Key-word: integer ambiguity resolution :整周模糊度解算 navigation:导航 Kinematic:动态,RTK的K rover:漫游 validation:验证 antena:天线 phase:相位 Augmentation:曾广 carrier-base:基于载波 code-based:基于测距码(伪距) raw binary:原始二进制 receiver:接收者(接收机)  ephemeris:星历 Post‐processing positio

Map (最大后验) 在贝叶斯统计学中,最大后验(Maximum A Posteriori,MAP)估计可以利用经验数据获得对未观测量的点态估计.它与Fisher的最大似然估计(Maximum Likelihood,ML)方法相近,不同的是它扩充了优化的目标函数,其中融合了预估计量的先验分布信息,所以最大后验估计可以看作是正则化(regularized)的最大似然估计.   中文名 最大后验 外文名 Maximum A Posteriori 应用学科 贝叶斯统计学 假设我们需要根据观察数据x估计

大家好,我是痞子衡,是正经搞技术的痞子.今天痞子衡给大家介绍的是国内车规级MCU厂商及其产品. 在汽车电子领域,MCU的应用非常广泛,大到车身控制与动力总成,小到雨刷车窗等控制单元,都离不开MCU的身影.但汽车领域产品必须要是高可靠.高安全的,因此车规级MCU与消费电子类MCU本质上是不同的,国际汽车电子协会对车规MCU特别推出了如下三种标准规范: 1. AEC-Q100可靠性标准: 2. 符合零失效(Zero Defect)的供应链质量管理标准IATF 16949规范: 3. 符合ISO262

预备知识 1. 卫星发送信号时,是以特定频率的电磁波为载波,调整信号到载波上的.多普勒效应就是,卫星和接收机是相对运动的,那么载波的频率会随运动距离发生改变.(<GPS测量与数据处理>p3) 2. 全球卫星定位系统,主要由:卫星,地面监控站,用户部分组成.(<GPS测量与数据处理>p42) 三者关系是: 首先,地面监控站,对卫星进行跟踪,制定导航电文(其内容有:包含轨道信息的星历.时钟改正.电离层改正等导),发送给卫星. 然后,卫星用载波,加载这些导航电文.以及测距信号,广播给地面

GPS构成: 1．空间部分 GPS的空间部分是由24 颗工作卫星组成,它位于距地表20 200km的上空,均匀分布在6 个轨道面上(每个轨道面4 颗) ,轨道倾角为55°.此外,还有4 颗有源备份卫星在轨运行.卫星的分布使得在全球任何地方.任何时间都可观测到4 颗以上的卫星,并能保持良好定位解算精度的几何图象.这就提供了在时间上连续的全球导航能力.GPS 卫星产生两组电码, 一组称为C/ A 码( Coarse/ Acquisition Code11023MHz) ;一组称为P 码(Precis

4.12 GPS定位实验 一.实验目的 了解GPS的基本概念 了解NMEA-0183格式数据串的组成和关于GPS的常用语句 GPS的数据串解析 二.实验材料 具有串口通讯的电脑一台 ADS1.2开发环境 J-Link-ARM仿真器一个 NXP LPC2378实验节点板1个 GPS模块一个 LCD显示实验板1个 三.实验原理 GPS定位实验环境由PC机(安装有Windows XP操作系统.ADS1.2集成开发环境和J-Link-ARM-V410i仿真器).J-Link-ARM仿真器.NXP LPC

1. 通过一个简单的例子直观上理解EM的核心思想 0x1: 问题背景 假设现在有两枚硬币Coin_a和Coin_b,随机抛掷后正面朝上/反面朝上的概率分别是 Coin_a:P1:-P1 Coin_b:P2:-P2 为了估计这个概率(我们事先是不知道这两枚硬币正面朝上的概率的),我们需要通过实验法来进行最大似然估计,每次取一枚硬币,连掷5下,记录下结果 硬币 结果 统计 Coin_a 正 正 反 正 反 3正-2反 Coin_b 反 反 正 正 反 2正-3反 Coin_a 正 反 反 反 反 1

特征处理是特征工程的核心部分,特征工程是数据分析中最耗时间和精力的一部分工作,它不像算法和模型那样式确定的步骤,更多的是工程上的经验和权衡,因此没有统一的方法,但是sklearn提供了较为完整的特征处理方法,包括数据预处理,特征选择,降维等.首次接触到sklearn,通常会被其丰富且方便的算法模型库吸引,但是这里介绍的特征处理库也非常强大! 经过前人的总结,特征工程已经形成了接近标准化的流程,如下图所示(此图来自此网友,若侵权,联系我,必删除) 1 特征来源——导入数据 在做数据分析的时候,特征

---------------------------------------------------------------------------------------------------GPS定位-https://www.zhihu.com/question/57241255按定位方式:单点定位,相对定位(差分定位)按接收机的运动状态分:动态定位,静态定位 差分GPS根据基准站发送的差分信息的不同可分为三种,分别是位置差分技术.距离差分中的伪距差分技术以及距离差分中的载波相位差分技术

原文地址: https://blog.csdn.net/woaipichuli/article/details/78645999 ----------------------------------------------------------------------------------------- 这篇博文简单的介绍PySC2的基本使用以及分析一份网友提供的代码(使用DQN来让计算机玩星际2). ##1-PySC2 ## Deepmind公布的这段python与PySC2通信的源码主要

多目标跟踪方法:deep-sort deep_sort Multitarget tracking data association 读'Simple Online and Realtime Tracking with a Deep Association Metric, arXiv:1703.07402v1 ' 总结 前言 这篇文章依然属于tracking-by-detection 类,其在匹配detections时使用的是传统的匈牙利算法.文章中需要注意的几点包括: 在计算detections

基本思想 以K-1时刻的最优估计Xk-1为准,预测K时刻的状态变量Xk/k-1,同时又对该状态进行观测,得到观测变量Zk,再在预测与观之间进行分析,或者说是以观测量对预测量进行修正,从而得到K时刻的最优状态估计Xk. 具体实例 设一个机器人有两个状态量,分别为位置P,速度V.在这里记为: 卡尔曼滤波假设两个变量(位置和速度,在这个例子中)都是随机的,并且服从高斯分布.每个变量都有一个均值μ,表示随机分布的中心(最可能的状态),以及方差 ,表示不确定性.其中,位置和速度之间可以是相关的也可以是不相

常常会碰到各种各样时间序列预测问题,如商场人流量的预测.商品价格的预测.股价的预测,等等.TensorFlow新引入了一个TensorFlow Time Series库(以下简称为TFTS),它可以帮助在TensorFlow中快速搭建高性能的时间序列预测系统,并提供包括AR.LSTM在内的多个模型. 时间序列问题 一般而言,时间序列数据抽象为两部分:观察的时间点和观察的值(以商品价格为例,某年一月的价格为120元,二月的价格为130元,三月的价格为135元,四月的价格为132元.那么观察的时间点

估计器初始化简述 单目紧耦合VIO是一个高度非线性的系统,需要在一开始就进行准确的初始化估计.通过将IMU预积分与纯视觉结构进行松耦合对齐,我们得到了必要的初始值. 理解:这里初始化是指通过之前imu预积分得到的数值和视觉结构得到的数值进行对齐整理,综合运算得到的是我们的初始值. 具体流程如下: 检查最新帧和之前所有帧之间的特征对应关系:如果能在滑动窗口中找到稳定的特征跟踪(超过30个被跟踪特征)和足够的视差(超过20个旋转补偿像素),就使用五点法恢复这两帧之间的相对运动:如果没有稳定的特征跟踪

摘要: 标量Kalman滤波的过程分析和证明及C实现,希望能够帮助入门的小白,同时得到各位高手的指教.并不涉及其他Kalman滤波方法. 本文主要参考自<A Introduction to the Kalman> (需要的同学可以自行百度,也可以找到中文版的) 注:递归思想,高斯分布独立性的应用,数据融合的应用 一,什么是Kalman 滤波(已经了解的同学可以跳过这里) 卡尔曼在博士期间发表了用递归方法解决离散数据线性滤波 问题的论文(关于Kalman 滤波的真正第一人还是有待探讨的,有兴趣的

Kalman滤波简介 Kalman滤波是一种线性滤波与预测方法,原文为:A New Approach to Linear Filtering and Prediction Problems.文章推导很复杂,看了一半就看不下去了,既然不能透彻理解其原理,但总可以通过实验来理解其具体的使用方法. Kalman滤波分为2个步骤,预测(predict)和校正(correct).预测是基于上一时刻状态估计当前时刻状态,而校正则是综合当前时刻的估计状态与观测状态,估计出最优的状态.预测与校正的过程如下: 预

EKF relies on a linearisation of the evolution and observation functions which are good approximations of the original functions if these functions are close to linear. The state-space formulation of EKF reads : Non-linear evolution and observation f

http://www.zhihu.com/question/20962240 Yang Eninala杜克大学 生物化学博士 线性代数 收录于 编辑推荐 •2216 人赞同 ×××××11月22日已更新××××× 隐马尔可夫(HMM)好讲,简单易懂不好讲.我认为 @者也的回答没什么错误,不过我想说个更通俗易懂的例子.我希望我的读者不是专家,而是对这个问题感兴趣的入门者,所以我会多阐述数学思想,少写公式.霍金曾经说过,你多写一个公式,就会少一半的读者.所以时间简史这本关于物理的书和麦当娜关于性的书

1. 概述 本节将介绍两类问题的不同解决方案.其一是通过随机的搜索算法对某一函数的取值进行比较,求取最大/最小值的过程:其二则和积分类似,是使得某一函数被最优化,这一部分内容的代表算法是EM算法.(书中章节名称为Optimization) 2. 随机搜索 对于优化,一本很有名的书是Stephen Boyd 的凸优化(Convex Optimization).但看过的人可能思维会受到一点限制.最简单.最基本的求最大/最小值的算法,除了直接求解,就是把所有的可能值枚举出来,然后求最大/最小就可以了,

原文见 http://blog.csdn.net/acdreamers/article/details/27365941 Logistic回归为概率型非线性回归模型,是研究二分类观察结果与一些影响因素之间关系的一种多 变量分析方法.通常的问题是,研究某些因素条件下某个结果是否发生,比如医学中根据病人的一些症状来判断它是 否患有某种病. 在讲解Logistic回归理论之前,我们先从LR分类器说起.LR分类器,即Logistic Regression Classifier. 在分类情形下,经过学习后

一.引言 我们谈到了用 k-means 进行聚类的方法,这次我们来说一下另一个很流行的算法:Gaussian Mixture Model (GMM).事实上,GMM 和 k-means 很像,不过 GMM 是学习出一些概率密度函数来(所以 GMM 除了用在 clustering 上之外,还经常被用于 density estimation ),简单地说,k-means 的结果是每个数据点被 assign 到其中某一个 cluster 了,而 GMM 则给出这些数据点被 assign 到每个 clu