如果对一物理量进行多次测量。 例如对物理量 X 等精度测量,得到一系列 x 1 , x 2 , … , x n x_1, x_2, …,x_n x1,x2,…,xn数值,在测量没有错误及符合统计规律的情况下,可以用算术平均值 X 表示测量的最佳值,即
(1) X ˉ = 1 n ∑ i = 1 n x i \bar X=\frac{1}{n} \sum_{i=1}^n x_i\tag1 Xˉ=n1i=1∑nxi(1)
可以证明,当测量次数无限多时,算术平均值将无限接近真值。对于有限次测量,平均值会随着测量次数的不同而有所改变,也会因不同范围的测量数据而稍有差别。
对于间接测量值 w = f ( x , y , … ) w=f(x,y, …) w=f(x,y,…),它由直接测量值 ( x , y , … ) (x,y, …) (x,y,…)所确定。当多次测量时,有两种可能的情况。
(1) 对于各直接测量值 ( x i , y i , … ) (x_i,y_i, …) (xi,yi,…)相互独立地进行测量,且测量条件变化幅度小。首先分别求出各自的算术平均值 ( x ˉ , y ˉ , . . . ) (\bar x, \bar y,...) (xˉ,yˉ,...),然后将其带入函数关系式 w ˉ = f ( x , y , … ) \bar w=f(x,y, …) wˉ=f(x,y,…)
中求得 w 的测量值。
(2) w ˉ = f ( x ˉ , y ˉ , . . . ) \bar w = f (\bar x, \bar y,...) \tag 2 wˉ=f(xˉ,yˉ,...)(2)
(2) 同一条件下,对各量测量一遍,得一组 ( x i , y i , … ) (x_i,y_i,…) (xi,yi,…),相应的有 w i = ( x i , y i , … ) w_i=(x_i,y_i, …) wi=(xi,yi,…),而每次间接测量之间又是相互独立的,用测量算术平均值 w ˉ \bar w wˉ作为测量值。
(3) w ˉ = ∑ i = 1 k w i / k = ∑ i = 1 k f ( x i , y i , . . . ) / k \bar w=\sum_{i=1}^k {w_i/k}=\sum_{i=1}^kf(x_i,y_i,...)/k\tag 3 wˉ=i=1∑kwi/k=i=1∑kf(xi,yi,...)/k(3)
通常,当测量条件没有大幅度变化时,两种计算方法所得到的结果是极其相近的。所以,除了测量条件变化幅度过大时必须采用式(3)外,一般都可以采用较简单的式(2)来计算.
若实际测得值 X 与该物理量的客观真值 A 之间的差值为 δ A δA δA,称 δ A δA δA为测量值的绝对误差。
绝对误差表示往往不能反映测量的精确程度,为了弥补绝对误差的不足,我们引进相对误差 E r 。 E_r。 Er。根据所取的相对参考值的不同,可分为:
误差按性质和来源分为系统误差和偶然误差(随机误差)。
在同一实验条件下多次测量同一物理量时,误差的绝对值和符号保持恒定;或在条件改变时按某一确定的规律变化的误差。
系统误差的特点是它的确定性,因此不能用重复多次测量的方法去消除或减小,没有像偶然误差那样统一的处理方法。常用的消除系统误差的方法有:
在实际相同的条件下,多次测量同一物理量时,误差的绝对值和符号的变化,时大时小,时正时负,以随机的方式变化的误差。偶然误差服从正态分布(高斯分布),增加测量次数可以减小误差,但不能完全消除。
它是由实验者的失误造成的,如在记录和计算数据时写错数据,或者实验操作不当、仪器损坏等。这是一种人为因素的错误,实验者必须要避免它。我们所说的误差不应包括这类误差。
剔除测量列中异常数据的标准有几种,有 3 σ x 3\sigma_x 3σx准则、肖维准则、格拉布斯准则等。下面是 3 σ x 3\sigma_x 3σx准则:
统计理论表明,测量值的偏差超过 3 σ x 3\sigma_x 3σx的概率已小于 1%。因此,可以认为偏差超过 3 σ x 3\sigma_x 3σx的测量值是其他因素或过失造成的,为异常数据,应当剔除。剔除的方法是将多次测量所得的一系列数据,算出各测量值的偏差 Δ x i \Delta x_i Δxi和标准偏差 σ x \sigma_x σx,把其中最大的 Δ x j \Delta x_j Δxj与 3 σ x 3\sigma_x 3σx比较,若 Δ x j \Delta x_j Δxj> 3 σ x 3\sigma_x 3σx ,则认为第 j 个测量值是异常数据,舍去不计。剔除 x j 后,对余下的各测量值重新计算偏差和标准偏差,并继续审查,直到各个偏差均小于 3 σ x 3\sigma_x 3σx为止。
测量不确定度是与测量结果相关、表示被测量的量值分散性的参数。它反映测得值附近的一个范围,真值以一定的概率落在其中。 它是对误差的一种量化估计,是对测量结果可信赖程度的具体评定。不确定度小,标志着误差的可能值越小,测量结果可信赖程度高;不确定度大, 标志着误差的可能值越大, 测量结果可信赖程度低。用不确定度来评定实验结果,可以反映各种来源不同的误差对结果的影响,而它们的计算又反映了这些误差所服从的分布规律。所以用不确定度的概念对测量数据做出评定比用误差来描述更合理。
测量结果的不确定度一般包含几个分量,按其数值的评定方法,这些分量可归入两大类,即 A 类分量(或称为 A 类评定)和 B 类分量(或称为 B 类评定)。
在得到了测量值和计算出合成不确定度后,通常要写成下列形式:
(4) N = N ′ ± u c ( 单 位 ) ( P = 0.683 ) N=N'±u_c(单位) (P=0.683)\tag4 N=N′±uc(单位)(P=0.683)(4)
(5) E = u c N ′ × 100 % E=\frac{u_c}{N'}×100\% \tag5 E=N′uc×100%(5)
上式称为测量结果表达式。其中N为真值,N’为测得值,P是置信概率。其物理意义是:真值在(N’-uC) ~ (N’+uC )范围内的置信概率是 68.3%。还可以取 2 u c , 3 u c 2u_c , 3u_c 2uc,3uc 等(就是取不同概率大小的总不确 定度),这时结果表达式可以写成 N = N ′ ± 2 u c N = N'±2u_c N=N′±2uc ,$ N = N’±3uC$ 等。它们的物理意义就成为:真值在 ( N ′ − 2 u c ) ( N ′ + 2 u c ) (N'-2u_c) ~ (N'+2u_c) (N′−2uc) (N′+2uc)或 ( N ′ − 3 u c ) ( N ′ + 3 u c ) (N'-3u_c) ~ (N'+3u_c) (N′−3uc) (N′+3uc)范围内的置信概率为 95.4%或 99.7%。实际测量中,要准确得到概率是比较困难的,实际概率是以上理论概率的近似。
实际测量中, 遇到不能进行(或不需要)多次测量的量, 把测量值 x1作为该物理量的值,取仪器误差限 Δ 仪作为测量的不确定度,即:
(6) x = x 1 ± Δ 仪 ( 单 位 ) ( P = 100 % ) x=x_1±Δ_仪(单位) (P=100\%) \tag6 x=x1±Δ仪(单位)(P=100%)(6)
(7) x = x 1 ± u c = x 1 ± Δ 仪 / 3 ( 单 位 ) ( P = 68.3 % ) x=x_1±u_c=x_1±Δ_仪/ \sqrt3 (单位) (P=68.3\%)\tag7 x=x1±uc=x1±Δ仪/3(单位)(P=68.3%)(7)
相对不确定度:
(8) E = u c x 1 × 100 % E=\frac{u_c}{x_1}×100\% \tag8 E=x1uc×100%(8)
仪器误差一般根据生产厂家仪器说明书规定的示值误差或准确等级来确定。
用算术平均值作为真值的最佳估算值,见式(1),不确定度为 u c = u A 2 + u B 2 u_c=\sqrt{u_A^2+u_B^2} uc=uA2+uB2。 结
果表示为
(9) x = x ˉ ± u c x=\bar x±u_c \tag9 x=xˉ±uc(9)
(10) E = u c x ˉ × 100 % E=\frac{u_c}{\bar x}×100\% \tag{10} E=xˉuc×100%(10)
设 N 为某一间接测量量, x , y , z , … x,y,z,… x,y,z,…为 k 个直接测量量,其函数形式可表示为
(11) N = f ( x , y , z , . . . ) N = f(x,y,z,...)\tag{11} N=f(x,y,z,...)(11)
假定直接测量量之间彼此独立, 对式(11)全微分后有
(12) d N = ∂ f ∂ x d x + ∂ f ∂ y d y + ∂ f ∂ z d z + . . . dN=\frac{\partial f}{\partial x}dx+\frac{\partial f}{\partial y}dy+\frac{\partial f}{\partial z}dz+... \tag{12} dN=∂x∂fdx+∂y∂fdy+∂z∂fdz+...(12)
如果先对式(12)取对数后再进行全微分,则有
(13) d N N = ∂ ln f ∂ x d x + ∂ ln f ∂ y d y + ∂ ln f ∂ z d z + . . . \frac{dN}{N}=\frac{\partial \ln f}{\partial x}dx+\frac{\partial \ln f}{\partial y}dy+\frac{\partial \ln f}{\partial z}dz+... \tag{13} NdN=∂x∂lnfdx+∂y∂lnfdy+∂z∂lnfdz+...(13)
上面微分式中, d x , d y , d z , . . . dx,dy,dz,... dx,dy,dz,...可视为自变量的微小变化量(增量), d N dN dN是由于自变量微小的变化引起函数的微小变化量(函数增量)。
不确定度都是微小的量(与测量值相比),与微分式中的增量相当。 只要把微分式中的增量符号 d N , d x , d y , d z , … dN, dx, dy, dz,… dN,dx,dy,dz,…换成不确定度的符号 u , u x , u y , u z , . . . u,u_x,u_y,u_z,... u,ux,uy,uz,...再采用“方和根” 合成方式后就可以得到不确定的传播公式了。如果各直接测量量的不确定度相互独立, 则用方和根合成后得到的不确定度的传播公式如下:
(14) u N = ( ∂ f ∂ x ) 2 u x 2 + ( ∂ f ∂ y ) 2 u y 2 + ( ∂ f ∂ z ) 2 u z 2 + . . . u_N=\sqrt{\left( \frac{\partial f}{\partial x} \right)^2{u_x}^2+\left( \frac{\partial f}{\partial y} \right)^2{u_y}^2+\left( \frac{\partial f}{\partial z} \right)^2{u_z}^2+...} \tag{14} uN=(∂x∂f)2ux2+(∂y∂f)2uy2+(∂z∂f)2uz2+...(14)
(15) u N N = ( ∂ ln f ∂ x ) 2 u x 2 + ( ∂ ln f ∂ y ) 2 u y 2 + ( ∂ ln f ∂ z ) 2 u z 2 + . . . \frac {u_N}{N}=\sqrt{\left( \frac{\partial \ln f}{\partial x} \right)^2{u_x}^2+\left( \frac{\partial \ln f}{\partial y} \right)^2{u_y}^2+\left( \frac{\partial \ln f}{\partial z} \right)^2{u_z}^2+...} \tag{15} NuN=(∂x∂lnf)2ux2+(∂y∂lnf)2uy2+(∂z∂lnf)2uz2+...(15)
把实验中测量的数据按一定的形式和顺序一一对应地列出来。这是在每个实验中都要用到的基本方法,它便于在实验操作中进行检查,减小和避免错误,及时发现和分析解决问题,提高处理数据的效率。为使实验数据表格设计合理,对列表提出如下要求:
把实验数据间的关系用几何图形表示出来,形象、直观地反映数据之间的变化规律和函数关系。作图法是实验技能训练中的一项基本功。
(a) 选择坐标纸
(b)选取坐标轴
(c)根据实验数据的分布范围确定坐标轴的起始点(原点)与终值, 起始点不一定从零
开始。
(d) 进行坐标的标度
(e)标点
(f)连线(指直线和曲线)
(g)图标(注明)
在实验中, 常会遇到等间隔地测量线性连续变化的物理量,求其间隔平均值的问题。一般情况下隔项逐差称为分组逐差法。广义上说,对于线性关系式 y = a x + b y=ax+b y=ax+b,自变量为等间隔变化 ( x i + 1 − x i = c ) (x_{i+1}-x_i=c) (xi+1−xi=c),求其斜率 a a a和截距 b b b时,可以采用分组逐差法。具体如下:
测量得到多组对应数据 x 1 , x 2 , . . . , x n x_1, x_2,..., x_n x1,x2,...,xn和 y 1 , y 2 , . . . , y n y_1, y_2,...,y_n y1,y2,...,yn有
(16) y 1 = a x 1 + b y 2 = a x 2 + b , ( x 2 = x 1 + c ) . . . y n = a x n + b , [ x n = x 1 + ( n − 1 ) c ] y_1=ax_1+b\\ y_2=ax_2+b,(x_2=x_1+c)\\ .\\ .\\ .\\ y_n=ax_n+b,[x_n=x_1+(n-1)c] \tag{16} y1=ax1+by2=ax2+b,(x2=x1+c)...yn=axn+b,[xn=x1+(n−1)c](16)
设测量次数 n 为偶数,令 k=n/2,把上式分成两组,且各组数目相同。
1 组
(17) y 1 = a x 1 + b y 2 = a x 2 + b , ( x 2 = x 1 + c ) . . . y n = a x k + b , [ x k = x 1 + ( k − 1 ) c ] y_1=ax_1+b\\ y_2=ax_2+b,(x_2=x_1+c)\\ .\\ .\\ .\\ y_n=ax_k+b,[x_k=x_1+(k-1)c] \tag{17} y1=ax1+by2=ax2+b,(x2=x1+c)...yn=axk+b,[xk=x1+(k−1)c](17)
2 组为
(18) y k + 1 = a x k + 1 + b , ( x k + 1 = x 1 + k c ) y k + 2 = a x k + 2 + b , ( x k + 1 = x 1 + ( k + 1 ) c ) . . . y 2 k = a x 2 k + b , [ x 2 k = x 1 + ( 2 k − 1 ) c ] y_{k+1}=ax_{k+1}+b,(x_{k+1}=x_1+kc)\\ y_{k+2}=ax_{k+2}+b,(x_{k+1}=x_1+(k+1)c)\\ .\\ .\\ .\\ y_{2k}=ax_{2k}+b,[x_{2k}=x_1+(2k-1)c] \tag{18} yk+1=axk+1+b,(xk+1=x1+kc)yk+2=axk+2+b,(xk+1=x1+(k+1)c)...y2k=ax2k+b,[x2k=x1+(2k−1)c](18)
对应方程相减:
(19) Δ y 1 = y k + 1 − y 1 = a ( x k + 1 − x 1 ) = a ( k ) c Δ y 2 = y k + 2 − y 2 = a ( x k + 2 − x 2 ) = a ( k ) c . . . Δ y k = y 2 k − y k = a ( x 2 k − x k ) = a ( k ) c a = Δ y ˉ Δ x = ∑ i = 1 k ( y k + i − y i ) ∑ i = 1 k ( x k + i − x i ) = ∑ i = 1 k ( y k + i − y i ) K C \Delta y_1 =y_{k+1}-y_1=a(x_{k+1}-x_1)=a(k)c\\ \Delta y_2 =y_{k+2}-y_2=a(x_{k+2}-x_2)=a(k)c\\ .\\ .\\ .\\ \Delta y_k =y_{2k}-y_k=a(x_{2k}-x_k)=a(k)c \\ a=\frac{\bar{\Delta y}}{\Delta x}=\frac{\sum_{i=1}^k(y_{k+i}-y_i)}{\sum_{i=1}^k(x_{k+i}-x_i)}=\frac{\sum_{i=1}^k(y_{k+i}-y_i)}{KC}\tag{19} Δy1=yk+1−y1=a(xk+1−x1)=a(k)cΔy2=yk+2−y2=a(xk+2−x2)=a(k)c...Δyk=y2k−yk=a(x2k−xk)=a(k)ca=ΔxΔyˉ=∑i=1k(xk+i−xi)∑i=1k(yk+i−yi)=KC∑i=1k(yk+i−yi)(19)
逐差法特点:
最小二乘法是一系列近似计算中最为准确的一种,采用最小二乘法能从一组同精度的测量值中确定最佳值。 最佳值是各测量值的误差的平方和为最小的那个值,或能使估计曲线最好地拟合于各测量点,使该曲线到各测量点的偏差的平方和达到最小。 最小二乘法的原理和计算都比较繁琐,这里仅介绍如何应用最小二乘法进行实验曲线的拟合。已知函数关系,确定未定参量最佳值的方法。
设已知函数的形式为:
(20) y = a 0 + a 1 x y=a_0+a_1x\tag{20} y=a0+a1x(20)
式中 自变量只有 x 一个,故称一元线性回归。实验得到的一组数据为
(21) x = x 1 , x 2 , . . . , x i y = y 1 , y 2 , . . . , y i x = x_1, x_2,..., x_i\\ y = y_1, y_2,..., y_i \tag{21} x=x1,x2,...,xiy=y1,y2,...,yi(21)
如果实验没有误差,把 ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x i , y i ) (x_1, y_1) , (x_2, y_2) , …, (x_i, y_i ) (x1,y1),(x2,y2),…,(xi,yi)代入式(20)时,方程左右两边应该相等。但实际上,测量总存在误差,我们把归结为 y 的测量偏差,并记作
ϵ 1 , ϵ 2 , . . . , ϵ i \epsilon1,\epsilon 2,...,\epsilon i ϵ1,ϵ2,...,ϵi,如图 1-9 所示,这样式(20)就应改写成:
(22) y 1 − a 0 − a 1 x 1 = ϵ 1 y 2 − a 0 − a 1 x 2 = ϵ 2 . . . y i − a 0 − a 1 x i = ϵ i } i = 1 , 2 , . . . , n \left. \begin{array}{l} y_1-a_0-a_1x_1=\epsilon 1\\ y_2-a_0-a_1x_2=\epsilon 2\\ ...\\ y_i-a_0-a_1x_i=\epsilon i \end{array} \right\} i=1,2,...,n\tag{22} y1−a0−a1x1=ϵ1y2−a0−a1x2=ϵ2...yi−a0−a1xi=ϵi⎭⎪⎪⎬⎪⎪⎫i=1,2,...,n(22)
根据误差理论可以推证:要满足以上要求,必须使各偏差的平方和为最小,即
(23) ∑ i = 1 n ϵ i 2 = ∑ i = 1 n ( y i − a 0 − a 1 x i ) 2 \sum_{i=1}^n\epsilon_i^2=\sum_{i=1}^n(y_i-a_0-a_1x_i)^2\tag{23} i=1∑nϵi2=i=1∑n(yi−a0−a1xi)2(23)
为求 ∑ i = 1 n ϵ i 2 \sum_{i=1}^n\epsilon_i^2 ∑i=1nϵi2的最小值,把式(23)对 a 0 a_0 a0和 x x x分别求偏微商
(24) ∂ ∂ a 0 ∑ i = 1 n ( y i − a 0 − a 1 x i ) 2 = 0 ∂ ∂ a 1 ∑ i = 1 n ( y i − a 0 − a 1 x i ) 2 = 0 \frac{\partial}{\partial a_0}\sum_{i=1}^n(y_i-a_0-a_1x_i)^2=0\\ \frac{\partial}{\partial a_1}\sum_{i=1}^n(y_i-a_0-a_1x_i)^2=0\tag{24} ∂a0∂i=1∑n(yi−a0−a1xi)2=0∂a1∂i=1∑n(yi−a0−a1xi)2=0(24)
即
(25) − 2 ∑ i = 1 n ( y i − a 0 − a 1 x i ) x i = 0 − 2 ∑ i = 1 n ( y i − a 0 − a 1 x i ) = 0 } \left. \begin{array}{l} -2\sum_{i=1}^n(y_i-a_0-a_1x_i)x_i=0\\ -2\sum_{i=1}^n(y_i-a_0-a_1x_i)=0 \end{array} \right\}\tag{25} −2∑i=1n(yi−a0−a1xi)xi=0−2∑i=1n(yi−a0−a1xi)=0}(25)
由式(25),有
(26) ∑ i = 1 n x i y i − a 1 ∑ i = 1 n x i 2 − a 0 ∑ i = 1 n x i = 0 ∑ i = 1 n y i − a 1 ∑ i = 1 n x i − n a 0 = 0 \sum_{i=1}^nx_iy_i-a_1\sum_{i=1}^nx_i^2-a_0\sum_{i=1}^nx_i=0\\ \sum_{i=1}^ny_i-a_1\sum_{i=1}^nx_i-na_0=0\tag{26} i=1∑nxiyi−a1i=1∑nxi2−a0i=1∑nxi=0i=1∑nyi−a1i=1∑nxi−na0=0(26)
令:
(27) x ˉ = ∑ i = 1 n x i n , y ˉ = ∑ i = 1 n y i n , x 2 ˉ = ∑ i = 1 n x i 2 n , x y ˉ = ∑ i = 1 n x i y i n \bar x=\frac{\sum_{i=1}^nx_i}{n},\bar y=\frac{\sum_{i=1}^ny_i}{n},\bar {x^2}=\frac{\sum_{i=1}^nx_i^2}{n},\bar {xy}=\frac{\sum_{i=1}^nx_iy_i}{n}\tag{27} xˉ=n∑i=1nxi,yˉ=n∑i=1nyi,x2ˉ=n∑i=1nxi2,xyˉ=n∑i=1nxiyi(27)
得:
(1)回归直线的斜率和截距的最佳估计值
(28) a 1 = x y ˉ − x ˉ y ˉ x ˉ 2 − x 2 ˉ a 0 = y ˉ − a 1 x ˉ a_1=\frac{\bar{xy}-\bar x\bar y}{\bar x^2-\bar{x^2}}\\ a_0=\bar y-a_1\bar x\tag{28} a1=xˉ2−x2ˉxyˉ−xˉyˉa0=yˉ−a1xˉ(28)
(2)各参量的标准误差
y 测量值偏差的标准误差为
(29) Δ y = S y = ∑ i = 1 n ( y i − a 1 x i − a 0 ) 2 n − k \Delta_y=S_y=\sqrt\frac{ {\sum_{i=1}^n(y_i-a_1x_i-a_0)^2}}{n-k}\tag{29} Δy=Sy=n−k∑i=1n(yi−a1xi−a0)2(29)
式中 n 为测量次数, k 为未知量个数(此时 k=2)。
斜率 a1值的标准误差为
(30) Δ a 1 = S a 1 = S y x ˉ 2 − x 2 ˉ \Delta_{a_1}=S_{a_1}=\frac{S_y}{\sqrt{\bar x^2}-\bar{x^2}}\tag{30} Δa1=Sa1=xˉ2−x2ˉSy(30)
截距 a 0 a_0 a0值的标准误差为
(31) Δ a 0 = S a 0 = x ˉ 2 S a 1 \Delta_{a_0}=S_{a_0}=\sqrt{\bar x^2}S_{a_1}\tag{31} Δa0=Sa0=xˉ2Sa1(31)
一般可通过计算相关系数 γ \gamma γ的方法来判断实验数据是否符合线性关系.对于一元线性回归 γ \gamma γ定义为:
(32) γ = x y ˉ − x ˉ y ˉ ( x 2 ˉ − x ˉ 2 ) ( y 2 ˉ − y ˉ 2 ) \gamma=\frac{\bar{xy}-\bar x\bar y}{\sqrt{(\bar{x^2}-\bar x^2)(\bar{y^2}-\bar y^2)}}\tag{32} γ=(x2ˉ−xˉ2)(y2ˉ−yˉ2)xyˉ−xˉyˉ(32)
γ \gamma γ值总是在 0 与±1 之间。 γ \gamma γ值越接近 l,说明实验数据分布密集,越符合求得的直线,或说明用线性函数进行回归比较合理;相反,如果 γ \gamma γ值远小于 1 而接近于 0,说明用线性函数回归不恰当, x 与 y 完全不相关,必须用其他函数重新试探。 γ \gamma γ>0 回归直线的斜率为正,称为正相关。 γ \gamma γ <0 回归直线的斜率为负,称为负相关。
影响雷达测距精度的因素有很多,包括:
本文只讨论对数据修正的方法。
根据FMCW雷达测距原理,雷达与目标R之间的距离为
(33) R = f T c 2 B R=\frac{f Tc}{2B}\tag{33} R=2BfTc(33)
式中 f f f是中频信号频率, T T T是扫频周期, B B B是调频带宽, c = 3 × 1 0 8 m / s c=3×10^8m/s c=3×108m/s为光速。在实际测量中,系统的周期 T T T、带宽 B B B是常数,只有 f f f随着距离的变化而线性变化,所以式(33)可以简化为
(34) R = a f R=af\tag{34} R=af(34)
其中系数 a a a= T c 2 B \frac{Tc}{2B} 2BTc,但是因为其他因素的干扰,测距模型应修正为
(35) R = a f + d R=af+d\tag{35} R=af+d(35)
d d d为一常数。
在2~10m的范围内每间隔10cm测一次数,得到的一组数据为
(36) f = f 1 , f 2 , . . . , f i R = R 1 , R 2 , . . . , R i f = f_1, f_2,..., f_i\\ R = R_1, R_2,..., R_i \tag{36} f=f1,f2,...,fiR=R1,R2,...,Ri(36)
由最小二乘法,回归直线的斜率和截距的最佳估计值
(37) a = f R ˉ − f ˉ R ˉ f ˉ 2 − f 2 ˉ d = R ˉ − a 1 f ˉ a=\frac{\bar{fR}-\bar f\bar R}{\bar f^2-\bar{f^2}}\\ d=\bar R-a_1\bar f\tag{37} a=fˉ2−f2ˉfRˉ−fˉRˉd=Rˉ−a1fˉ(37)
各参量的标准误差:
R 测量值偏差的标准误差为
(38) Δ R = S R = ∑ i = 1 n ( R i − a x i − d ) 2 n − k \Delta_R=S_R=\sqrt\frac{ {\sum_{i=1}^n(R_i-ax_i-d)^2}}{n-k}\tag{38} ΔR=SR=n−k∑i=1n(Ri−axi−d)2(38)
式中 n 为测量次数, k 为未知量个数(此时 k=2)。
斜率 a a a值的标准误差为
(39) Δ a = S a = S R f ˉ 2 − f 2 ˉ \Delta_{a}=S_{a}=\frac{S_R}{\sqrt{\bar f^2}-\bar{f^2}}\tag{39} Δa=Sa=fˉ2−f2ˉSR(39)
截距 d d d值的标准误差为
(40) Δ d = S d = f ˉ 2 S a \Delta_{d}=S_{d}=\sqrt{\bar f^2}S_{a}\tag{40} Δd=Sd=fˉ2Sa(40)
相关系数 γ \gamma γ为:
(41) γ = f R ˉ − f ˉ R ˉ ( f 2 ˉ − f ˉ 2 ) ( R 2 ˉ − R ˉ 2 ) \gamma=\frac{\bar{fR}-\bar f\bar R}{\sqrt{(\bar{f^2}-\bar f^2)(\bar{R^2}-\bar R^2)}}\tag{41} γ=(f2ˉ−fˉ2)(R2ˉ−Rˉ2)fRˉ−fˉRˉ(41)