matlabgps工具箱

⑴ 吳良才的發表論著

(英文論文略）
7 基於遺傳神經網路的GPS高程轉換方法. 桂林理工大學學報. 2010(2). (核心期刊)
8 GPS高程迭加擬合模型的研究. 西安科技大學學報. 2009(3). (核心期刊)
9BP神經網路轉換GPS高程的若干問題探討. 工程勘察,2008(1).核心期刊)
10 轉換GPS高程的遺傳神經網路方法. 測繪科學技術學報,2007(2).(核心期刊)
11 GPS高程轉換方法和正常高計算. 測繪學院學報2004(4).(核心期刊)
12 基於神經網路的GPS高程轉換方法. 工程勘察,2004(1).(核心期刊)
13 關於GPS網平面基準點可靠性分析. 測繪通報,2003(1).(核心期刊)
14知識經濟時代土地管理與可持續發展.江西社會科學,2003(3).(核心期刊)
15 地形圖幾何校正的精度評價.計算機應用研究,2004(7).(核心期刊)
16 地下管線三維模型的實現. 測繪科學,2005(6).(核心期刊)
17 土地覆蓋/利用樣本影像資料庫的建立. 測繪科學,2006(2).(核心期刊)
18 LUCC的不確定性研究. 水利科技與經濟. 2006(10)
19 基於模糊控制土地價格評估. 東華理工學院學報.2004(2)
20 基於ArcIMS構建WebGIS-T信息化服務理論研究. 東華理工學院學報.2007(1)
21 基於GADS工具箱的GPS高程擬合方法. 東華理工大學學報. 2009(1)
22 基於TM影像城鎮居民地空間信息提取.曲阜師范大學學報2007(6)
23 基於ArcGIS Server的企業級WEBGIS的設計與開發. 湖北民族學院學報. 2008(4)
24 補償最小二乘在GPS高程擬合中應用及平滑參數選取. 礦山測量. 2009(1)
25 關於BP神經網路轉換GPS高程的若干問題. 測繪工程 2006(3)
26 Arc SED版本管理機制在供水管網系統中的設計與實現. 內江科技. 2008(12)
27 未采區段地質條件影響因素統計預測. 礦山測量2003(2)
28 基於遺傳演算法的GPS高程轉換. 水利科技與經濟 2006(2)
29 地下管線矢量圖網上瀏覽的實現. 礦山測量2005(2).
30 基於遺傳演算法的神經網路在GPS高程擬合中的應用.礦山測量2004(2)
31 基於MATLAB遺傳神經網路在GPS高程轉換中的應用.礦山測量2006(3)
32城市土地定級與估價.中國礦業大學出版社2003
33地下工程測量.測繪出版社2005

⑵ 汽車gps導航接線圖

1、首先將專用工具插入CD播放機兩側的孔中，將其插入末端，然後將其拔出！然後拔下機器後面的電纜，如圖所示。

⑶ 地下水位監測系統的MATLAB實現程序

土壤環境監測技術規范

4采樣准備
4.1組織准備
由具有野外調查經驗且掌握土壤采樣技術規程的專業技術人員組成采樣組，采樣前組織學習有關技術文件，了解監測技術規范。

4.2資料收集
收集包括監測區域的交通圖、土壤圖、地質圖、大比例尺地形圖等資料，供製作采樣工作圖和標注采樣點位用。
收集包括監測區域土類、成土母質等土壤信息資料。
收集工程建設或生產過程對土壤造成影響的環境研究資料。
收集造成土壤污染事故的主要污染物的毒性、穩定性以及如何消除等資料。
收集土壤歷史資料和相應的法律（法規）。
收集監測區域工農業生產及排污、污灌、化肥農葯施用情況資料。
收集監測區域氣候資料（溫度、降水量和蒸發量）、水文資料。
收集監測區域遙感與土壤利用及其演變過程方面的資料等。

4.3現場調查
現場踏勘，將調查得到的信息進行整理和利用，豐富采樣工作圖的內容。

4.4采樣器具准備
4.4.1工具類：鐵鍬、鐵鏟、圓狀取土鑽、螺旋取土鑽、竹片以及適合特殊采樣要求的工具等。
4.4.2器材類：GPS、羅盤、照相機、膠卷、捲尺、鋁盒、樣品袋、樣品箱等。
4.4.3文具類：樣品標簽、采樣記錄表、鉛筆、資料夾等。
4.4.4安全防護用品：工作服、工作鞋、安全帽、葯品箱等。
4.4.5采樣用車輛
4.5監測項目與頻次

監測項目分常規項目、特定項目和選測項目；監測頻次與其相應。
常規項目：原則上為GB 15618《土壤環境質量標准》中所要求控制的污染物。
特定項目：GB 15618《土壤環境質量標准》中未要求控制的污染物，但根據當地環境污染狀況，確認在土壤中積累較多、對環境危害較大、影響范圍廣、毒性較強的污染物，或者污染事故對土壤環境造成嚴重不良影響的物質，具體項目由各地自行確定。
選測項目：一般包括新納入的在土壤中積累較少的污染物、由於環境污染導致土壤性狀發生改變的土壤性狀指標以及生態環境指標等，由各地自行選擇測定。
土壤監測項目與監測頻次見表4-1。監測頻次原則上按表4-1執行，常規項目可按當地實際適當降低監測頻次，但不可低於5年一次，選測項目可按當地實際適當提高監測頻次。

表4-1 土壤監測項目與監測頻次

項目類別 監測項目 監測頻次
常規項目 基本項目 pH、陽離子交換量 每年一次
農田在夏收或秋收後采樣
重點項目 鎘、鉻、汞、砷、鉛、銅、鋅、鎳
六六六、滴滴涕
特定項目（污染事故） 特徵項目 及時采樣，根據污染物變化趨勢決定監測頻次

選測項目 影響產量項目 全鹽量、硼、氟、氮、磷、鉀等
每年監測一次
農田在夏收或秋收後采樣
污水灌溉項目 氰化物、六價鉻、揮發酚、烷基汞、苯並[a]芘、有機質、硫化物、石油類等
POPs與高毒類農葯 苯、揮發性鹵代烴、有機磷農葯、PCB、PAH等

其他項目 結合態鋁（酸雨區）、硒、釩、氧化稀土總量、鉬、鐵、錳、鎂、鈣、鈉、鋁、硅、放射性比活度等

5布點與樣品數容量
5.1「隨機」和「等量」原則
樣品是由總體中隨機採集的一些個體所組成，個體之間存在變異，因此樣品與總體之間，既存在同質的「親緣」關系，樣品可作為總體的代表，但同時也存在著一定程度的異質性的，差異愈小，樣品的代表性愈好；反之亦然。為了達到採集的監測樣品具有好的代表性，必須避免一切主觀因素，使組成總體的個體有同樣的機會被選入樣品，即組成樣品的個體應當是隨機地取自總體。另一方面，在一組需要相互之間進行比較的樣品應當有同樣的個體組成，否則樣本大的個體所組成的樣品，其代表性會大於樣本少的個體組成的樣品。所以「隨機」和「等量」是決定樣品具有同等代表性的重要條件。

5.2布點方法
5.2.1簡單隨機
將監測單元分成網格，每個網格編上號碼，決定采樣點樣品數後，隨機抽取規定的樣品數的樣品，其樣本號碼對應的網格號，即為采樣點。隨機數的獲得可以利用擲骰子、抽簽、查隨機數表的方法。關於隨機數骰子的使用方法可見GB10111《利用隨機數骰子進行隨機抽樣的辦法》。簡單隨機布點是一種完全不帶主觀限制條件的布點方法。
5.2.2分塊隨機
根據收集的資料，如果監測區域內的土壤有明顯的幾種類型，則可將區域分成幾塊，每塊內污染物較均勻，塊間的差異較明顯。將每塊作為一個監測單元，在每個監測單元內再隨機布點。在正確分塊的前提下，分塊布點的代表性比簡單隨機布點好，如果分塊不正確，分塊布點的效果可能會適得其反。
5.2.3系統隨機
將監測區域分成面積相等的幾部分（網格劃分），每網格內布設一采樣點，這種布點稱為系統隨機布點。如果區域內土壤污染物含量變化較大，系統隨機布點比簡單隨機布點所采樣品的代表性要好。
圖5-1 布點方式示意圖

5.3基礎樣品數量
5.3.1由均方差和絕對偏差計算樣品數
用下列公式可計算所需的樣品數：
N=t2s2/D2
式中：N為樣品數；
t為選定置信水平（土壤環境監測一般選定為95%）一定自由度下的t值（附錄A）；
s2為均方差，可從先前的其它研究或者從極差R（s2=（R/4）2）估計；
D為可接受的絕對偏差。

示例：
某地土壤多氯聯苯（PCB）的濃度范圍0～13mg/kg，若95%置信度時平均值與真值的絕對偏差為1.5 mg/kg，s為3.25 mg/kg，初選自由度為10，則
N =（2.23）2（3.25）2/（1.5）2 =23
因為23比初選的10大得多，重新選擇自由度查t值計算得：
N =（2.069）2（3.25）2/（1.5）2 =20
20個土壤樣品數較大，原因是其土壤PCB含量分布不均勻（0～13 mg/kg），要降低采樣的樣品數，就得犧牲監測結果的置信度（如從95%降低到90%），或放寬監測結果的置信距（如從1.5 mg/kg增加到2.0 mg/kg）。
5.3.2由變異系數和相對偏差計算樣品數
N=t2s2/D2可變為：
N=t2CV2/m2
式中：N為樣品數；
t為選定置信水平（土壤環境監測一般選定為95%）一定自由度下的t值（附錄A）；
CV為變異系數（%），可從先前的其它研究資料中估計；
m為可接受的相對偏差（%），土壤環境監測一般限定為20%～30% 。
沒有歷史資料的地區、土壤變異程度不太大的地區，一般CV可用10%～30%粗略估計，有效磷和有效鉀變異系數CV可取50%。

5.4布點數量
土壤監測的布點數量要滿足樣本容量的基本要求，即上述由均方差和絕對偏差、變異系數和相對偏差計算樣品數是樣品數的下限數值，實際工作中土壤布點數量還要根據調查目的、調查精度和調查區域環境狀況等因素確定。
一般要求每個監測單元最少設3個點。
區域土壤環境調查按調查的精度不同可從2.5km、5km、10km、20km、40km中選擇網距網格布點，區域內的網格結點數即為土壤采樣點數量。
農田採集混合樣的樣點數量見「6.2.2.2混合樣採集」。
建設項目采樣點數量見「6.3建設項目土壤環境評價監測采樣」。
城市土壤采樣點數量見「6.4城市土壤采樣」。
土壤污染事故采樣點數量見「6.5污染事故監測土壤采樣」。

6樣品採集
樣品採集一般按三個階段進行：
前期采樣：根據背景資料與現場考察結果，採集一定數量的樣品分析測定，用於初步驗證污染物空間分異性和判斷土壤污染程度，為制定監測方案（選擇布點方式和確定監測項目及樣品數量）提供依據，前期采樣可與現場調查同時進行。
正式采樣：按照監測方案，實施現場采樣。
補充采樣：正式采樣測試後，發現布設的樣點沒有滿足總體設計需要，則要進行增設采樣點補充采樣。
面積較小的土壤污染調查和突發性土壤污染事故調查可直接采樣。

6.1區域環境背景土壤采樣
6.1.1采樣單元
采樣單元的劃分，全國土壤環境背景值監測一般以土類為主，省、自治區、直轄市級的土壤環境背景值監測以土類和成土母質母岩類型為主，省級以下或條件許可或特別工作需要的土壤環境背景值監測可劃分到亞類或土屬。
6.1.2樣品數量
各采樣單元中的樣品數量應符合「5.3基礎樣品數量」要求。
6.1.3網格布點
網格間距L按下式計算：
L=（A/N）1/2
式中：L為網格間距；
A為采樣單元面積；
N為采樣點數（同「5.3樣品數量」）。
A和L的量綱要相匹配，如A的單位是km2則L的單位就為km。根據實際情況可適當減小網格間距，適當調整網格的起始經緯度，避開過多網格落在道路或河流上，使樣品更具代表性。
6.1.4野外選點
首先採樣點的自然景觀應符合土壤環境背景值研究的要求。采樣點選在被采土壤類型特徵明顯的地方，地形相對平坦、穩定、植被良好的地點；坡腳、窪地等具有從屬景觀特徵的地點不設采樣點；城鎮、住宅、道路、溝渠、糞坑、墳墓附近等處人為干擾大，失去土壤的代表性，不宜設采樣點，采樣點離鐵路、公路至少300m以上；采樣點以剖面發育完整、層次較清楚、無侵入體為准，不在水土流失嚴重或表土被破壞處設采樣點；選擇不施或少施化肥、農葯的地塊作為采樣點，以使樣品點盡可能少受人為活動的影響；不在多種土類、多種母質母岩交錯分布、面積較小的邊緣地區布設采樣點。
6.1.5采樣
采樣點可采表層樣或土壤剖面。一般監測採集表層土，采樣深度0～20cm，特殊要求的監測（土壤背景、環評、污染事故等）必要時選擇部分采樣點採集剖面樣品。剖面的規格一般為長1.5m，寬0.8m，深1.2m。挖掘土壤剖面要使觀察面向陽，表土和底土分兩側放置。
一般每個剖面採集A、B、C三層土樣。地下水位較高時，剖面挖至地下水出露時為止；山地丘陵土層較薄時，剖面挖至風化層。
對B層發育不完整（不發育）的山地土壤，只採A、C兩層；
乾旱地區剖面發育不完善的土壤，在表層5～20 cm、心土層50 cm、底土層100 cm左右采樣。
水稻土按照A耕作層、P犁底層、C母質層（或G潛育層、W瀦育層）分層采樣(圖6-1)，對P層太薄的剖面，只採A、C兩層（或A、G層或A、W層）。

⑷ 求：MATLAB的GPS工具箱下載

http://share.dzjs.net/down/2010/0411/file_13961.html

這里有，

⑸ 為什麼Matlab這個軟體這么大啊,竟然有1G左右，大家幫我解釋下唄！謝謝了，各位！

因為MATLAB的功能很強大，它裡面集成了很多專用的工具箱（圖像處理，模式識別，信號，遺傳演算法，神經網路等等），有了這些專門的工具箱，大家在使用的時候就不用一行行的自己編寫代碼了，只要調用幾何函數，就可以輕松的實現功能了。可以說很多理工科的專家學者都用MATLAB去解決各自研究領域的問題，所以MATLAB還是很贊的！

⑹ GPS信號跟蹤多徑誤差包絡如何用MATLAB模擬出來，有相關程序最好了。

具體GPS信號跟蹤誤差怎麼求不知道，如果你能求得該誤差信號， 具體的包絡演算法解釋如下

求包絡(envelop)的最方便的方法是用希爾伯特變換， 希爾伯特變換返回的是analytical signal。

對於一個任意的時序信號x(t)，一個簡單的程序就是：

y(t)=hilbert(x(t)); %%%return analytical signal

envelop=abs(y(t)); %%%get the magnitude of the analytical signal,namely envelop

我自己的以前用的一個圖附上了， 紅色部分是原始信號，綠色部分是包絡部分，也就是信號的幅值。 包絡線正好將信號包住。

⑺ 學習SLAM需要哪些預備知識

首先搬出寶典：Multiple View Geometry in Computer Vision。
這本書基本涵蓋了Vision-based SLAM這個領域的全部理論基礎！讀多少遍都不算多！
另外建議配合Berkeley的課件學習。（更新：這本書書後附錄也可以一並讀完，包括附帶bundle adjustment最基本的levenberg marquardt方法，newton方法等）
只要是SLAM問題就要涉及optimization，就要用到各種least square演算法。所以另一個基礎理論是Sparse Matrix，這是大型稀疏矩陣處理的一般辦法。可以參考Dr. Tim Davis的課件：Tim Davis ，他的主頁里有全部的課程視頻和Project。
針對SLAM問題，最常用的least square演算法是Sparse Levenberg Marquardt algorithm，這里有一份開源的代碼以及具體實現的paper：Sparse Non-Linear Least Squares in C/C++ 然後是框架級的工具。最常用的機器人框架是ROSROS.org | Powering the world's robots，可以使用在Windows，Linux和MacOS等操作系統上，裡麵包含一整套常用的機器人理論的演算法和工具的實現。
另一個開源工具集是OpenSLAM OpenSLAM.org，其中的g2o是目前最流行的graph optimization的實現工具。另外OpenCV也是視覺相關必備的基礎工具，Multiple View教材中的常用演算法在OpenCV中都有常用的實現。（更新：OpenCV的文檔Camera Calibration and 3D Reconstruction 中，包含SLAM相關的基礎理論公式以及C/C++/Python實現的API）
另外多說一句題外話，因為Optimization和圖片的feature extraction是SLAM里最核心的兩個問題，而這兩個問題都是運算量極大的。好的SLAM框架要兼顧速度和精確度。目前大部分Vision或者RGBD的SLAM框架都是用C++來時實現完成的以確保運算速度。雖然我個人很欣賞Python，並且Python3也支持SciPy，OpenCV，ROS等重要工具，不過依然有大量的諸如g2o等基礎性庫在python下無法使用，而且如果要借鑒其他人的代碼，最方便的還是在C++中實現。所以如果提問者有志於在這個領域做深入研究，夯實的C++基礎是必不可少的。Introction to Algorithms，以及 @vczh 推薦的C++ Primer等，都是在實際工作前要自己做好的功課。
下面說一些硬體和實驗上的知識儲備。首先Vision-based SLAM常用攝像機標定（Camera Calibration）的世界通用簡單方法，是張正友博士（Dr. Zhengyou Zhang，主頁Zhengyou Zhang's Home Page）的方法（張正友博士是本領域里少數的具有極其巨大影響力和貢獻的華人學者，已成腦殘粉嚶嚶嚶）。具體方法和實現，我在這里推薦兩個，一個是Caltech工具箱：Camera Calibration Toolbox for Matlab ，以及相關paper：Camera Calibration Toolbox for Matlab。該方法的另一個實現，是Matlab最新版本內置的Camera Calibration的application，自動導入標定圖片並把得到的結果輸出給Matlab，更加自動化，更加便捷准確。更多的Camera Model理論知識請參考Multiple View Geometry。
至於RGB-D Camera，最常用的採集設備有兩種，一種是Microsoft Kinect，一個生態環境完備的RGBD Camera，可以直接用Visual Studio可Kinect SDK直接開發，也有大量開發好的程序以供借鑒參考，也可以用OpenNI和ROS採集處理，我就不多介紹了，畢竟微軟是對程序員最友好的公司沒有之一（微軟大法好）。另一個是Google的Project Tango，Google對於這個自家的神器還是很低調的，可以看看宣傳片ATAP Project Tango ，絕對酷炫——可惜我們lab剛剛買的那一台，我還沒有用過，所以對具體開發不太了解。 另外有幾個網上成熟的數據集和測試方法，一個是Malaga Dataset，一個西班牙的團隊採集的Malaga城市數據：The Málaga Stereo and Laser Urban Data Set，覆蓋了城市中汽車駕駛的各種情況（停車，加速，減速，行人，建築，綠化帶等），裡面提供了雙攝像頭，Laser，IMU等數據以及GPS的ground truth trajectory。不過該版本因為是在市中心，所以GPS的ground truth並不可靠。另一個是慕尼黑工業大學Computer Vision Lab的RGB-D dataset https://vision.in.tum.de/data/datasets/rgbd-dataset，裡面提供了大量的室內的RGBD數據集，以及非常方便好用的benchmark tools。第三個是KITTI Dataset：The KITTI Vision Benchmark Suite，也是認可度很廣泛的汽車駕駛數據集。

⑻ 測繪中七參數的高程擬合是什麼意思

測繪中七參數的高程擬合意思是在WGS84坐標系下的大地高高程 而一般國家所用的高程數據是正常高高程，兩者之間存在高程異常，可以通過擬合的方式進行高程異常的結算，從而用正常高取代大地高進行使用。

高程擬合分平面擬合和曲面擬合兩種，三個點及以下智能進行平面擬合，四個點及以上就可以進行曲面擬合。曲面擬合的精度要高於平面擬合。

單點校正都是直接做坐標平移的，沒有擬合的效果。三個點才能形成一個面，才能擬合高程面。

具體是平面擬合還是曲面擬合是要看軟體的，有的軟體支持曲面擬合，那麼達到四個點以上就會自動進行曲面擬合了。

(8)matlabgps工具箱擴展閱讀：

高程擬合所需工具

MATLAB曲線擬合工具箱

MATLAB做曲線擬合可以通過內建函數或者曲線擬合工具箱(Curve Fitting Toolbox)。這個工具箱集成了用MATLAB建立的圖形用戶界面(GUIs)和M文件函數。

利用這個工具箱可以進行參數擬合(當想找出回歸系數以及他們背後的物理意義的時候就可以採用參數擬合)，或者通過採用平滑樣條或者其他各種插值方法進行非參數擬合(當回歸系數不具有物理意義並且不在意他們的時候，就採用非參數擬合方法)。

利用這個界面，可以快速地在簡單易用的環境中實現許多基本的曲線擬合。

七參數中的高程擬合

高程擬合中，兩個不同的三維空間直角坐標系之間轉換時，通常使用七參數模型（數學方程組）。在該模型中有七個未知參數，即：

1、三個坐標平移量（△X，△Y，△Z），即兩個空間坐標系的坐標原點之間坐標差值；

2、三個坐標軸的旋轉角度（△α，△β，△γ），通過按順序旋轉三個坐標軸指定角度，可以使兩個空間直角坐標系的XYZ軸重合在一起。

3、尺度因子K，即兩個空間坐標系內的同一段直線的長度比值，實現尺度的比例轉換。通常K值幾乎等於1。 以上七個參數通常稱為七參數。運用七參數進行的坐標轉換稱為七參數坐標轉換。

參考資料來源：網路-擬合

參考資料來源：網路-七參數