. کشف مشاهدات اشتباه یک مرحله اولیه در بسیاری از کاربردهای ژئودتیک است. یک روش موثر پالایش داده بر اساس تئوری باردا است که در آن اشتباهات به صورت تک‌به‌تک کشف می‌گردد و مدل ریاضی به صورت یک روش تکراری سازگار می‌گردد. بار محاسباتی این روش زمانی که تعداد زیادی اشتباه در مشاهدات وجود داشته باشد زیاد می‌گردد. در این مقاله کوشش می کنیم تا این روش کشف اشتباهات را بهینه کنیم. یک استراتژی محاسباتی جدید به منظور ساده‌سازی کشف مشاهدات اشتباه در یک مدل خطی ارائه می‌گردد. کارایی این روش هنگامی که تعداد زیادی پارامتر مجهول در مدل وجود داشته باشد بیشتر می‌شود. در روش سنتی این موضوع باعث معکوس کردن ماتریس معادلات نرمال با ابعاد بزرگ در یک فرآیند متوالی می‌گردد. این امر اما در روش ارائه شده اجتناب می‌گردد. برای دو مجموعه دیتای واقعی نشان داده می‌شود که نتایج روش با نتایج روش باردا یکسان است اما این نتایج در زمان کمتری بدست می‌آید. همچنین برای دیتاهای شبیه‌سازی شده با 2000 مشاهده و 1000 پارامتر مجهول روش ارائه شده 3 مرتبه از روش سنتی سریع‌تر است. سرعت روش ارائه شده هنگامی که پارامترهای مجهول افزایش یابد بیشتر می‌شود.
A. R. Amiri-Simkooei, H. Ansari, M. A. Sharifi. Application of Recursive Least Squares to Efficient Blunder Detection in Linear Models. JGST 2015; 5 (2) :258-267 URL: http://jgst.issgeac.ir/article-1-154-fa.html
امیری سیمکویی علیرضا، انصاری هما، شریفی محمد علی. کاربرد روش کمترین مربعات بازگشتی در کشف موثر اشتباهات در مدل های خطی. علوم و فنون نقشه برداری. 1394; 5 (2) :258-267
