使用传统测量方法进行输电线路测量,劳动强度大,作业周期长,且精度难以保证。GPS RTK可以较好的解决这些问题。文中介绍了GPS RTK的原理和在输电线路测量中的应用方法;探讨了GPS RTK的高程精度;并提出了GPS RTK测量中应注意的问题。结果表明:GPS RTK测量可以满足输电线路测量的要求。

最小二乘法拟合直线和圆，QT界面实现，利用公式，读取文本文件进行拟合，并将结果用QT界面实时得显示出来

此提交内容提供了一个工具套件，用于拟合2D圆锥（椭圆，圆，直线等）以及3D二次曲面（椭圆，球体，平面，圆柱等）。 每种拟合类型都由类层次结构中的一个对象表示。 对于每种拟合类型，都提供了重载方法来生成嘈杂的测试数据，拟合数据以及对结果进行可视化和后采样。 当前，此工具集并不涵盖圆锥/二次曲面族中的所有曲线/曲面类型。 尽管随着时间的推移我可能会添加更多内容，但我还是从一些似乎最常遇到的内容开始。 同样，工具集使用的大多数拟合算法都是非常基本的代数方法，但是如果表达兴趣，我可能会添加更精细的算法。 这些工具的各种示例用法在“示例”选项卡中进行了说明。

BADS是一种新颖的快速贝叶斯优化算法，旨在解决棘手的优化问题，尤其是与拟合计算模型有关（例如，通过最大似然估计）。 在存在实际模型拟合问题的基准测试中，BADS的表现与其他许多常见且最新的MATLAB优化器（例如fminsearch，fmincon和cmaes [1]）相当或更高。 BADS当前在世界各地的许多计算实验室中得到使用，涉及从行为，认知和计算神经科学到工程和经济学的一百多种引用和应用。 如果没有可用的梯度信息，并且目标函数是非分析性的或嘈杂的，例如通过数值逼近或模拟评估，则建议使用BADS。 BADS不需要特定的调整，并且可以像其他内置的MATLAB优化器（例如fminsearch）一样现成运行。 ***有关广泛的信息，教程和文档，请访问该项目的GitHub页面： https : //github.com/lacerbi/bads *** 如果您有兴趣估计参数的后验

蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享） 在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。 这里，CNN用于对8个人脸类别进行分类。 在CNN训练之后，创建初始模糊模型以帮助学习过程。 最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。 可以将数据与任意数量的样本和类一起使用。 请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。 图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。 因此，重要的参数如下： “numTrainFiles”=您必须根据每个类中的样本数量来更改它。 例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。 “imageInputLayer”=图像数据的大小，如[64 64 1] “fullyConnectedLayer（完全连接层）”=类的数量，如（8） “MaxEpochs”=越多越好，计算运行时间越长，如405。 “ClusNum”=模糊C均值（FCM）聚类数，如3或4很好

MATLAB用拟合出的代码绘图myMixedModelsTrajectories：使用混合模型回归的轨迹拟合 混合效应模型工具箱，用于分析纵向数据 该工具箱允许将具有不同阶次的模型（从常数模型到三次模型）拟合到具有重复测量的数据。 目的是在混合样本中估算年龄的发展曲线，在该样本中，受试者是在不同年龄和多个时间点记录的。 除了确定最佳模型（无年龄关系，线性年龄关系，二次年龄关系或立方年龄关系）之外，该工具箱还可以估算多个组之间的发育差异（请参阅分组信息注释）。 主要步骤遵循Mutlu等人在Neuroimage 2015中提出的算法第一手： 将递增顺序的模型拟合到数据，并根据贝叶斯信息准则选择最佳模型 估计多组曲线的截距和形状中的组差异的p值 使用错误发现率更正多个比较 绘制结果模型参数和拟合曲线 使用此代码时，请引用以下论文： AK，穆特卢（Mutlu），施耐德（Ms. Schneider），M。德巴内（Debbané），巴杜德（Badoud），埃利兹（Eliez），S。希尔（Schaer），M.，2013。全皮层厚度差异和折叠发育的性别差异。 Neuroimage 82，200–207

分段曲线拟合方法研究，可以写成一段程序，自动分段拟合

最小二乘拟合及相关分析。最小二乘法原理，直线的最小二乘拟合，拟合结果的偏差，相关系数及其显著性检验

用 Zernike 多项式拟合曲面的函数附matlab代码.zip

磁性材料磁化曲线和磁滞回线的Matlab绘制与拟合.pdf