精华内容
下载资源
问答
  • 定位误差分析计算综合实例 定位误差分析计算综合实例 定位误差的分析与计算在夹具设计中占有重要的地位定位误差的大小是定位方案能否确定的重要依据为了掌握定位误差计算的相关知识本小节将给出一些计算实例抛砖引玉...
  • 9点EXCEL计算公式

    千次阅读 2018-10-11 09:14:02
    9点平面度EXCEL计算公式-对角线法 文末链接 本公式采用9点对角线法,计算平面误差, 如图所示平均分布采样9点,X方向与Y方向采点间距可以不相同 公式详解 第一次坐标转换 以A1点为0点 这里再以C3点(对角线点)...

    9点平面度EXCEL计算公式-对角线法


    文末链接
    本公式采用9点对角线法,计算平面度误差,
    如图所示平均分布采样9点,X方向与Y方向采点间距可以不相同
    在这里插入图片描述

    自动计算出平面度

    公式详解
    第一次坐标转换
    以A1点为0点
    在这里插入图片描述
    这里再以C3点(对角线点)为0点做一次旋转,求得旋转量P和Q
    得到第二次坐标转换

    展开全文
  • --由坐标经度计算平面误差距离,小数点后6位经纬度误差约0.1m--wkid=4490是地理坐标系2000,wkid=4549是平面坐标系2000的120度分带 --使用ArcSDE计算两个经纬度坐标点之间的平面距离 select sde.st_distance(sde....

    --由坐标经度计算平面误差距离,小数点后6位经纬度误差约0.1m
    --wkid=4490是地理坐标系2000,wkid=4549是平面坐标系2000的120度分带

    --使用ArcSDE计算两个经纬度坐标点之间的平面距离

    select sde.st_distance(sde.st_transform(sde.st_geometry('point(119.391162 36.858312)',4490),4549),sde.st_transform(sde.st_geometry('point(119.391161 36.858311)',4490),4549)) ;

    --小数点后3位的经纬度在平面上的误差为100m

    select sde.st_distance(sde.st_transform(sde.st_geometry('point(119.391 36.858)',4490),4549),sde.st_transform(sde.st_geometry('point(119.392 36.859)',4490),4549))

     

    展开全文
  • 误差计算

    2018-08-07 11:53:46
    可以批量计算碎部点的平面误差、高程中误差等,简单快捷
  • 本文就平面的误差的数学模型与最小乘法建立理想平面的数学模型展开分析讨论;并结合事例分析,得出较客观的评定平面误差或测量较大的平面度误差,最小二乘法是最佳的方法。
  • 应用给定平面内直线度误差最小区域值的计算公式,按“删点原理”找出构成最小包容区域的3个特征点及其坐标,通过微机处理求解给定平面内直线度误差的最小区域值。
  • 拟合数据和原始数据误差计算

    千次阅读 2021-01-16 19:11:09
    拟合数据和原始数据误差计算 一、SSE(和方差) 该统计参数计算的是拟合数据和原始数据对应点的误差的平方和,计算公式如下 SSE越接近于0,说明模型选择和拟合更好,数据预测也越成功。接下来的MSE和RMSE因为和SSE是...

    拟合数据和原始数据误差计算

    一、SSE(和方差)
    计算拟合数据和原始数据对应点的误差的平方和,计算公式如下
    在这里插入图片描述
    SSE越接近于0,说明模型选择和拟合更好,数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗,所以效果一样,w表示权重。

    二、MSE(均方差)
    预测数据和原始数据对应点误差平方和的均值,也就是SSE/n,计算公式如下
    在这里插入图片描述
    三、RMSE(均方根)
    该统计参数,也叫回归系统的拟合标准差,是MSE的平方根,就算公式如下
    在这里插入图片描述
    转载于:https://blog.csdn.net/l18930738887/article/details/50629409?utm_medium=distribute.pc_relevant.none-task-blog-OPENSEARCH-3.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-3.control

    展开全文
  • 几种常见的距离计算公式

    万次阅读 2019-10-20 10:41:59
    我们常用的距离计算公式是欧几里得距离公式,但是有时候这种计算方式会存在一些缺陷,那么就需要另外的计算方法去加以补充,本文将介绍几种在机器学习中常用的计算距离。 在做很多研究问题时常常需要估算不同样本...

    在学习分类、聚类、预测、推荐算法的过程中常常会遇到比较两个或多个对象的相似性,而相似性的度量可以通过计算距离来实现。我们常用的距离计算公式是欧几里得距离公式,但是有时候这种计算方式会存在一些缺陷,那么就需要另外的计算方法去加以补充,本文将介绍几种在机器学习中常用的计算距离。
    在做很多研究问题时常常需要估算不同样本之间的相似性度量(Similarity Measurement),这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究,甚至关系到分类的正确与否。

    1. 欧氏距离
      欧式距离就是“两点”之间的直线距离。
      (1)二维平面上两点 a ( x 1 , y 1 ) a(x_1,y_1) a(x1,y1) b ( x 2 , y 2 ) b(x_2,y_2) b(x2,y2)间的欧氏距离:
      在这里插入图片描述
      (2)两个n维向量 a ( x 11 , x 12 , … , x 1 n ) a(x_{11},x_{12},…,x_{1n}) a(x11,x12,,x1n) b ( x 21 , x 22 , … , x 2 n ) b(x_{21},x_{22},…,x_{2n}) b(x21,x22,,x2n)间的欧氏距离:​
      在这里插入图片描述

    2. 曼哈顿距离
      曼哈顿距离又称城市街区距离,不是直线距离。
      (1)二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离
      在这里插入图片描述
      (2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的曼哈顿距离
      在这里插入图片描述

    3. 切比雪夫距离
      (1)二维平面两点a(x1,y1)与b(x2,y2)间的切比雪夫距离
      在这里插入图片描述
      (2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的切比雪夫距离
      在这里插入图片描述

    4. 闵氏距离
      两个n维变量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的闵可夫斯基距离定义为:
      在这里插入图片描述
      其中p是一个变参数。
      闵氏距离定义的是一组距离公式,它包括欧式距离、曼哈顿距离和切比雪夫距离
      当p=1时,是曼哈顿距离
      当p=2时,是欧氏距离
      当p→∞时,是切比雪夫距离
      总结:闵氏距离存在明显的缺点。
        举个例子:二维样本(身高,体重),其中身高范围是150190,体重范围是5060,有三个样 本:a(180,50),b(190,50),c(180,60)。那么a与b之间的闵氏距离(无论是曼哈顿距离、欧氏距离或切比雪夫距离)等于a与c之 间的闵氏距离,但是身高的10cm真的等价于体重的10kg么?因此用闵氏距离来衡量这些样本间的相似度很有问题。
      闵氏距离的缺点主要有两个:(1)将各个分量的量纲(scale),也就是“单位”当作相同的看待了。(2)没有考虑各个分量的分布(期望,方差等)可能是不同的。

    5. 标准化欧氏距离
      针对原始的欧式距离的不足,提出了标准化欧氏距离公式,两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的标准化欧氏距离的公式:
      在这里插入图片描述
      假设样本集X的均值(mean)为m,标准差(standard deviation)为s,那么X的“标准化变量”表示为:
      在这里插入图片描述
      标准化后的值 = ( 标准化前的值 - 分量的均值 ) /分量的标准差
      其中,一组数的标准差 S N S_N SN可以表示为:
      在这里插入图片描述
      平均值为:
      在这里插入图片描述
      贝赛尔修正
      在上面的标准差公式中,存在一个值为N的分母,其作用为将计算得到的累积偏差进行平均,从而消除数据集大小对计算数据离散程度所产生的影响。不过,使用N所计算得到的方差及标准差只能用来表示该数据集本身(population)的离散程度;如果数据集是某个更大的研究对象的样本(sample),也就说数据是取样出来的,那么在计算该研究对象的离散程度时,就需要对上述方差公式和标准差公式进行贝塞尔修正,将N替换为N-1:
      在这里插入图片描述
      是否使用贝塞尔修正,是由数据集的性质来决定的:如果只想计算数据集本身的离散程度(population),那么就使用未经修正的公式;如果数据集是一个样本(sample),而想要计算的则是样本所表达对象的离散程度,那么就使用贝塞尔修正后的公式。在特殊情况下,如果该数据集相较总体而言是一个极大的样本 (比如一分钟内采集了十万次的IO数据) — 在这种情况下,该样本数据集不可能错过任何的异常值(outlier),此时可以使用未经修正的公式来计算总体数据的离散程度。

    6. 余弦相似度
      余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,这就叫"余弦相似性"。下面看一下余弦函数的图像:
      在这里插入图片描述
      在这里插入图片描述
      余弦相似性推导公式如下:
      在这里插入图片描述
      (1)在二维空间中向量A(x1,y1)与向量B(x2,y2)的夹角余弦公式:
      在这里插入图片描述
      (2) 两个n维样本点a(x11,x12,…,x1n)和b(x21,x22,…,x2n)的夹角余弦
      在这里插入图片描述
      即:
      在这里插入图片描述
      欧氏距离和余弦相似度的联系:
      假设二维空间两个点,
      在这里插入图片描述
      然后归一化为单位向量,
      在这里插入图片描述
      那么余弦相似度就是:
      在这里插入图片描述
      (分母是1,省略了)
      欧式距离就是:
      在这里插入图片描述
      化简后就是:
      在这里插入图片描述
      总结:夹角余弦取值范围为[-1,1]。夹角余弦越大表示两个向量的夹角越小,夹角余弦越小表示两向量的夹角越大。当两个向量的方向重合时夹角余弦取最大值1,当两个向量的方向完全相反夹角余弦取最小值-1。根据欧氏距离(或曼哈顿距离、切比雪夫距离、闵氏距离等)和余弦相似度各自的计算方式和衡量特征,分别适用于不同的数据分析模型:
      欧氏距离能够体现个体数值特征的绝对差异,所以更多的用于需要从维度的数值大小中体现差异的分析,如使用用户行为指标分析用户价值的相似度或差异;而余弦相似度更多的是从方向上区分差异,而对绝对的数值不敏感,更多的用于使用用户对内容评分来*区分用户兴趣的相似度和差异,同时修正了用户间可能存在的度量标准不统一的问题(因为余弦相似度对绝对数值不敏感)。

    7. 马氏距离
      马氏距离(Mahalanobis Distance)是一种距离的度量,可以看作是欧氏距离的一种修正,修正了欧式距离中各个维度尺度不一致且相关的问题。马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标,同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。但却可以应对高维线性分布的数据中各维度间非独立同分布的问题。
      有M个样本向量X1~Xm,协方差矩阵记为S,均值记为向量μ(一个特征或一个维度上计算均值,等于维度的个数),则其中样本向量X到u的马氏距离表示为:
      在这里插入图片描述
      而其中向量Xi与Xj之间的马氏距离定义为:
      在这里插入图片描述
      在这里插入图片描述
      协方差矩阵S的介绍:
      (1)协方差,在概率论和统计学中,协方差用于衡量两个变量(就是两个特征或者维度)的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差Cov(X,Y)定义为:
      在这里插入图片描述
      在这里插入图片描述
      如果两个变量的变化趋势一致,也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值,那么两个变量之间的协方差就是正值;如果两个变量的变化趋势相反,即其中一个变量大于自身的期望值时另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值。如果X与Y是统计独立的,那么二者之间的协方差就是0,因为两个独立的随机变量满足E[XY]=E[X]E[Y]。但是,反过来并不成立。即如果X与Y的协方差为0,二者并不一定是统计独立的。协方差Cov(X,Y)的度量单位是X的协方差乘以Y的协方差。而取决于协方差的相关性,是一个衡量线性独立的无量纲的数。协方差为0的两个随机变量称为是不相关的。
      当X,Y是同一个随机变量时,X与其自身的协方差就是X的方差,可以说方差是协方差的一个特例。
      在这里插入图片描述

      在这里插入图片描述
      (2)对多个维度(特征) X = [ X 1 , X 2 , X 3 , . . . , X n ] T \textbf X=[X_1, X_2, X_3, ..., X_n]^T X=[X1,X2,X3,...,Xn]T,需要计算各维度两两维度(特征)之间的协方差,这样各协方差组成了一个 n ∗ n n*n nn的矩阵,称为协方差矩阵。协方差矩阵是个对称矩阵,对角线上的元素是各维度上随机变量的方差。我们定义协方差矩阵为S。矩阵内的元素 S i j S_{ij} Sij为:
        S i j = cov ⁡ ( X i , X j ) = E ⁡ [ ( X i − E ⁡ [ X i ] ) ( X j − E ⁡ [ X j ] ) ] \ S_{ij}=\operatorname{cov}(X_i,X_j)=\operatorname{E}\big[(X_i-\operatorname{E}[X_i])(X_j-\operatorname{E}[X_j])\big]  Sij=cov(Xi,Xj)=E[(XiE[Xi])(XjE[Xj])]
      这样,这个矩阵为:
        S = E ⁡ [ ( X − E ⁡ [ X ] ) ( X − E ⁡ [ X ] ) T ] \ S=\operatorname{E}\big[(\textbf X-\operatorname{E}[\textbf X]\big)(\textbf X-\operatorname{E}[\textbf X])^T]  S=E[(XE[X])(XE[X])T]仅代表n个维度而已
      在这里插入图片描述
      在这里插入图片描述
      若协方差矩阵是单位矩阵(各个样本向量之间独立同分布),则公式就成了:
      在这里插入图片描述
      即欧氏距离。若协方差矩阵是对角矩阵,公式变成了标准化欧氏距离。
      总结
      优点:(1)它不受量纲的影响,两点之间的马氏距离与原始数据的测量单位无关。(它考虑到各种特性之间的联系(例如:一条关于身高的信息会带来一条关于体重的信息,因为两者是有关联的)并且是尺度无关的(scale-invariant),即独立于测量尺度);(2)马氏距离还可以排除变量之间的相关性的干扰。
      缺点:(1)夸大了变化微小的变量的作用。(2)受协方差矩阵不稳定的影响,马氏距离并不总是能顺利计算出。即计算马氏距离过程中,要求总体样本数大于样本的维数,否则得到的总体样本协方差矩阵逆矩阵不存在。(3)如果样本的维数非常大,那么计算它的协方差矩阵是十分耗时的

    8. 汉明距离
      在信息理论中,Hamming Distance 表示两个等长字符串在对应位置上不同字符的数目,我们以d(x, y)表示字符串x和y之间的汉明距离。从另外一个方面看,汉明距离度量了通过替换字符的方式将字符串x变成y所需要的最小的替换次数。如:
      1011101 与 1001001 之间的汉明距离是 2。
      2143896 与 2233796 之间的汉明距离是 3。
      “toned” 与 “roses” 之间的汉明距离是 3。

    9. 巴氏距离
      在统计中,Bhattacharyya距离测量两个离散或连续概率分布的相似性。它与衡量两个统计样品或种群之间的重叠量的Bhattacharyya系数密切相关。Bhattacharyya距离和Bhattacharyya系数以20世纪30年代曾在印度统计研究所工作的一个统计学家A. Bhattacharya命名。同时,Bhattacharyya系数可以被用来确定两个样本被认为相对接近的,它是用来测量中的类分类的可分离性。
      (1)巴氏距离的定义对于离散概率分布 p和q在同一域 X,它被定义为:
      在这里插入图片描述
      其中:
      在这里插入图片描述
      是Bhattacharyya系数。对于连续概率分布,Bhattacharyya系数被定义为:
      在这里插入图片描述
      在这里插入图片描述这两种情况下,巴氏距离在这里插入图片描述并没有服从三角不等式.(值得一提的是,Hellinger距离不服从三角不等式在这里插入图片描述)。
      对于多变量的高斯分布
      在这里插入图片描述
      在这里插入图片描述
      和是手段和协方差的分布
      在这里插入图片描述
      需要注意的是,在这种情况下,第一项中的Bhattacharyya距离与马氏距离有关联。
      (2)Bhattacharyya系数Bhattacharyya系数是两个统计样本之间的重叠量的近似测量,可以被用于确定被考虑的两个样本的相对接近。计算Bhattacharyya系数涉及集成的基本形式的两个样本的重叠的时间间隔的值的两个样本被分裂成一个选定的分区数,并且在每个分区中的每个样品的成员的数量,在下面的公式中使用
      在这里插入图片描述
      考虑样品a 和 b ,n是的分区数,并且在这里插入图片描述被一个 和 b i的日分区中的样本数量的成员。

    10. 杰卡德相似系数(Jaccard similarity coefficient)
      (1) 杰卡德相似系数
      两个集合A和B的交集元素在A,B的并集中所占的比例,称为两个集合的杰卡德相似系数,用符号J(A,B)表示。
      在这里插入图片描述
      杰卡德相似系数是衡量两个集合的相似度一种指标。
      (2) 杰卡德距离
      与杰卡德相似系数相反的概念是杰卡德距离(Jaccard distance)。杰卡德距离可用如下公式表示:
      在这里插入图片描述
      杰卡德距离用两个集合中不同元素占所有元素的比例来衡量两个集合的区分度。
      (3) 杰卡德相似系数与杰卡德距离的应用
      可将杰卡德相似系数用在衡量样本的相似度上。
      本A与样本B是两个n维向量,而且所有维度的取值都是0或1。例如:A(0111)和B(1011)。我们将样本看成是一个集合,1表示集合包含该元素,0表示集合不包含该元素。
      p :样本A与B都是1的维度的个数
      q :样本A是1,样本B是0的维度的个数
      r :样本A是0,样本B是1的维度的个数
      s :样本A与B都是0的维度的个数
      那么样本A与B的杰卡德相似系数可以表示为:
      这里p+q+r可理解为A与B的并集的元素个数,而p是A与B的交集的元素个数。
      而样本A与B的杰卡德距离表示为:
      在这里插入图片描述

    11. 相关系数 ( Correlation coefficient )与相关距离(Correlation distance)
      相关距离:
      在这里插入图片描述
      其中, ρ X Y ρ_{XY} ρXY是相关系数:
      在这里插入图片描述
      相关系数是衡量随机变量X与Y相关程度的一种方法,相关系数的取值范围是[-1,1]。相关系数的绝对值越大,则表明X与Y相关度越高。当X与Y线性相关时,相关系数取值为1(正线性相关)或-1(负线性相关)。协方差公式请见马氏距离的介绍或者博客马氏距离-协方差矩阵

    12. 信息熵(Information Entropy)
      信息熵是衡量分布的混乱程度或分散程度的一种度量。分布越分散(或者说分布越平均),信息熵就越大。分布越有序(或者说分布越集中),信息熵就越小。
      计算给定的样本集X的信息熵的公式:
      在这里插入图片描述
      参数的含义:
      n:样本集X的分类数
      p i p_i pi:X中第i类元素出现的概率

      信息熵越大表明样本集X分类越分散,信息熵越小则表明样本集X分类越集中。当X中n个分类出现的概率一样大时(都是1/n),信息熵取最大值log2(n)。当X只有一个分类时,信息熵取最小值0。

    展开全文
  • GPS 经纬度换算方法和定位误差计算

    千次阅读 2019-10-17 17:59:56
    经纬度的表示  1884年国际经度会议规定,以通过英国伦敦格林威治天文台子午仪中心的经线为0°经线。...被切的这个平面,叫赤道面。赤道面与地球表面相交的线叫赤道。纬线从赤道往两极越来越短,到...
  • 这个程序的作用是输入三角化和观测点的地图坐标和位姿,输出计算图像平面重投影误差
  • 重投影误差

    万次阅读 2016-11-30 09:44:49
    重投影误差 ...比如在计算平面单应矩阵和投影矩阵的时候,往往会使用重投影误差来构造代价函数,然后最小化这个代价函数,以优化单应矩阵或者投影矩阵。之所以使用重投影误差,是因为它不光考虑了单应...
  • 文章目录摄像机标定结果精度评价1 图像重投误差ErmsE_{rms}Erms​2 归一化标定误差EnceE_{nce}Ence​3 空间点与模型计算点的距离误差EptE_{pt}Ept​4 空间点到投影射线的距离误差ErayE_{ray}Eray​5 模型计算点之间...
  • 最小二乘法计算平面

    千次阅读 2020-08-13 23:42:16
    在已知平面内数据点的三维坐标的情况下,求解平面方程的参数。已知平面的方程式为: z=ax+by+c z=ax+by+c z=ax+by+c 通过深度相机检测到平面上的n个点云数据。通过最小二乘法,可以求解平面的参数:a,b,ca,b,ca,b,c...
  • 本文推导了串联体系的等价平面法(EPM法)的解析公式,在此基础上提出了改进的等价平面法(IEPM法),该方法既可以计算串联体系也可以计算并联体系的失效概率,解决了体系可靠度在各失效模式相关性较强时近似计算误差
  • 计算点到SVM超平面的距离

    千次阅读 2016-12-14 10:47:35
    最近在看的资料里涉及到计算 点到支持向量机分类超平面的距离 这一点内容,我使用的svm是libsvm。 由于是新手,虽然看了一些资料,但中英转换误差等等原因导致经常出现理解错误,因此对libsvm的了解是磕磕绊绊。在...
  • 假设f(x,y)f(x,y)f(x,y)在全平面内存在且足够的光滑,求fxy(x0,y0)f_{xy}(x_0,y_0)fxy​(x0​,y0​)的计算式与误差阶 引理一: 若fxy(x0,y0),fyx(x0,y0)f_{xy}(x_0,y_0),f_{yx}(x_0,y_0)fxy​(x0​,y0​),fyx​(x0​...
  • 1.单纯移轴.  设Oxy,O'x'y'是两个直角坐标系,坐标轴有相同的...在移轴下,坐标转换公式是   x=x'+x0, y=y'+y0. 2.单纯转轴. 设新旧坐标系有相同的坐标原点O,由Ox到Ox'的角度为t,坐标转换公式是   x=x'cost-y'
  • 内置公式,把坐标输进去自动计算误差
  • 分析了平面微弹簧在某种MEMS引信安全保险机构中的作用,利用力学能量法推导出了“L型”、“S型”及“W型”微弹簧弹性系数计算公式,解决了目前相关MEMS弹簧没有成熟设计公式的问题。在理论推导过程中,利用有限元...
  • 本文章主要分析,标定过程中的误差计算公式,和对calibrateCamera( ) 和 projectPoints( )两个函数得到的误差,不同的原因进行分析。本文是重点分析重投影误差的计算方式。准确描述opencv自带的函数,和各个博客、...
  • 框式水平仪测量作图法复习、框式水平仪的精度与刻线原理方框式水平仪的精度是以气泡偏移一格时,被测平面在l m长度内的高度差来表示的。如水平仪偏移一格,平面在l m长度内的高度差为0.02 mm,则水平仪的精度就是...
  • 在确定多绳摩擦提升系统井口相对位置时,相关设计手册计算公式均存在着一定误差,尤其是钢丝绳上出绳角和下出绳角计算误差直接影响到摩擦轮围抱角的计算精度,进而影响到提升系统的防滑计算。此外,井口其它参数(弦长、...
  • 因为我们是获取手机的gps坐标,我们起先是使用的甲方提供的坐标转换服务,发现84大地转到深圳独立坐标(深圳高斯平面坐标)时精度误差极大。于是甲方给我们提供了部分控制点信息,让我们自己去完成坐标的转换,不再...
  • 同时推导误差解析法计算公式,对软件建模实例进行误差分析,结果证明该建模方法是有效、可行的.该方法使得平面二包环面蜗杆复杂的建模过程简单化,提高了设计效率,有利于平面二包环面蜗杆的推广使用.
  •  式(1-1)表明,为了计算绝对误差,必须先知道真值。因此,求真值的问题成为误差理论的一个重要问题。  真值是指严格定义的量的理论值,一个量的真值是一个理论概念。任何可得到的值都是通过测量获得的,与理论...
  • GPS从入门到放弃(十六)— 卫星时钟误差和卫星星历误差 卫星时钟误差 GPS卫星时钟误差(简称卫星钟差)是指GPS卫星时钟与GPS标准时间之间的差值。尽管GPS卫星采用了高精度的原子钟来保证时钟的精度,具有比较长期的...
  • 在分析电子罗盘安装误差角产生机理的基础上,建立了安装误差模型,推导了安装误差角的补偿公式,提出了安装误差角标定方案。,通过计算机仿真验证了安装误差角求解算法的正确性。在不同倾角平面上进行了安装误差角...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 17,158
精华内容 6,863
关键字:

平面误差计算公式