对粗大误差与随机误差处理.docVIP

用matlab对一组随机数据的随机误差的处理 当今社会，人们对测量和仪器的精确性要求越来越高，传统的测量精确度远远不能满足当今科技以及人们生活方面的要求，所以需要一种能够快速分析误差的方法出现。matlab可以大大减少人工运算的成本，成本低，可行性高，而且具有普遍性，故采用matlab来进行误差处理。 等精度测量粗大误差处理 粗大误差的判别准则? （1）莱以特准则（3σ准则）? 具体方法：求出平均值和σ，将残差的绝对值与3σ进行比较，大于3σ的测量值都是坏值。这种方法称为 3σ法则（正态分布）。 适合测量点数较大的情况，计算所有的点。逐一剔除异常值 （2）罗曼诺夫斯基准则 具体方法：首先剔除一个可疑的测得值，然后按照t分布检验被剔除的测量值是否含有粗大误差。如果是，剔除后，再判断其它的测试结果点。 适合条件：测量次数较少的情况，是逐一剔除的。 等精度测量随机误差处理? （1）?算数平均值 大多数情况下，真值未知，用来代替误差： :测量次数 （2）测量列算数平均值标准差 （3）算数平均值的极限误差： t为置信系数，通过查表可得。 结果表示： 软件流程设计 等精度测量计算流程 是 matlab程序 clc; clear; data=load(test.txt); %从文本文档中读出数据 v_2=0; %定义残差的平方 average_data=0; %定义数据的平均值 average_data=mean(data);%计算平均值 if(length(data)10) %判断数据的长度，用罗曼诺夫斯基准则剔除粗大误差 while(1) for i=1:length(data) %计算残差和残差的平方和 v(i)=data(i)-average_data; v_2=v_2+v(i)^2; end [max_v,I]=max(abs(v));` sum=0; for i=1:length(data) sum=sum+v(i); end average_data=sum/(length(data)-1); %计算数据的平均值 bzc=(v_2/(length(data)-2))^0.5; %计算数据的标准差 alpha=0.05; t=tinv(1-alpha/2,length(data)-2); if(v(I)=(t*bzc)) %判断数据是否为粗大误差 data(I)=[]; else break; end v=[]; end end if(length(data)=10) while(1) for i=1:length(data) %计算残差和残差的平方和 v(i)=data(i)-average_data; v_2=v_2+v(i)^2; end bzc=(v_2/(k-1))^0.5; %计算标准差 bzc_3=3*bzc; [max_v,I]=max(abs(v)); if max_vbzc_3 %根据莱以特准则剔除粗大误差 data(I)=[]; end v=[]; l=length(data); if(k==l) n=0; end end p=0.95/2; t=2.60; end delta=t*bzc; %极限误差 X_max=average_data+delta; X_min=average_data-delta; fid = fopen(result.txt, wt); fprintf(fid,delta=%12.8f\nX_max=%12.8f\nX_min=%12.8f\ndata(I)=%12.8f\n,delta,X_max,X_min,data(I)); %把数据写入文本文档 fclose(fid); 用matlab处理数据可以做到效率高，成功率高，节约人力物力，通过此程序进行数据处理，方便快捷，并且可以重复使用 在进行研究过程中，由于我们对matlab软件没有深入了解，所以很多函数以及操作没有特别了解，对基本的操作流程也不是很熟悉。对此，我们上网找了很多关于matlab的基本教程和一些函数的表示方法，同时也去图书馆查阅了有关书籍，从而解决了困扰我们的难题，也让我们对matlab以及误差处理方面的知识有了深刻的了解。 开始 读取数据文件 判断数据数是否大于10 计算算数平均值，残差和残差平方和 计算算数平均值，残差和残差平方和 计算算数平均标准差