文章目录

  • 测量误差的处理
    • 测量误差的表示
      • 1.绝对误差δ\deltaδ
      • 2.相对误差γ\gammaγ
      • 3.引用误差γm\gamma_{m}γm​
    • 系统误差
      • 定义
      • 分类
      • 常见案例
      • 系统误差判定方法:
        • 1.残余误差观察法
        • 马利科夫准则
        • 阿贝-赫梅特准则
      • 误差处理
        • 减小恒值系统误差
        • 减小线性系统误差
    • 随机误差
      • 贝塞尔公式
    • 粗大误差
      • 误差处理
        • 3σ\sigmaσ准则
        • 格罗布斯准则
    • 误差之间的关系
    • 误差的传递和分配
      • 误差的传递
      • 误差的分配

测量误差的处理

测量误差的表示

1.绝对误差δ\deltaδ

δ=x−A\delta=x-A δ=x−A

2.相对误差γ\gammaγ

定义:绝对误差与真值之比:
γ=δμ×100%\gamma=\frac{\delta}{\mu}\times100\% γ=μδ​×100%
因为测得值一般与真值相近,我们一般也可以近似的用测得值代替真值进行相对误差德计算:
γA=δx×100%\gamma_{A}=\frac{\delta}{x}\times100\% γA​=xδ​×100%
该值通常被叫做示值相对误差

3.引用误差γm\gamma_{m}γm​

常用于多档和连续刻度的仪器仪表中使用。避免了将使用相对误差时,需要不停对分母进行变化引发繁琐的计算。此处是定义为绝对误差δ\deltaδ与测量装置的量程BBB之比。
γm=δB×100%B=xmax−xmin\gamma_m=\frac{\delta}{B}\times100\%\\ B=x_{max}-x_{min} γm​=Bδ​×100%B=xmax​−xmin​
最大引用误差:
Rm=∣δmaxB∣×100%R_m=|\frac{\delta_{max}}{B}|\times100\%\\ Rm​=∣Bδmax​​∣×100%
通常将该引用误差应用于不超过某个规定值,然后去评价使用什么设备。

这个最大引用误差又被称为仪表的允许误差(用于划分准确度等级)

系统误差

定义

在相同的条件下,对同一被测量进行多次重复测量时,所出现的固定不变或按一定规律变化的误差。

分类

  • 恒值系统误差:在测量的过程中,误差的大小符号固定不变
  • 变值系统误差:
    • 累积性系统误差:随时间增大或减小
    • 周期性系统误差:误差呈周期性变化

常见案例

  • 因天平砝码重量超差产生的系统误差/GPS卫星采用的高精度原子钟和标准时间之间的误差
  • 万用表电池电压随时间下降引起的测量误差
  • 光栅的细分误差

系统误差判定方法:

1.残余误差观察法

注意:当系统误差比随机误差小,就不能通过观察来发现系统误差,于是通过马利克夫准则和阿贝-赫梅特准则(检验误差的分布是否偏离正态分布)

马利科夫准则

适用于发现线性系统误差。将测量的多次数据按先后次序分为前后两组,然后把两组的残差的代数和相减得到判别之Δ\DeltaΔ为:
Δ=∑i=1Kνi−∑i=K+1nνi\Delta=\sum_{i=1}^K\nu_i-\sum_{i=K+1}^n\nu_i Δ=i=1∑K​νi​−i=K+1∑n​νi​
当Δ\DeltaΔ显著不为0,则可认为测量中存在线性系统误差;若Δ\DeltaΔ近似等于0,说明测量值不存在线性系统误差;当Δ\DeltaΔ等于0,则无法判断是否存在系统误差。

阿贝-赫梅特准则

适用于周期性系统误差。按先后次序进行排序之后,求出测量列的标准差σ^\hat{\sigma}σ^,然后计算统计量
C=∣∑i=1n−1νiνi+1∣C=|\sum_{i=1}^{n-1}\nu_i\nu_{i+1}| C=∣i=1∑n−1​νi​νi+1​∣
当∣C∣>n−1σ^2|C|>\sqrt{n-1}\hat{\sigma}^2∣C∣>n−1​σ^2时,可认为测量列中含有周期性系统误差

误差处理

减小恒值系统误差

  1. 替代法:用检测装置对被测量进行测量后,再用同一检测装置对一已知标准量进行同样的测量,并使指示值相同,则已知标准量的量值即为被测量的量值。
  2. 交换法:用平衡法对被测量进行一次测量,然后把被测量与标准量的位置交换再进行一次测量,取两次测量的标准量值的平均值作为测量结果
  3. 抵消法:适当改变测量条件对被测量进行两次测量,使两次测量所产生的系统误差大小相等、符号相反,取两次测得值的平均值作为测量结果

减小线性系统误差

采用等时间间隔对称取值,将各直接测量测得值的平均值作为测量结果,再通过已定的函数关系式计算被测量的测量结果。

随机误差

定义:在相同的条件下,对同一被测量进行多次重复测量时,所出现的数值大小和符号都以无规律方式变化的误差。

一般把置信限aaa取为σ\sigmaσ的若干倍,即
a=±kσa=\pm k \sigma a=±kσ
如下表是典型的k值以及相关的置信概率

k 置信概率
2 0.9544
3 0.9973

贝塞尔公式

计算测量列标准差:
s=σ^=1n−1∑i=1n(xi−xˉ)2=1n−1∑i=1nvi2s=\hat{\sigma}=\sqrt{\frac{1}{n-1} \sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)^{2}}=\sqrt{\frac{1}{n-1} \sum_{i=1}^{n} v_{i}^{2}} s=σ^=n−11​i=1∑n​(xi​−xˉ)2​=n−11​i=1∑n​vi2​​
测量列算术平均值的标准差:
sxˉ=sn=1n(n−1)∑i=1nvi2s_{\bar{x}}=\frac{s}{\sqrt{n}}=\sqrt{\frac{1}{n(n-1)} \sum_{i=1}^{n} v_{i}^{2}} sxˉ​=n​s​=n(n−1)1​i=1∑n​vi2​​

粗大误差

定义:明显地偏离了被测量真值的测量值所对应的误差

误差处理

一般是选定一个置信概率P,得出置信水平,然后按一定标准设置置信区间,凡是超出区间的误差即可认为是粗大误差。

3σ\sigmaσ准则

通常将该准则只应用于测量次数n>50的情况,当n≤10n\le10n≤10,该准则失效

格罗布斯准则

∣νb∣=∣xb−x∣ˉ>[g0(b,α)]σ|\nu_b|=|x_b-\bar{x|}>[g_0(b,\alpha)]\sigma ∣νb​∣=∣xb​−x∣ˉ​>[g0​(b,α)]σ

当测量值的参与误差大于该值,就被认为是坏值,需要剔除(每次只能移除一个最大的异常数据),然后,重新计算测量列的算术平均值和标准偏差

误差之间的关系

  • 精密度表征了多次重复对同一被测量测量时,各个测量值分布的密集程度。精密度越高则表征各测量值彼此越接近。

  • 正确度表征了测量值和被测量真值的接近程度。

  • 准确度越高则表征测量值越接近真值。 准确度是正确度和精密度的综合,准确度高则表征了正确度和精密度都高。

误差的传递和分配

误差的传递

在间接测量中,被测量y和各直接测量量xix_ixi​之间的函数关系可以表示为:
y=f(x1,x2,⋯,xn)y=f\left(x_{1}, x_{2}, \cdots, x_{n}\right) y=f(x1​,x2​,⋯,xn​)
则间接测量量y的误差Δy\Delta yΔy为:
Δy=∂f∂x1Δx1+∂f∂x2Δx2+⋯+∂f∂xnΔxn=∑j=1n∂f∂xjΔxj=∑j=1nfxj′Δxj=∑j=1nDj\Delta y=\frac{\partial f}{\partial x_{1}} \Delta x_{1}+\frac{\partial f}{\partial x_{2}} \Delta x_{2}+\cdots+\frac{\partial f}{\partial x_{n}} \Delta x_{n}=\sum_{j=1}^{n} \frac{\partial f}{\partial x_{j}} \Delta x_{j}=\sum_{j=1}^{n} f_{x j}^{\prime} \Delta x_{j}=\sum_{j=1}^{n} D_{j} Δy=∂x1​∂f​Δx1​+∂x2​∂f​Δx2​+⋯+∂xn​∂f​Δxn​=j=1∑n​∂xj​∂f​Δxj​=j=1∑n​fxj′​Δxj​=j=1∑n​Dj​
根据标准偏差的定义,间接测量y的标准偏差可计算为:

σy=(∂f∂x1)2σ12+(∂f∂x2)2σ22+⋯+(∂f∂xn)2σn2+2R=∑j=1nfxj′2σj2+2R=∑j=1nDj2+2R\begin{aligned} \sigma_{y}&=\sqrt{\left(\frac{\partial f}{\partial x_{1}}\right)^{2} \sigma_{1}^{2}+\left(\frac{\partial f}{\partial x_{2}}\right)^{2} \sigma_{2}^{2}+\cdots+\left(\frac{\partial f}{\partial x_{n}}\right)^{2} \sigma_{n}^{2}+2 R}\\ &=\sqrt{\sum_{j=1}^{n} f_{x j}^{\prime 2} \sigma_{j}^{2}+2 R}=\sqrt{\sum_{j=1}^{n} D_{j}^{2}+2R}\\ \end{aligned} σy​​=(∂x1​∂f​)2σ12​+(∂x2​∂f​)2σ22​+⋯+(∂xn​∂f​)2σn2​+2R​=j=1∑n​fxj′2​σj2​+2R​=j=1∑n​Dj2​+2R​​
又因为各直接测量量相互独立,所以R=0
σy=∑j=1n(∂f∂xj)2σj2=∑j=1nfxj′2σj2\sigma_{y}=\sqrt{\sum_{j=1}^{\mathrm{n}}\left(\frac{\partial f}{\partial x_{j}}\right)^{2} \sigma_{j}^{2}}=\sqrt{\sum_{j=1}^{\mathrm{n}} f_{x_{j}}^{\prime 2} \sigma_{j}^{2}} \quad σy​=j=1∑n​(∂xj​∂f​)2σj2​​=j=1∑n​fxj​′2​σj2​​

误差的分配

根据已知的或给定的间接测量量y的误差ζy\zeta_yζy​,确定各直接测量量xj(j=1,2,…,n)x_j(j=1,2,…,n)xj​(j=1,2,…,n)的误差σjσ_jσj​或εjε_jεj​

具体应用:已知对某个总偏差限定在一个范围,然后通过等作用原则计算对每个直接测量量的偏差要求,通过调整直接测量量的偏差需求,使用误差传递公式得出最后是否满足要求。

现代检测技术-测量误差和处理相关推荐

  1. 苹果新算法已混进 iOS 14.3!CSAM 检测技术再遭网友争议

    整理 | 禾木木.郑丽媛 出品 | AI科技大本营(ID:rgznai100) 苹果宣布即将推出 CSAM 检测系统时,遭到了 4000 多个组织及个人的公开反对,他们质疑苹果会破坏用户隐私和端到端加 ...

  2. 我在旷视研究院做检测 | 技术头条

    作者 | 俞刚,旷视研究院Detection组负责人.2014年博士毕业于新加坡南洋理工大学,加入旷视.主要负责检测,分割,跟踪,骨架,动作行为等方面的研究以及算法落地工作.俞刚博士带队参加 2017 ...

  3. AOI光学自动检测技术 | 基本原理与设备构成

    点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 一,引言: AOI(automatically optical i ...

  4. 图像分类和目标检测技术有什么区别?

    点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 图像分类和目标检测技术是计算机视觉领域的重要研究方法.这些技术帮助 ...

  5. 基于深度学习的目标检测技术的演进:从R-CNN到Faster R-CNN

    导语 什么是Objection Detection?就是在给定的图片中精确的找到物体所在位置,并且标注出物体的类别.目标检测要解决的问题就是物体在哪里?是什么?这样的问题.然而,这个问题并不是那么容易 ...

  6. 北航孙钰:昆虫目标检测技术

    2020-05-07 12:36:00 不到现场,照样看最干货的学术报告! 嗨,大家好.这里是学术报告专栏,读芯术小编不定期挑选并亲自跑会,为大家奉献科技领域最优秀的学术报告,为同学们记录报告干货,并 ...

  7. javascript客户端检测技术

    1. Firefox  Gecko是firefox的呈现引擎.当初的Gecko是作为通用Mozilla浏览器一部分开发的,而第一个采用Gecko引擎的浏览器是Netscape6: 我们可以使用用户代理 ...

  8. 基于VMM的Rootkit检测技术及模型分析

    Linux通过其特有的虚拟文件系统(Virtual Filesystem)实现对多种文件系统的兼容.虚拟文件系统又称虚拟文件系统转换(Virtual Filesystem Switch vFs),是一 ...

  9. 基于深度学习的病毒检测技术无需沙箱环境,直接将样本文件转换为二维图片,进而应用改造后的卷积神经网络 Inception V4 进行训练和检测...

    话题 3: 基于深度学习的二进制恶意样本检测 分享主题:全球正在经历一场由科技驱动的数字化转型,传统技术已经不能适应病毒数量飞速增长的发展态势.而基于沙箱的检测方案无法满足 APT 攻击的检测需求,也 ...

  10. 图像检测技术的研究现状

    图像检测技术的研究现状 技术检测 图像处理知识库 · 2016-01-08 19:59 图像检测技术的研究现状 所谓图像检测,就是通过图像对感兴趣的特征区域(检测目标)进行提取的过程,其中图像是承载检 ...

最新文章

  1. .net MySQL事物_在ASP.NET 2.0中操作数据之六十一:在事务里对数据库修改进行封装...
  2. ios 构建版本一直在处理中_iOS -打包上传成功,在构建版本一直刷不出来
  3. 动手实现一个适用于.NET Core 的诊断工具
  4. 配置Struts2的异常处理
  5. 质量超高的UI素材站!推荐UI\UX设计师
  6. spring整合logback
  7. 防止linux系统文件被误删除,Linux系统防止误删除文件
  8. java实现10种排序算法
  9. 利用tensorflow加载VGG19
  10. adb 黑域app_黑域app怎么用?新版黑域app使用图文教程
  11. 搭建属于你的家庭网络实时监控–HTML5在嵌入式系统中的应用·高级篇
  12. SOS关于组建星际物质研究自愿者协会的倡议
  13. 投资银行业务过关必做1500题
  14. activity组任务使用
  15. vue脚手架创建项目时的 linter / formatter 配置选择
  16. 北美独立战争: 美国人编出来的神话
  17. wps怎么免费导出简历_简历模板免费下载wps手机,简历模板免费下载wps可编辑
  18. 专门做评测APP的网站整理中
  19. 泰凌微BDT烧录软件遇到的问题
  20. 卡尔曼(kalman)详解

热门文章

  1. ideaIU-2017.3.4安装破解图文教程详细步骤
  2. 宏观经济模型代码来源 :MMB库
  3. 【robo3t-1.2.1】 windos安装
  4. WD西部数据2TB,2.5寸移动硬盘,因为磁头坏了,长时间通电导致划片划伤,维修过程通过反复更换磁头
  5. ENSP-----ISIS协议
  6. informatic从多张表取数、或多表关联
  7. Vue+Element UI 商城后台管理系统
  8. Python3 使用psycopg2模块 批量写入数据到PostgreSQL数据库(最强输出速度,单机数据库3000W数据写入最多180秒)
  9. 微信小程序---选项卡
  10. 分布式光伏风电新能源电站并网必备须知:正反向隔离装置组网-也适用于微网储能虚拟电厂