matlabgps工具箱

⑴ 吴良才的发表论著

(英文论文略）
7 基于遗传神经网络的GPS高程转换方法. 桂林理工大学学报. 2010(2). (核心期刊)
8 GPS高程迭加拟合模型的研究. 西安科技大学学报. 2009(3). (核心期刊)
9BP神经网络转换GPS高程的若干问题探讨. 工程勘察,2008(1).核心期刊)
10 转换GPS高程的遗传神经网络方法. 测绘科学技术学报,2007(2).(核心期刊)
11 GPS高程转换方法和正常高计算. 测绘学院学报2004(4).(核心期刊)
12 基于神经网络的GPS高程转换方法. 工程勘察,2004(1).(核心期刊)
13 关于GPS网平面基准点可靠性分析. 测绘通报,2003(1).(核心期刊)
14知识经济时代土地管理与可持续发展.江西社会科学,2003(3).(核心期刊)
15 地形图几何校正的精度评价.计算机应用研究,2004(7).(核心期刊)
16 地下管线三维模型的实现. 测绘科学,2005(6).(核心期刊)
17 土地覆盖/利用样本影像数据库的建立. 测绘科学,2006(2).(核心期刊)
18 LUCC的不确定性研究. 水利科技与经济. 2006(10)
19 基于模糊控制土地价格评估. 东华理工学院学报.2004(2)
20 基于ArcIMS构建WebGIS-T信息化服务理论研究. 东华理工学院学报.2007(1)
21 基于GADS工具箱的GPS高程拟合方法. 东华理工大学学报. 2009(1)
22 基于TM影像城镇居民地空间信息提取.曲阜师范大学学报2007(6)
23 基于ArcGIS Server的企业级WEBGIS的设计与开发. 湖北民族学院学报. 2008(4)
24 补偿最小二乘在GPS高程拟合中应用及平滑参数选取. 矿山测量. 2009(1)
25 关于BP神经网络转换GPS高程的若干问题. 测绘工程 2006(3)
26 Arc SED版本管理机制在供水管网系统中的设计与实现. 内江科技. 2008(12)
27 未采区段地质条件影响因素统计预测. 矿山测量2003(2)
28 基于遗传算法的GPS高程转换. 水利科技与经济 2006(2)
29 地下管线矢量图网上浏览的实现. 矿山测量2005(2).
30 基于遗传算法的神经网络在GPS高程拟合中的应用.矿山测量2004(2)
31 基于MATLAB遗传神经网络在GPS高程转换中的应用.矿山测量2006(3)
32城市土地定级与估价.中国矿业大学出版社2003
33地下工程测量.测绘出版社2005

⑵ 汽车gps导航接线图

1、首先将专用工具插入CD播放机两侧的孔中，将其插入末端，然后将其拔出！然后拔下机器后面的电缆，如图所示。

⑶ 地下水位监测系统的MATLAB实现程序

土壤环境监测技术规范

4采样准备
4.1组织准备
由具有野外调查经验且掌握土壤采样技术规程的专业技术人员组成采样组，采样前组织学习有关技术文件，了解监测技术规范。

4.2资料收集
收集包括监测区域的交通图、土壤图、地质图、大比例尺地形图等资料，供制作采样工作图和标注采样点位用。
收集包括监测区域土类、成土母质等土壤信息资料。
收集工程建设或生产过程对土壤造成影响的环境研究资料。
收集造成土壤污染事故的主要污染物的毒性、稳定性以及如何消除等资料。
收集土壤历史资料和相应的法律（法规）。
收集监测区域工农业生产及排污、污灌、化肥农药施用情况资料。
收集监测区域气候资料（温度、降水量和蒸发量）、水文资料。
收集监测区域遥感与土壤利用及其演变过程方面的资料等。

4.3现场调查
现场踏勘，将调查得到的信息进行整理和利用，丰富采样工作图的内容。

4.4采样器具准备
4.4.1工具类：铁锹、铁铲、圆状取土钻、螺旋取土钻、竹片以及适合特殊采样要求的工具等。
4.4.2器材类：GPS、罗盘、照相机、胶卷、卷尺、铝盒、样品袋、样品箱等。
4.4.3文具类：样品标签、采样记录表、铅笔、资料夹等。
4.4.4安全防护用品：工作服、工作鞋、安全帽、药品箱等。
4.4.5采样用车辆
4.5监测项目与频次

监测项目分常规项目、特定项目和选测项目；监测频次与其相应。
常规项目：原则上为GB 15618《土壤环境质量标准》中所要求控制的污染物。
特定项目：GB 15618《土壤环境质量标准》中未要求控制的污染物，但根据当地环境污染状况，确认在土壤中积累较多、对环境危害较大、影响范围广、毒性较强的污染物，或者污染事故对土壤环境造成严重不良影响的物质，具体项目由各地自行确定。
选测项目：一般包括新纳入的在土壤中积累较少的污染物、由于环境污染导致土壤性状发生改变的土壤性状指标以及生态环境指标等，由各地自行选择测定。
土壤监测项目与监测频次见表4-1。监测频次原则上按表4-1执行，常规项目可按当地实际适当降低监测频次，但不可低于5年一次，选测项目可按当地实际适当提高监测频次。

表4-1 土壤监测项目与监测频次

项目类别 监测项目 监测频次
常规项目 基本项目 pH、阳离子交换量 每年一次
农田在夏收或秋收后采样
重点项目 镉、铬、汞、砷、铅、铜、锌、镍
六六六、滴滴涕
特定项目（污染事故） 特征项目 及时采样，根据污染物变化趋势决定监测频次

选测项目 影响产量项目 全盐量、硼、氟、氮、磷、钾等
每年监测一次
农田在夏收或秋收后采样
污水灌溉项目 氰化物、六价铬、挥发酚、烷基汞、苯并[a]芘、有机质、硫化物、石油类等
POPs与高毒类农药 苯、挥发性卤代烃、有机磷农药、PCB、PAH等

其他项目 结合态铝（酸雨区）、硒、钒、氧化稀土总量、钼、铁、锰、镁、钙、钠、铝、硅、放射性比活度等

5布点与样品数容量
5.1“随机”和“等量”原则
样品是由总体中随机采集的一些个体所组成，个体之间存在变异，因此样品与总体之间，既存在同质的“亲缘”关系，样品可作为总体的代表，但同时也存在着一定程度的异质性的，差异愈小，样品的代表性愈好；反之亦然。为了达到采集的监测样品具有好的代表性，必须避免一切主观因素，使组成总体的个体有同样的机会被选入样品，即组成样品的个体应当是随机地取自总体。另一方面，在一组需要相互之间进行比较的样品应当有同样的个体组成，否则样本大的个体所组成的样品，其代表性会大于样本少的个体组成的样品。所以“随机”和“等量”是决定样品具有同等代表性的重要条件。

5.2布点方法
5.2.1简单随机
将监测单元分成网格，每个网格编上号码，决定采样点样品数后，随机抽取规定的样品数的样品，其样本号码对应的网格号，即为采样点。随机数的获得可以利用掷骰子、抽签、查随机数表的方法。关于随机数骰子的使用方法可见GB10111《利用随机数骰子进行随机抽样的办法》。简单随机布点是一种完全不带主观限制条件的布点方法。
5.2.2分块随机
根据收集的资料，如果监测区域内的土壤有明显的几种类型，则可将区域分成几块，每块内污染物较均匀，块间的差异较明显。将每块作为一个监测单元，在每个监测单元内再随机布点。在正确分块的前提下，分块布点的代表性比简单随机布点好，如果分块不正确，分块布点的效果可能会适得其反。
5.2.3系统随机
将监测区域分成面积相等的几部分（网格划分），每网格内布设一采样点，这种布点称为系统随机布点。如果区域内土壤污染物含量变化较大，系统随机布点比简单随机布点所采样品的代表性要好。
图5-1 布点方式示意图

5.3基础样品数量
5.3.1由均方差和绝对偏差计算样品数
用下列公式可计算所需的样品数：
N=t2s2/D2
式中：N为样品数；
t为选定置信水平（土壤环境监测一般选定为95%）一定自由度下的t值（附录A）；
s2为均方差，可从先前的其它研究或者从极差R（s2=（R/4）2）估计；
D为可接受的绝对偏差。

示例：
某地土壤多氯联苯（PCB）的浓度范围0～13mg/kg，若95%置信度时平均值与真值的绝对偏差为1.5 mg/kg，s为3.25 mg/kg，初选自由度为10，则
N =（2.23）2（3.25）2/（1.5）2 =23
因为23比初选的10大得多，重新选择自由度查t值计算得：
N =（2.069）2（3.25）2/（1.5）2 =20
20个土壤样品数较大，原因是其土壤PCB含量分布不均匀（0～13 mg/kg），要降低采样的样品数，就得牺牲监测结果的置信度（如从95%降低到90%），或放宽监测结果的置信距（如从1.5 mg/kg增加到2.0 mg/kg）。
5.3.2由变异系数和相对偏差计算样品数
N=t2s2/D2可变为：
N=t2CV2/m2
式中：N为样品数；
t为选定置信水平（土壤环境监测一般选定为95%）一定自由度下的t值（附录A）；
CV为变异系数（%），可从先前的其它研究资料中估计；
m为可接受的相对偏差（%），土壤环境监测一般限定为20%～30% 。
没有历史资料的地区、土壤变异程度不太大的地区，一般CV可用10%～30%粗略估计，有效磷和有效钾变异系数CV可取50%。

5.4布点数量
土壤监测的布点数量要满足样本容量的基本要求，即上述由均方差和绝对偏差、变异系数和相对偏差计算样品数是样品数的下限数值，实际工作中土壤布点数量还要根据调查目的、调查精度和调查区域环境状况等因素确定。
一般要求每个监测单元最少设3个点。
区域土壤环境调查按调查的精度不同可从2.5km、5km、10km、20km、40km中选择网距网格布点，区域内的网格结点数即为土壤采样点数量。
农田采集混合样的样点数量见“6.2.2.2混合样采集”。
建设项目采样点数量见“6.3建设项目土壤环境评价监测采样”。
城市土壤采样点数量见“6.4城市土壤采样”。
土壤污染事故采样点数量见“6.5污染事故监测土壤采样”。

6样品采集
样品采集一般按三个阶段进行：
前期采样：根据背景资料与现场考察结果，采集一定数量的样品分析测定，用于初步验证污染物空间分异性和判断土壤污染程度，为制定监测方案（选择布点方式和确定监测项目及样品数量）提供依据，前期采样可与现场调查同时进行。
正式采样：按照监测方案，实施现场采样。
补充采样：正式采样测试后，发现布设的样点没有满足总体设计需要，则要进行增设采样点补充采样。
面积较小的土壤污染调查和突发性土壤污染事故调查可直接采样。

6.1区域环境背景土壤采样
6.1.1采样单元
采样单元的划分，全国土壤环境背景值监测一般以土类为主，省、自治区、直辖市级的土壤环境背景值监测以土类和成土母质母岩类型为主，省级以下或条件许可或特别工作需要的土壤环境背景值监测可划分到亚类或土属。
6.1.2样品数量
各采样单元中的样品数量应符合“5.3基础样品数量”要求。
6.1.3网格布点
网格间距L按下式计算：
L=（A/N）1/2
式中：L为网格间距；
A为采样单元面积；
N为采样点数（同“5.3样品数量”）。
A和L的量纲要相匹配，如A的单位是km2则L的单位就为km。根据实际情况可适当减小网格间距，适当调整网格的起始经纬度，避开过多网格落在道路或河流上，使样品更具代表性。
6.1.4野外选点
首先采样点的自然景观应符合土壤环境背景值研究的要求。采样点选在被采土壤类型特征明显的地方，地形相对平坦、稳定、植被良好的地点；坡脚、洼地等具有从属景观特征的地点不设采样点；城镇、住宅、道路、沟渠、粪坑、坟墓附近等处人为干扰大，失去土壤的代表性，不宜设采样点，采样点离铁路、公路至少300m以上；采样点以剖面发育完整、层次较清楚、无侵入体为准，不在水土流失严重或表土被破坏处设采样点；选择不施或少施化肥、农药的地块作为采样点，以使样品点尽可能少受人为活动的影响；不在多种土类、多种母质母岩交错分布、面积较小的边缘地区布设采样点。
6.1.5采样
采样点可采表层样或土壤剖面。一般监测采集表层土，采样深度0～20cm，特殊要求的监测（土壤背景、环评、污染事故等）必要时选择部分采样点采集剖面样品。剖面的规格一般为长1.5m，宽0.8m，深1.2m。挖掘土壤剖面要使观察面向阳，表土和底土分两侧放置。
一般每个剖面采集A、B、C三层土样。地下水位较高时，剖面挖至地下水出露时为止；山地丘陵土层较薄时，剖面挖至风化层。
对B层发育不完整（不发育）的山地土壤，只采A、C两层；
干旱地区剖面发育不完善的土壤，在表层5～20 cm、心土层50 cm、底土层100 cm左右采样。
水稻土按照A耕作层、P犁底层、C母质层（或G潜育层、W潴育层）分层采样(图6-1)，对P层太薄的剖面，只采A、C两层（或A、G层或A、W层）。

⑷ 求：MATLAB的GPS工具箱下载

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

这里有，

⑸ 为什么Matlab这个软件这么大啊,竟然有1G左右，大家帮我解释下呗！谢谢了，各位！

因为MATLAB的功能很强大，它里面集成了很多专用的工具箱（图像处理，模式识别，信号，遗传算法，神经网络等等），有了这些专门的工具箱，大家在使用的时候就不用一行行的自己编写代码了，只要调用几何函数，就可以轻松的实现功能了。可以说很多理工科的专家学者都用MATLAB去解决各自研究领域的问题，所以MATLAB还是很赞的！

⑹ GPS信号跟踪多径误差包络如何用MATLAB仿真出来，有相关程序最好了。

具体GPS信号跟踪误差怎么求不知道，如果你能求得该误差信号， 具体的包络算法解释如下

求包络(envelop)的最方便的方法是用希尔伯特变换， 希尔伯特变换返回的是analytical signal。

对于一个任意的时序信号x(t)，一个简单的程序就是：

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个图附上了， 红色部分是原始信号，绿色部分是包络部分，也就是信号的幅值。 包络线正好将信号包住。

⑺ 学习SLAM需要哪些预备知识

首先搬出宝典：Multiple View Geometry in Computer Vision。
这本书基本涵盖了Vision-based SLAM这个领域的全部理论基础！读多少遍都不算多！
另外建议配合Berkeley的课件学习。（更新：这本书书后附录也可以一并读完，包括附带bundle adjustment最基本的levenberg marquardt方法，newton方法等）
只要是SLAM问题就要涉及optimization，就要用到各种least square算法。所以另一个基础理论是Sparse Matrix，这是大型稀疏矩阵处理的一般办法。可以参考Dr. Tim Davis的课件：Tim Davis ，他的主页里有全部的课程视频和Project。
针对SLAM问题，最常用的least square算法是Sparse Levenberg Marquardt algorithm，这里有一份开源的代码以及具体实现的paper：Sparse Non-Linear Least Squares in C/C++ 然后是框架级的工具。最常用的机器人框架是ROSROS.org | Powering the world's robots，可以使用在Windows，Linux和MacOS等操作系统上，里面包含一整套常用的机器人理论的算法和工具的实现。
另一个开源工具集是OpenSLAM OpenSLAM.org，其中的g2o是目前最流行的graph optimization的实现工具。另外OpenCV也是视觉相关必备的基础工具，Multiple View教材中的常用算法在OpenCV中都有常用的实现。（更新：OpenCV的文档Camera Calibration and 3D Reconstruction 中，包含SLAM相关的基础理论公式以及C/C++/Python实现的API）
另外多说一句题外话，因为Optimization和图片的feature extraction是SLAM里最核心的两个问题，而这两个问题都是运算量极大的。好的SLAM框架要兼顾速度和精确度。目前大部分Vision或者RGBD的SLAM框架都是用C++来时实现完成的以确保运算速度。虽然我个人很欣赏Python，并且Python3也支持SciPy，OpenCV，ROS等重要工具，不过依然有大量的诸如g2o等基础性库在python下无法使用，而且如果要借鉴其他人的代码，最方便的还是在C++中实现。所以如果提问者有志于在这个领域做深入研究，夯实的C++基础是必不可少的。Introction to Algorithms，以及 @vczh 推荐的C++ Primer等，都是在实际工作前要自己做好的功课。
下面说一些硬件和实验上的知识储备。首先Vision-based SLAM常用摄像机标定（Camera Calibration）的世界通用简单方法，是张正友博士（Dr. Zhengyou Zhang，主页Zhengyou Zhang's Home Page）的方法（张正友博士是本领域里少数的具有极其巨大影响力和贡献的华人学者，已成脑残粉嘤嘤嘤）。具体方法和实现，我在这里推荐两个，一个是Caltech工具箱：Camera Calibration Toolbox for Matlab ，以及相关paper：Camera Calibration Toolbox for Matlab。该方法的另一个实现，是Matlab最新版本内置的Camera Calibration的application，自动导入标定图片并把得到的结果输出给Matlab，更加自动化，更加便捷准确。更多的Camera Model理论知识请参考Multiple View Geometry。
至于RGB-D Camera，最常用的采集设备有两种，一种是Microsoft Kinect，一个生态环境完备的RGBD Camera，可以直接用Visual Studio可Kinect SDK直接开发，也有大量开发好的程序以供借鉴参考，也可以用OpenNI和ROS采集处理，我就不多介绍了，毕竟微软是对程序员最友好的公司没有之一（微软大法好）。另一个是Google的Project Tango，Google对于这个自家的神器还是很低调的，可以看看宣传片ATAP Project Tango ，绝对酷炫——可惜我们lab刚刚买的那一台，我还没有用过，所以对具体开发不太了解。 另外有几个网上成熟的数据集和测试方法，一个是Malaga Dataset，一个西班牙的团队采集的Malaga城市数据：The Málaga Stereo and Laser Urban Data Set，覆盖了城市中汽车驾驶的各种情况（停车，加速，减速，行人，建筑，绿化带等），里面提供了双摄像头，Laser，IMU等数据以及GPS的ground truth trajectory。不过该版本因为是在市中心，所以GPS的ground truth并不可靠。另一个是慕尼黑工业大学Computer Vision Lab的RGB-D dataset https://vision.in.tum.de/data/datasets/rgbd-dataset，里面提供了大量的室内的RGBD数据集，以及非常方便好用的benchmark tools。第三个是KITTI Dataset：The KITTI Vision Benchmark Suite，也是认可度很广泛的汽车驾驶数据集。

⑻ 测绘中七参数的高程拟合是什么意思

测绘中七参数的高程拟合意思是在WGS84坐标系下的大地高高程 而一般国家所用的高程数据是正常高高程，两者之间存在高程异常，可以通过拟合的方式进行高程异常的结算，从而用正常高取代大地高进行使用。

高程拟合分平面拟合和曲面拟合两种，三个点及以下智能进行平面拟合，四个点及以上就可以进行曲面拟合。曲面拟合的精度要高于平面拟合。

单点校正都是直接做坐标平移的，没有拟合的效果。三个点才能形成一个面，才能拟合高程面。

具体是平面拟合还是曲面拟合是要看软件的，有的软件支持曲面拟合，那么达到四个点以上就会自动进行曲面拟合了。

(8)matlabgps工具箱扩展阅读：

高程拟合所需工具

MATLAB曲线拟合工具箱

MATLAB做曲线拟合可以通过内建函数或者曲线拟合工具箱(Curve Fitting Toolbox)。这个工具箱集成了用MATLAB建立的图形用户界面(GUIs)和M文件函数。

利用这个工具箱可以进行参数拟合(当想找出回归系数以及他们背后的物理意义的时候就可以采用参数拟合)，或者通过采用平滑样条或者其他各种插值方法进行非参数拟合(当回归系数不具有物理意义并且不在意他们的时候，就采用非参数拟合方法)。

利用这个界面，可以快速地在简单易用的环境中实现许多基本的曲线拟合。

七参数中的高程拟合

高程拟合中，两个不同的三维空间直角坐标系之间转换时，通常使用七参数模型（数学方程组）。在该模型中有七个未知参数，即：

1、三个坐标平移量（△X，△Y，△Z），即两个空间坐标系的坐标原点之间坐标差值；

2、三个坐标轴的旋转角度（△α，△β，△γ），通过按顺序旋转三个坐标轴指定角度，可以使两个空间直角坐标系的XYZ轴重合在一起。

3、尺度因子K，即两个空间坐标系内的同一段直线的长度比值，实现尺度的比例转换。通常K值几乎等于1。 以上七个参数通常称为七参数。运用七参数进行的坐标转换称为七参数坐标转换。

参考资料来源：网络-拟合

参考资料来源：网络-七参数