

若观测分成 $m$ 个相互独立的组，可写为：

$${\mathbf{C}}_{\mathbf{l}}=\mathrm{diag}\left({\sigma }_1^2{\mathbf{Q}}_1,{\sigma }_2^2{\mathbf{Q}}_2,\dots ,{\sigma }_m^2{\mathbf{Q}}_m\right)$$

其中：

• ${\sigma }_i^2$：第 $i$ 组的方差尺度；
• ${\mathbf{Q}}_i$：第 $i$ 组内部已知的相对协方差结构。

只有当：

$${\mathbf{Q}}_i=\mathbf{I}$$

时，${\sigma }_i^2$ 才能直接理解为该组等精度观测的单观测方差。

如果 ${\mathbf{Q}}_i$ 已包含高度角、$C/N_0$ 或相关性模型，则 ${\sigma }_i^2$ 只是该组随机模型的整体尺度。

4. HVCE 针对什么问题

HVCE 适合处理：

• 伪距、载波相位和多普勒之间的权比；
• GPS、BDS、Galileo 等系统之间的权比；
• GNSS、UWB、视觉等传感器之间的权比；
• 不同测站、接收机或分析中心结果之间的权比；
• 角度、距离和高差等异质观测的联合平差。

HVCE 优化的是随机模型，不是函数模型。

函数模型回答：

观测量与未知参数之间是什么关系？

随机模型回答：

观测误差有多大？
观测之间怎样相关？
各观测组应该占多大权重？

如果函数模型遗漏了系统偏差，HVCE 不能消除该偏差，只可能把它吸收到较大的方差分量中。

5. 数学记号与基本假设

本文使用：

• ${\mathbf{l}}_i$：第 $i$ 组观测向量；
• ${\mathbf{A}}_i$：第 $i$ 组设计矩阵；
• $\mathbf{x}$：待估参数向量；
• ${\mathbf{e}}_i$：第 $i$ 组真实观测误差；
• ${\mathbf{v}}_i$：第 $i$ 组平差残差；
• $n_i$：第 $i$ 组观测数；
• $u$：独立参数个数；
• ${\mathbf{C}}_i$：第 $i$ 组当前使用的协方差矩阵；
• ${\mathbf{P}}_i={\mathbf{C}}_i^{-1}$：第 $i$ 组当前权阵；
• ${\mathbf{N}}_i$：第 $i$ 组对法方程的贡献；
• $\mathbf{N}$：总法矩阵；
• ${\delta }_{ij}$：Kronecker 符号；
• $\mathrm{tr}(\cdot )$：矩阵的迹；
• 上标 $\mathsf{T}$：矩阵转置；
• 上标 $-1$：矩阵求逆。

本文严密分组公式基于以下条件：

1. 线性模型，或非线性模型已经在当前近似值处正确线性化；
2. 设计矩阵满列秩；
3. 观测误差零均值：

$$\mathbb{E}[{\mathbf{e}}_i]=0$$

4. 各观测组之间相互独立：

$$\mathrm{Cov}\left({\mathbf{e}}_i,{\mathbf{e}}_j\right)=0,i\ne j$$

5. 协方差矩阵为分块对角形式；
6. 各组当前协方差矩阵正定；
7. 随机模型中不包含额外的固定协方差项。

若观测组之间相关，或存在固定协方差项，应使用更一般的 VCE 或 LS-VCE 模型。

6. 分组最小二乘模型

第 $i$ 组观测模型为：

$${\mathbf{l}}_i={\mathbf{A}}_i\mathbf{x}+{\mathbf{e}}_i,i=1,2,\dots ,m$$

其中：

• ${\mathbf{l}}_i\in {\mathbb{R}}^{n_i}$；
• ${\mathbf{A}}_i\in {\mathbb{R}}^{n_i\times u}$；
• $\mathbf{x}\in {\mathbb{R}}^u$。

叠加后：

$$\mathbf{l}=\left[\begin{array}{c}{\mathbf{l}}_1\\ {\mathbf{l}}_2\\ ⋮\\ {\mathbf{l}}_m\end{array}\right],\mathbf{A}=\left[\begin{array}{c}{\mathbf{A}}_1\\ {\mathbf{A}}_2\\ ⋮\\ {\mathbf{A}}_m\end{array}\right]$$

当前协方差矩阵为：

$$\mathbf{C}=\mathrm{diag}\left({\mathbf{C}}_1,{\mathbf{C}}_2,\dots ,{\mathbf{C}}_m\right)$$

权阵为：

$$\mathbf{P}={\mathbf{C}}^{-1}=\mathrm{diag}\left({\mathbf{P}}_1,{\mathbf{P}}_2,\dots ,{\mathbf{P}}_m\right)$$

7. 加权最小二乘解

目标函数为：

$$J(\mathbf{x})=\sum _{i=1}^m{\left({\mathbf{l}}_i-{\mathbf{A}}_i\mathbf{x}\right)}^{\mathsf{T}}{\mathbf{P}}_i\left({\mathbf{l}}_i-{\mathbf{A}}_i\mathbf{x}\right)$$

定义第 $i$ 组法矩阵：

$${\mathbf{N}}_i={\mathbf{A}}_i^{\mathsf{T}}{\mathbf{P}}_i{\mathbf{A}}_i$$

总法矩阵：

$$\mathbf{N}=\sum _{i=1}^m{\mathbf{N}}_i$$

法方程右端项：

$$\mathbf{b}=\sum _{i=1}^m{\mathbf{A}}_i^{\mathsf{T}}{\mathbf{P}}_i{\mathbf{l}}_i$$

参数估计满足：

$$\mathbf{N}\hat{\mathbf{x}}=\mathbf{b}$$

第 $i$ 组残差为：

$${\mathbf{v}}_i={\mathbf{l}}_i-{\mathbf{A}}_i\hat{\mathbf{x}}$$

实际计算应求解线性方程，不宜显式形成 ${\mathbf{N}}^{-1}$。

8. 为什么不能直接比较残差平方和

第 $i$ 组加权残差平方和为：

$$q_i={\mathbf{v}}_i^{\mathsf{T}}{\mathbf{P}}_i{\mathbf{v}}_i$$

不能简单认为 $q_i$ 越大，该组精度就一定越差，因为：

• 各组观测数不同；
• 各组对公共参数的约束能力不同；
• 各组冗余贡献不同；
• 各组残差通过公共参数相互耦合。

真正应比较的是：

残差能量
与
该组能够形成的有效冗余信息

9. 从残差传递关系推导 Helmert 方程

假设第 $j$ 组真实协方差相对于当前协方差需要乘以修正因子 ${\alpha }_j$：

$$\mathrm{Cov}\left({\mathbf{e}}_j\right)={\alpha }_j{\mathbf{C}}_j$$

其中：

• ${\mathbf{C}}_j$：本轮平差使用的协方差；
• ${\alpha }_j$：无量纲尺度修正因子。

若 ${\alpha }_j>1$，说明当前协方差设置过小，应降低该组权值。

若 ${\alpha }_j<1$，说明当前协方差设置过大，可以提高该组权值。

9.1 残差传递矩阵

整体残差为：

$$\mathbf{v}=\left(\mathbf{I}-\mathbf{A}{\mathbf{N}}^{-1}{\mathbf{A}}^{\mathsf{T}}\mathbf{P}\right)\mathbf{e}$$

第 $i$ 组残差可写为：

$${\mathbf{v}}_i=\sum _{j=1}^m{\mathbf{B}}_{ij}{\mathbf{e}}_j$$

其中：

$${\mathbf{B}}_{ij}={\delta }_{ij}{\mathbf{I}}_{n_i}-{\mathbf{A}}_i{\mathbf{N}}^{-1}{\mathbf{A}}_j^{\mathsf{T}}{\mathbf{P}}_j$$

式中：

• ${\mathbf{I}}_{n_i}$：$n_i$ 阶单位矩阵；
• ${\mathbf{B}}_{ij}$：第 $j$ 组误差对第 $i$ 组残差的传递矩阵。

9.2 残差二次型期望

由于各组误差相互独立：

$$\mathbb{E}[q_i]=\sum _{j=1}^m{\alpha }_j\mathrm{tr}\left({\mathbf{P}}_i{\mathbf{B}}_{ij}{\mathbf{C}}_j{\mathbf{B}}_{ij}^{\mathsf{T}}\right)$$

定义：

$$s_{ij}=\mathrm{tr}\left({\mathbf{P}}_i{\mathbf{B}}_{ij}{\mathbf{C}}_j{\mathbf{B}}_{ij}^{\mathsf{T}}\right)$$

则：

$$\mathbb{E}[q_i]=\sum _{j=1}^m{s}_{ij}{\alpha }_j$$

用实际 $q_i$ 匹配其理论期望，就得到 Helmert 方差分量方程。

10. 独立分组模型下的严密 Helmert 方程

定义：

$$\mathbf{\alpha }=\left[\begin{array}{c}{\alpha }_1\\ {\alpha }_2\\ ⋮\\ {\alpha }_m\end{array}\right],\mathbf{q}=\left[\begin{array}{c}{q}_1\\ q_2\\ ⋮\\ q_m\end{array}\right]$$

Helmert 方程为：

$$\mathbf{S}\mathbf{\alpha }=\mathbf{q}$$

其中：

$$\mathbf{S}=\left[\begin{array}{cccc}{s}_{11}& s_{12}& \cdots & s_{1m}\\ s_{21}& s_{22}& \cdots & s_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ s_{m1}& s_{m2}& \cdots & s_{mm}\end{array}\right]$$

系数可统一写为：

$$s_{ij}={\delta }_{ij}{n}_i-2{\delta }_{ij}\mathrm{tr}\left({\mathbf{N}}^{-1}{\mathbf{N}}_i\right)+\mathrm{tr}\left({\mathbf{N}}^{-1}{\mathbf{N}}_i{\mathbf{N}}^{-1}{\mathbf{N}}_j\right)$$

对角元素为：

$$s_{ii}=n_i-2\mathrm{tr}\left({\mathbf{N}}^{-1}{\mathbf{N}}_i\right)+\mathrm{tr}\left[{\left({\mathbf{N}}^{-1}{\mathbf{N}}_i\right)}^2\right]$$

非对角元素为：

$$s_{ij}=\mathrm{tr}\left({\mathbf{N}}^{-1}{\mathbf{N}}_i{\mathbf{N}}^{-1}{\mathbf{N}}_j\right),i\ne j$$

右端项为：

$$q_i={\mathbf{v}}_i^{\mathsf{T}}{\mathbf{P}}_i{\mathbf{v}}_i$$

因此应求解：

$$\mathbf{S}\hat{\mathbf{\alpha }}=\mathbf{q}$$

式中：

• $\mathbf{S}$：方差分量系数矩阵；
• $\hat{\mathbf{\alpha }}$：尺度修正因子估计；
• $\mathbf{q}$：各组加权残差二次型。

实际计算应求解线性方程，而不是显式计算 ${\mathbf{S}}^{-1}$。

11. 怎样理解 $\mathbf{S}$ 矩阵

11.1 对角元素

$s_{ii}$ 表示第 $i$ 组误差对本组残差能量的有效贡献。

11.2 非对角元素

$s_{ij}$ 表示第 $j$ 组误差通过公共参数估计，对第 $i$ 组残差能量产生的耦合影响。

因此，严密 Helmert 方法不是“各组各算各的”，而是显式考虑组间耦合。

11.3 单组特殊情况

若只有一组观测：

$${\mathbf{N}}_1=\mathbf{N}$$

则：

$$s_{11}=n-u$$

因此：

$$\hat{\alpha }=\frac{{\mathbf{v}}^{\mathsf{T}}\mathbf{Pv}}{n-u}$$

这里需要区分：

• 若 $\mathbf{P}={\mathbf{Q}}^{-1}$，即权阵只包含协因数结构，则 $\hat{\alpha }$ 是单位权方差估计；
• 若 $\mathbf{P}$ 已包含当前绝对协方差尺度，则 $\hat{\alpha }$ 是对当前协方差的尺度修正因子。

12. 怎样更新协方差和权阵

12.1 保留绝对方差尺度

若 ${\hat{\alpha }}_i^{(r)}$ 表示第 $r$ 轮对当前协方差的修正因子，则：

$${\mathbf{C}}_i^{(r+1)}={\hat{\alpha }}_i^{(r)}{\mathbf{C}}_i^{(r)}$$

相应权阵为：

$${\mathbf{P}}_i^{(r+1)}=\frac{1}{{\hat{\alpha }}_i^{(r)}}{\mathbf{P}}_i^{(r)}$$

其中：

• $r$：迭代编号；
• ${\mathbf{C}}_i^{(r)}$：当前协方差；
• ${\mathbf{C}}_i^{(r+1)}$：更新后的协方差。

12.2 只更新相对权比

若只关心组间相对权比，可以选择正的归一化常数 $c^{(r)}$：

$${\mathbf{C}}_i^{(r+1)}=\frac{{\hat{\alpha }}_i^{(r)}}{c^{(r)}}{\mathbf{C}}_i^{(r)}$$

例如选定参考组 $r_0$：

$$c^{(r)}={\hat{\alpha }}_{r_0}^{(r)}$$

归一化不是 HVCE 的必需步骤。若要保留绝对方差尺度，不应丢弃公共尺度信息。

13. 为什么需要迭代

权阵影响参数和残差，残差又用于估计方差分量：

权值
→ 参数与残差

残差
→ 方差分量

方差分量
→ 新权值

典型过程为：

1. 给定初始协方差；
2. 完成加权最小二乘平差；
3. 计算各组残差二次型；
4. 解 Helmert 方程；
5. 更新协方差和权阵；
6. 重新平差；
7. 判断尺度是否稳定。

若保留绝对尺度，可使用：

$$\underset{i}{\max }\left|{\hat{\alpha }}_i^{(r)}-1\right|<\epsilon$$

其中：

• $\epsilon$：收敛阈值；
• 收敛时，本轮协方差不再需要明显修正。

实际工程中还应设置最大迭代次数，并对过大的尺度变化进行阻尼或限幅。

14. 简化方差分量估计

第 $i$ 组的有效冗余贡献为：

$$r_i=n_i-\mathrm{tr}\left({\mathbf{N}}^{-1}{\mathbf{N}}_i\right)$$

各组满足：

$$\sum _{i=1}^m{r}_i=n-u$$

其中：

$$n=\sum _{i=1}^m{n}_i$$

若当前权阵已经包含当前尺度，可构造简化修正因子：

$${\hat{\alpha }}_i^{\mathrm{simp}}\approx \frac{{\mathbf{v}}_i^{\mathsf{T}}{\mathbf{P}}_i{\mathbf{v}}_i}{r_i}$$

需要特别注意：

严格地说，$q_i/r_i$ 是把其他组的耦合影响合并到一个平均尺度中的近似。只有当第 $i$ 组自身贡献占主导、组间耦合较弱，或各组尺度已经比较接近时，才能把它近似解释为第 $i$ 组的独立尺度修正因子。

如果：

$${\mathbf{C}}_i={\sigma }_i^2{\mathbf{Q}}_i$$

且计算时只使用结构权阵：

$${\mathbf{P}}_{i,0}={\mathbf{Q}}_i^{-1}$$

则可写为：

$${\hat{\sigma }}_i^2\approx \frac{{\mathbf{v}}_i^{\mathsf{T}}{\mathbf{P}}_{i,0}{\mathbf{v}}_i}{r_i}$$

该式仍然是简化近似，不能替代强耦合条件下的严密 Helmert 方程。

15. HVCE 流程

16. 两组观测的直观例子

设有：

第1组：载波相位
第2组：伪距

初始时两组协方差都设为单位阵：

$${\mathbf{C}}_1^{(0)}=\mathbf{I},{\mathbf{C}}_2^{(0)}=\mathbf{I}$$

若第一次估计得到：

$${\hat{\alpha }}_1=1,{\hat{\alpha }}_2=10000$$

则：

$${\mathbf{C}}_2^{(1)}=10000{\mathbf{C}}_2^{(0)}$$

相应权阵变为：

$${\mathbf{P}}_2^{(1)}=\frac{1}{10000}{\mathbf{P}}_2^{(0)}$$

方差比为 $10000:1$，标准差比为：

$$\frac{{\sigma }_2}{{\sigma }_1}=100$$

权值与方差成反比，因此两组的标量权比约为：

$$\frac{w_2}{w_1}=\frac{1}{10000}$$

该例只用于说明方差比、标准差比和权比之间的关系。

17. HVCE 与其他方法的关系

17.1 与加权最小二乘

普通加权最小二乘：

权阵已知
→ 只估计参数

HVCE：

权阵只有初值
→ 估计参数和残差
→ 估计方差分量
→ 更新权阵
→ 重新平差

HVCE 可以理解为在加权最小二乘外层增加一个随机模型迭代环。

17.2 与自适应 Kalman 滤波

HVCE 更关注：

• 多观测组的方差尺度；
• 残差二次型和冗余贡献；
• 组间相对权比。

自适应 Kalman 滤波更关注：

• 噪声统计随时间变化；
• 新息和递推统计；
• 按历元在线调整 $\mathbf{Q}$、$\mathbf{R}$。

HVCE 可以嵌入 Kalman 滤波，但通常需要窗口累计或多历元冗余。

17.3 与抗差估计

HVCE 不是天然的粗差处理方法。

少量异常观测可能使整组方差被放大。因此通常应：

先进行粗差检测或抗差处理
→ 再进行方差分量估计

18. GNSS 分组与相关性问题

常见分组方式包括：

• 按观测类型：伪距、相位、多普勒；
• 按卫星系统：GPS、BDS、Galileo、GLONASS；
• 按系统与观测类型联合分组；
• 按接收机、测站或分析中心分组。

但需要注意：

分组不等于独立。

例如以下误差可能同时影响多个组：

• 接收机钟差；
• 对流层建模误差；
• 轨道和钟差产品误差；
• 同一卫星不同频点的多路径和硬件效应；
• 多分析中心共享的观测数据和模型。

若忽略明显的跨组相关性，HVCE 可能把公共误差错误地分配给某一组方差分量。

因此，强相关情况下应：

• 建立完整协方差模型；
• 增加交叉协方差分量；
• 使用更一般的 LS-VCE；
• 或重新设计分组方式。

19. 优势与高价值场景

HVCE 的主要优势是：

• 自动估计不同观测组的随机模型尺度；
• 减少完全依赖经验设权；
• 严密公式能够考虑组间参数耦合；
• 结果可以解释为方差比、标准差比和权比；
• 适合不同系统、观测类型和数据源的联合平差。

特别适合：

• 各组内部相对协方差结构已知，但总体尺度未知；
• 多种测量类型联合平差；
• 多 GNSS 系统组合；
• GNSS 与其他传感器融合；
• 多测站、多设备或多分析中心结果组合；
• 冗余充分的测量网或多历元数据。

HVCE 没有绝对独有的使用场景。MINQUE、REML、最大似然和 LS-VCE 等方法也能估计方差分量。

20. 局限性

20.1 需要足够冗余

若某组的冗余贡献接近零，则其方差尺度难以可靠估计。

20.2 对粗差敏感

经典残差二次型容易被离群值放大。

20.3 依赖正确分组和相关模型

错误分组或忽略跨组相关性都会影响结果。

20.4 可能得到负方差分量

样本不足、模型病态或不可辨识时，估计结果可能为负。

负方差没有直接物理意义，不能简单取绝对值。应检查：

• 冗余是否足够；
• 分组是否合理；
• 是否存在粗差；
• $\mathbf{S}$ 是否病态；
• 是否需要非负约束 VCE。

20.5 方差分量可能不可辨识

若两个协方差结构在残差空间中的作用几乎相同，则无法可靠区分它们的尺度。

20.6 参数协方差仍有近似性

使用估计后的方差分量代入：

$${\mathbf{C}}_{\hat{\mathbf{x}}}={\left({\mathbf{A}}^{\mathsf{T}}{\mathbf{C}}^{-1}\mathbf{A}\right)}^{-1}$$

得到的是条件于当前随机模型估计的参数协方差。

它通常没有计入“方差分量本身也存在估计误差”这一层不确定性，样本较少时可能偏乐观。

20.7 不能修复函数模型错误

系统误差、时间同步错误或未建模偏差不会因为方差增大而真正消失。

21. 非线性 GNSS 模型中的处理

GNSS 观测方程通常是非线性的。

实际流程应包含两层迭代：

内层：
线性化观测方程并求解参数

外层：
根据残差估计方差分量并更新权阵

当参数近似值发生明显变化时，应重新计算设计矩阵，再进行下一轮 HVCE。

不能在函数模型尚未收敛时，仅根据早期残差直接判断随机模型。

22. 工程实现建议

22.1 先进行质量控制

先处理：

• 周跳；
• 失锁；
• 明显粗差；
• 时间标签错误；
• 观测类型不匹配。

22.2 保留合理的组内随机模型

可写为：

$${\mathbf{C}}_i={\gamma }_i{\mathbf{C}}_{i,0}$$

其中：

• ${\mathbf{C}}_{i,0}$：第 $i$ 组基础协方差结构；
• ${\gamma }_i$：待估尺度因子。

22.3 设置尺度上下限和阻尼

为避免权值剧烈变化，可以采用：

$${\gamma }_i^{(r+1)}=\left(1-\eta \right){\gamma }_i^{(r)}+\eta {\gamma }_{i,\mathrm{new}}$$

其中：

• $\eta$：阻尼系数；
• $0<\eta \le 1$。

同时设置：

$${\gamma }_{\min }\le {\gamma }_i\le {\gamma }_{\max }$$

22.4 检查可辨识性

建议检查：

• 每组冗余贡献 $r_i$；
• $\mathbf{S}$ 的秩和条件数；
• 不同协方差结构是否高度相似；
• 估计结果是否对初值过于敏感。

22.5 避免显式求逆

优先使用：

• Cholesky 分解；
• QR 分解；
• 对称线性方程求解；
• 必要时使用 SVD 诊断秩亏。

23. 简化伪代码

输入：
    分组观测 li
    分组设计矩阵 Ai
    初始协方差 Ci
    收敛阈值 epsilon
    最大迭代次数 max_iter

for iteration = 1 ... max_iter:

    1. 根据Ci实现加权
       不显式形成inverse(Ci)

    2. 构造法方程：
       Ni = Ai^T * Pi * Ai
       N  = sum(Ni)
       b  = sum(Ai^T * Pi * li)

    3. 求解参数：
       solve(N * x_hat = b)

    4. 计算分组残差：
       vi = li - Ai * x_hat
       qi = vi^T * Pi * vi

    5. 严密Helmert方法：
       Xi = solve(N, Ni)

       sii = ni
             - 2 * trace(Xi)
             + trace(Xi * Xi)

       sij = trace(Xi * Xj)

       solve(S * alpha = q)

       或使用简化方法：
       ri = ni - trace(Xi)
       alpha_i ≈ qi / ri

    6. 更新协方差：
       绝对尺度：
           Ci_new = alpha_i * Ci

       仅相对权比：
           scale_i = alpha_i / alpha_reference
           Ci_new = scale_i * Ci

    7. 对负值、极端值和病态情况进行诊断
       必要时使用非负约束、阻尼和上下限

    8. 判断alpha_i是否接近1
       或累计相对尺度是否稳定

    9. 若未收敛：
       令Ci = Ci_new
       重新线性化并继续迭代

输出：
    参数估计x_hat
    最终协方差Ci
    方差分量或尺度修正因子
    组间权值比例

24. 总结

普通加权最小二乘：

权值已知
→ 估计参数

赫尔默特方差分量估计：

权值只有初值
→ 估计参数和残差
→ 估计各组方差尺度
→ 更新随机模型
→ 迭代至稳定

“方差分量”表示：

把总体协方差拆成多个已知结构
再估计每个结构的尺度

HVCE 的核心不是简单比较残差大小，而是同时利用：

残差二次型
+
冗余贡献
+
观测组之间的参数耦合

最关键的一句话是：

赫尔默特方差分量估计解决的不是“观测值应该是多少”，而是“不同观测组应该信任多少”。