Оффтоп (Move your mouse to the spoiler area to reveal the content) "Файлыыы!! Ста-а-а-ановись! На счет 3 - начать обрабатываться!"
Товарищи специалистны, кто-нибудь уравнивал треки (gpx, kml, nmea и т.д.). Написал прогу импортирует весь массив и можно уравнять весь массив, но пока не соображу как сделать. Видимо начну с того, что возьму пару точек опоры с хорошими весами, но вот как остальным веса раздать, чтоб сносно было голову ломаю.... Есть идеи? --- Сообщения объединены, 29 янв 2022, Оригинальное время сообщения: 29 янв 2022 --- Уравниваю по приращениям и базовым линиям.... Дописываю еще по направлениям...в литературе пишут помогает сохранить точность....
zvezdochiot, благодарю, изучу подробно. --- Сообщения объединены, 29 янв 2022, Оригинальное время сообщения: 29 янв 2022 --- Спасибо прогу я уже написал, она у меня сейчас уравнивает дикие массивы исходных и измеренных величин как у вас (по приращения, базисам и направлениям по МНК, могу тоже задать веса ручками), веса пока задаю по вектору свободных членов (приращениям), по единичной и обратной ковариационной матрице в автомате. Мне интересно сама методика (идея) ранжирования всего этого разнородного массива . Можно непонятные формулы например...готов их покурить разобраться... Спасибо за ссылку, смотрю там не раз поднимался этот вопрос....еще надо ветку досмотреть... ваше предложение тоже рассмотрю, вариант хороший!!! 1) Производится съёмка пунктов любым доступным способом в любой КС: {X,Y,H}k 2) Определяется разность "центров масс" (средних координат) двух КС: dM{X,Y,H} = M{X,Y,H}0 - M{X,Y,H}k 3) Этап 1. Приводится повторная КС к первичной: {X,Y,H}k0 = {X,Y,H}k + dM{X,Y,H} 4) Определяются уклонения и веса: d{X,Y,H}k = {X,Y,H}k0 - {X,Y,H}0, sk =sqrt(sum(d{X,Y,H}k^2)/(n*3)), wk = sk^2 /(sk^2 + d{X,Y,H}k^2) 5) Определяется весовая разность "центров масс" (средневзвешанных координат) двух КС: dMw{X,Y,H} = sum(wk*({X,Y,H}0 - {X,Y,H}k))/sum(wk) 6) Этап2. Приводится повторная КС к первичной взвешанно: {X,Y,H}kw = {X,Y,H}k + dMw{X,Y,H}
Пиши тесты и прогоняй их на больших рандомных массивах. Важно выбрать грамотный критерий оценивания "плохости".
Небольшая ремарка. Тесты эффективны в случае, ежели основной функционал реализован в виде библиотеки, а сами тесты - всего лишь интерфейсы к функциям и классам этой библиотеки.
Вместо рандомных массивов наверное можно взять реальные массивы....и сравнивать, например с эталонными после уравнивания (эталоны можно с карты для начала или с планов снять). Правильный ход мыслей?
Это самый правильный ход мысли. Всё остальное - результат недоступности или недостаточности реальных данных.