点位精度评定,主要是评定点位数据得l离散度。评定主要是一系列得数学值。在python的numpy中有一些列的函数可以用来实现这一系列的评估值。
1.期望
期望表示一点点位最可能出现的位置。一般情况下期望的估值采用算数平均值来表示,
在numpy中有mean()函数可以直接求取。
2.方差
方差主要用来描述随机变量的离散程度,它的数值越小说明离散程度越低。
其中,如果
则自由度n为n-1
3.标准差std
标准差,即方差的平差根,
自由度n值同方差
4.协方差
协方差用于衡量两个变量的总体误差,其为总体变量误差的期望
故方差其实是一种特殊的协方差
故
5.RMS(Root Mean Square)均方根误差
在点位精度中RMS值实际上为距离的RMS,即l为距离d,故带入得RMS即为xy方差和的a开方。
6.误差椭圆
介绍误差椭球之前先说说概率圆CEP(Circular Error Probable):以(ux,uy)为圆心,CEP为半径画一个圆,点落入园内的概率为50%,计算公式为
如果概率为95%则为CEP95:
如果概率为99%则为CEP99:
概率圆其实是一种特殊的误差椭球,
如果任意方向向量表示为
则在此方向上的方差为,
化简得,
其中,
注意:为了求取方差的极值方向,可以对角度求偏导=0,
故以E为长半轴、F为短半轴的椭圆被称之为标准误差椭圆。置信椭圆是标准椭圆的k倍。
点落入椭圆的概率为
python中numpys几乎已经实现了相关的计算,具体代码如下
import numpy as np
def expectation(X):
expect = np.mean(X)
return expect
def variance(X):
vari = np.var(X)
return vari
def standard_deviation(X):
std = np.std(X)
return std
def Covariance(X,Y):
cov = np.cov(X,Y)
return cov
def RMS(X,Y):
RMS = np.sqrt(np.var(X) + np.var(Y))
return RMS
def error_ellipsoid(X,Y):