静态误差分析

这篇具有很好参考价值的文章主要介绍了静态误差分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

分类

随机误差、系统误差、粗大误差。

随机误差:

大部分随机误差满足正态分布,具有对称性、单峰性、有界性、抵偿性。

对称性:绝对值相等的正负误差出现的次数相等。
单峰性:绝对值越小的误差出现次数越多。
有界性:在一定条件下,随机误差的绝对值不会超过一定界限。
抵偿性:随着测量次数增加,随机误差的平均值趋于0。

标准差

一般对某量进行测量时,其真值未知,可测量若干次取测量值  均值  代替真值,有残余误差
。同时可由贝塞尔公式或别捷尔斯公式得其标准差。
        (贝塞尔公式)                (别捷尔斯公式)

平均值验证

算术平均值及其残余误差计算是否正确,可用残余误差代数和性质验证。若平均值正确则有残余物差代数和为零:。

但由于计算均值  时会出现小数位较多等情况,会对均值进行截取导致残余误差代数和不为0,因此可利用下列公式进行算术平均值的检验:

        当n为偶数:
        当n为奇数:
A为  末位数的一个单位。

算术平均值标准差

对某量进行多组测量,每组测量所得均值不尽相同,而这些均值靠不靠谱可以利用均值的标准差来衡量

极限误差

当误差超过一定范围时,便可认为该误差为粗大误差,而这个范围界限便是极限误差

,一般取t=3。

不等精度测量

在对某量进行多组测量时,可能存在不同组使用了不同测量仪器、测量条件、测量次数等,称此为不等精度测量。对于不等精度测量需要对每组测量数据加权。

一般不等精度测量都是由每组测量次数不同(N1,N2,N3...)引起的,因此权值比为

对于进行m组测量有加权算术平均值:
静态误差分析
x0为任意一组测量平均值。

加权算术平均值标准差:

系统误差

发现方法

1.实验对比法:

        改变实验条件来发现系统误差,该方法主要用于发现那些不变的系统误差。
2.残余误差观察法:

        绘制参与误差曲线,正常情况下残余误差曲线在x轴上下均匀分布,否则则存在系统误差。
3.残余误差校核法:

        对于n个残余误差,取k=n/2(n为奇数),k=(n+1)/2(n为偶数),有
静态误差分析,当测量次数足够多,应为0,若其显著不为0,则存在线性系统误差。
4.公式判别法:

        取为贝塞尔公式所得,为别捷尔斯公式所得,若,则怀疑存在系统误差。

粗大误差

若残余误差则认为该残余误差为粗大误差,应当剔除。

测量结果的处理

1、求各个测量列均值  。

2、求各个测量列的残余误差vi。

3、校验算术平均值。

4、判断系统误差。

5、求标准差。

6、判断粗大误差。

7、求算术平均值标准差。

8、求算术平均值极限误差。

9、得到最终结果:静态误差分析文章来源地址https://www.toymoban.com/news/detail-472777.html

到了这里,关于静态误差分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【随机信号分析2】随机信号通过线性系统仿真和窄带随机信号仿真

    1.讨论随机信号通过线性系统之后的自相关函数和功率谱密度。 2.窄带随机信号的产生与窄带高斯信号包络和相位的概率分布。 实验程序: h=fir1(71,[0.25 0.55]); [HH,WW]=freqz(h,1,512); subplot(211); plot(WW/pi,20*log10(abs(HH))); title(“幅度谱”) grid on; axis([0 1 -100 0]); subplot(212); plot(WW/pi,unwrap

    2024年02月12日
    浏览(39)
  • 数学建模-------误差来源以及误差分析

    绝对误差 :精确值-近似值; 举个例子:从A到B,应该有73千米,但是我们近似成了70千米;从C到D,应该是1373千米,我们近似成了1370千米,如果使用绝对误差,结果都是3,显然无法衡量我们误差的大小,这个时候我们引入了相对误差; 相对误差 :精确值-近似值/精确值;我

    2024年03月10日
    浏览(52)
  • 分类问题:人工神经网络(ANN)+BP算法(误差后向传播)+考试例题讲解

     学习链接:分类问题:人工神经网络(ANN)+BP算法(误差后向传播)+考试例题讲解 资料链接:链接:https://pan.baidu.com/s/1ijvMQmwtRgLO4KDSsNODMw  提取码:vyok        神经网络的应用非常的广,它核心思想非常简单,就是人是如何认知感知并且处理这个世界中的现实问题的。我

    2024年01月18日
    浏览(38)
  • 分布式计算实验4 随机信号分析系统

    利用MOM消息队列技术实现一个分布式随机信号分析系统,具体要求: 1.随机信号产生器微服务每隔100毫秒左右就产生一个正态分布的随机数字,并作为一个消息发布。 2.一个随机信号统计分析微服务,对信号进行如下分析:   (1) 计算过去N个随机信号的均值和方差(N为常量

    2023年04月25日
    浏览(48)
  • [系统安全] 四十六.恶意软件分析 (2)静态分析Capa经典工具批量提取静态特征和ATT&CK技战术

    终于忙完初稿,开心地写一篇博客。 您可能之前看到过我写的类似文章,为什么还要重复撰写呢?只是想更好地帮助初学者了解病毒逆向分析和系统安全,更加成体系且不破坏之前的系列。因此,我重新开设了这个专栏,准备系统整理和深入学习系统安全、逆向分析和恶意代

    2024年02月11日
    浏览(40)
  • 第一章 MEMS惯性器件-加速度计误差分析

    常用MEMS传感器参数分析和应用介绍系列,分十二个章节讨论相关问题: Outline: 第一章 MEMS惯性器件-加速度计误差分析 第二章 MEMS惯性器件-陀螺仪误差分析 第三章 国内工业和消费类厂商惯性器件IMU常见验证手段 第四章 MEMS磁力计与模块的误差分析 第五章 6-DOF与9-DOF模块工厂

    2024年02月09日
    浏览(39)
  • 【scikit-learn基础】--『回归模型评估』之误差分析

    模型评估 在统计学和机器学习中具有至关重要,它帮助我们主要目标是量化模型预测新数据的能力。 在这个数据充斥的时代,没有评估的模型就如同盲人摸象,可能带来误导和误判。 模型评估 不仅是一种方法,更是一种保障,确保我们在数据海洋中航行时,能够依赖准确的

    2024年01月22日
    浏览(43)
  • [系统安全] 四十五.恶意软件分析 (1)静态分析Capa经典工具的基本用法万字详解

    您可能之前看到过我写的类似文章,为什么还要重复撰写呢?只是想更好地帮助初学者了解病毒逆向分析和系统安全,更加成体系且不破坏之前的系列。因此,我重新开设了这个专栏,准备系统整理和深入学习系统安全、逆向分析和恶意代码检测,“系统安全”系列文章会更

    2023年04月16日
    浏览(42)
  • 【上海对外经贸大学学报】基于随机Petri网的区块链舆情存证系统建模与效能分析

    在重大突发危机事件期间,以公众为核心的“民间舆论场”常常陷入造谣成本低、证伪不及时、溯源成本高、举证难度大的困局,疲于应对。与此同时,以政府为主导的“体制内舆论场”舆情处置权责划分模糊、流程不透明,使得“民间舆论场”与“体制内舆论场”日益分庭

    2024年02月12日
    浏览(37)
  • 分类算法系列⑥:随机森林

    目录 集成学习方法之随机森林 1、集成学习方法 2、随机森林 3、随机森林原理 为什么采用BootStrap抽样 为什么要有放回地抽样 4、API 5、代码 代码解释 结果 6、随机森林总结   🍃作者介绍:双非本科大三网络工程专业在读,阿里云专家博主,专注于Java领域学习,擅长web应用

    2024年02月10日
    浏览(31)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包