千寻和省cors精度对比_测量员实操攻略：解析省CORS和千寻CORS账号区别及其如何选择运用...

最新推荐文章于 2025-03-28 22:47:05 发布
最新推荐文章于 2025-03-28 22:47:05 发布
阅读量8.4k 收藏 5
点赞数
文章标签： 千寻和省cors精度对比
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_36108036/article/details/111919688
版权

在测绘界说到CORS、CORS账号，想必大家都不陌生，CORS—连续运行卫星定位服务系统，现在多代指网络RTK，是在传统RTK的基础上发展出来的一种新兴技术。它是由多个参考站组成的一个网络，统一把数据传送到服务器，服务器通过优化软件和移动站的位置将最近的一个基站的数据传递给移动站，或者在移动站附近虚拟出一个基站信息来供移动站进行差分解算。用户只需一台接收机即可进行厘米级的实时快速定位。

目前国内“CORS网”系统主要有两大巨头：

一、省cors账号

由国家测绘部门组织建设的“全国卫星导航定位基准服务系统”，像我们购买的省级cors网、县级cors网这样的区域cors都属于这个系统的产物。

它在各区域独立运营，技术、服务也相对独立。有关信息成果，主要在本地区、本行业内交流共享，难以实现跨地区、跨行业的系统整合。这会给那些跨区域作业的测量人员带来一些不必要的困扰和成本。

二、千寻cors账号

千寻位置建设和运营的国家北斗地基增强系统—“全国一张网”。该系统以北斗导航系统为主体，兼容GPS、GLONASS、伽利略等卫星导航系统信号。实现了统一规划、组网及跨区域无缝服务，同时支持大规模、高并发的基准站及用户接入，突破了行业瓶颈，为各类市场及应用提供更低成本的服务，但由于受千寻官方政策所限，千寻临时账号、千寻天账号购买难度高，测绘界大多推崇从cors官方网购得，性价比高，能为经常使用千寻临时账号的测量员，省去一笔费用。

千寻位置的服务没有聚焦于某个特定领域，是基于RTK(载波相位差分)技术开发的能够为全国大部分地区提供位置数据的服务。覆盖范围可以达到全国32个省市，面向测绘行业的就有千寻知寸-FindCM、千寻见微-FindMM、千寻云迹-FindTrace等服务，而普通的测量用户们经常用到的就是其中的千寻知寸-FindCM，厘米级精度服务，一个CORS账号全国通用。

三、使用千寻知寸FindCM服务流程

1.您在购买千寻知寸服务后，会向您发送一个差分账号和密码。

2.您需要根据差分账号和密码，到终端设备(GNSS接收机)上配置CORS参数。

1)地址

2)端口

端口：8001——对应坐标框架ITRF2008——参考历元2016.0

端口：8002——对应坐标框架WGS84——参考历元2005.0

端口：8003——对应坐标框架CGCS2000——参考历元2000.0

3)Mountpoint/源/挂载点

RTCM32_GGB或RTCM30_GG

张文璟
关注
粒子群算法Particle Swarm Optimization超详细解析+代码实例讲解
猫敷雪
01-11 687
粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法(Evolutionary Algorithm - EA)。
MATLAB实现粒子群算法 Particle Swarm Optimization【数学建模、科学计算算法】.zip
04-14
MATLAB实现各类算法，适用于数学建模、科学计算、科研数据分析等场景。 项目代码可直接编译运行~
粒子群算法详解 附详细实现代码
09-28
粒子群算法入门必备，超详细。 在全局版的标准粒子群算法中，每个粒子的速度的更新是根据两个因素来变化的，这两个因素是：1. 粒子自己历史最优值pi。2. 　粒子群体的全局最优值pg。如果改变粒子速度更新公式，让每个粒子的速度的更新根据以下两个因素更新，A. 粒子自己历史最优值pi。B. 粒子邻域内粒子的最优值pnk。其余保持跟全局版的标准粒子群算法一样，这个算法就变为局部版的粒子群算法。
经典优化算法：粒子群优化算法（Particle swarm optimization，PSO）
最新发布
yuchunyu12的博客
03-28 1229
粒子群优化算法是1995年发表在“Proceedings of ICNN'95 - International Conference on Neural Networks”的优化算法，至今直接引用3w+，是最经典的优化算法之一。
粒子群算法实例详解
09-09
粒子群算法作为MATLAB智能算法之一，其优点是简单好用
粒子群算法(详细的算法介绍讲解及代码)
10-07
二、粒子群算法的具体表述 上面罗嗦了半天，那些都是科研工作者写论文的语气，不过，PSO的历史就像上面说的那样。下面通俗的解释PSO算法。 PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。大家也可以观察一下，鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。这个过程我们转化为一个数学问题。寻找函数 y=1-cos(3*x)*exp(-x)的在[0,4]最大值。 ----------------------------------------------------------------- 标准粒子群算法的实现思想基本按照粒子群算法(2)----标准的粒子群算法的讲述实现。主要分为3个函数。第一个函数为粒子群初始化函数 InitSwarm(SwarmSize......AdaptFunc)其主要作用是初始化粒子群的粒子，并设定粒子的速度、位置在一定的范围内。本函数所采用的数据结构如下所示： 表ParSwarm记录的是粒子的位置、速度与当前的适应度值，我们用W来表示位置，用V来代表速度，用F来代表当前的适应度值。在这里我们假设粒子个数为N，每个粒子的维数为D。 ---------------------------------------------------------------------
粒子群优化算法（详细易懂，很多例子）
12-13
详细、透彻介绍粒子群算法比较好的PPT课件，适合初学者透彻理解粒子群算法的概念、原理和流程
粒子群优化算法
weixin_33834679的博客
12-05 227
粒子群优化算法属于群智能(swarm intelligence)优化算法。群智能分两种，一种是粒群优化，另一种是蚁群优化。 群智能概念 假设你和你的朋友正在寻宝，每个人有个探测器，这个探测器可以知道宝藏到探测器的距离。你们一群人在找，每个人都可以把信息共享出去，就跟打dota时你可以有你队友的视野，你可以知道其他所有人距离宝藏的距离，这样，你看谁离宝藏最近，...
优化算法——粒子群算法(PSO)
热门推荐
null的专栏
06-11 19万+
一、粒子群算法的概述 二、粒子群算法的流程
粒子群算法
qq_52117903的博客
07-16 6万+
粒子群算法，其全称为粒子群优化算法(ParticleSwarmOptimization,PSO)。它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的搜索算法。粒子群算法属于启发式算法也叫智能优化算法，其基本思想在于通过群体中个体之间的协作和信息共享来寻找最优解。1995年，美国学者Kennedy和Eberhart共同提出了粒子群算法，其基本思想源于对鸟类群体行为进行建模与仿真的研究结果的启发。粒子优化问题的候选解位置候选解所在的位置速度候选解移动的速度适应度。...
自话粒子群算法（超简单实例）
weixin_30659829的博客
10-06 409
简介 上次在自话遗传算法中提到后期会写两篇关于粒子群算法和蚁群算法的博文，所以这次给大家带来的是我对粒子群的一些理解，并附带一个相当简单的实例去描述这个算法，我会尽力通俗易懂的把整个算法描述一遍，其实粒子群算法的思想也挺简单的，希望我不要反而写复杂了，下面同样引用百度百科的摘要结束简介部分。 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computat...
粒子群算法代码
04-09
粒子群算法
【粒子群算法】（Particle Swarm Optimization）超详细解析+入门代码实例
weixin_49830062的博客
09-03 1580
粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法(Evolutionary Algorithm - EA)。
【算法】粒子群算法Particle Swarm Optimization超详细解析+代码实例讲解
infinitor的博客
11-08 1075
01 算法起源 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序...
【智能算法】粒子群算法（Particle Swarm Optimization）超详细解析+入门代码实例讲解...
infinitor的博客
09-12 1037
【智能算法】粒子群算法（Particle Swarm Optimization）超详细解析+入门代码实例讲解 喜欢的话可以扫码关注我们的公众号哦，更多精彩尽在微信公众号【程序猿声】 01 算法起源 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和ken...
【算法】浅析粒子群优化算法【附完整示例】
Young_Pro的博客
07-29 5630
粒子群优化算法是一种群体智能优化算法，通过模拟鸟群或鱼群的行为，利用群体中个体的合作与竞争，实现全局最优解的搜索。粒子群优化算法作为一种基于群体智能的优化算法，在实际应用中具有广泛的意义。通过本文的介绍，相信大家对粒子群优化算法的原理、使用和意义有了更深入的了解。在实际问题求解过程中，我们可以根据问题的特点，灵活运用粒子群优化算法，提高问题求解的效率。
智能算法（一）——基本粒子群算法
j_jiajia的博客
07-16 1800
使用粒子群优化（PSO）算法来解决Rosenbrock函数最小化问题的Python示例代码。此外，我还将包括一个使用matplotlib库来绘制每次迭代后找到的最佳解（即最小函数值）的图形。
粒子群算法python代码实例
03-06
粒子群算法（Particle Swarm Optimization，PSO）是一种优化算法，用于解决各种优化问题。下面是一个使用Python实现的粒子群算法的代码示例： ```python import random class Particle: def __init__(self, dim): self.position = [random.uniform(-5, 5) for _ in range(dim)] self.velocity = [random.uniform(-1, 1) for _ in range(dim)] self.best_position = self.position.copy() self.best_fitness = float('inf') def update_velocity(self, global_best_position, w, c1, c2): for i in range(len(self.velocity)): r1 = random.random() r2 = random.random() cognitive_component = c1 * r1 * (self.best_position[i] - self.position[i]) social_component = c2 * r2 * (global_best_position[i] - self.position[i]) self.velocity[i] = w * self.velocity[i] + cognitive_component + social_component def update_position(self): for i in range(len(self.position)): self.position[i] += self.velocity[i] if self.position[i] < -5: self.position[i] = -5 elif self.position[i] > 5: self.position[i] = 5 def evaluate_fitness(self): # 这里根据具体的优化问题来定义适应度函数 x, y = self.position[0], self.position[1] fitness = (x - 2) ** 2 + (y - 3) ** 2 if fitness < self.best_fitness: self.best_fitness = fitness self.best_position = self.position.copy() def particle_swarm_optimization(dim, num_particles, max_iterations): particles = [Particle(dim) for _ in range(num_particles)] global_best_position = None global_best_fitness = float('inf') for _ in range(max_iterations): for particle in particles: particle.evaluate_fitness() if particle.best_fitness < global_best_fitness: global_best_fitness = particle.best_fitness global_best_position = particle.best_position.copy() for particle in particles: particle.update_velocity(global_best_position, 0.5, 1, 2) particle.update_position() return global_best_position, global_best_fitness # 示例使用二维空间中的粒子群算法来求解(x-2)^2 + (y-3)^2 的最小值 best_position, best_fitness = particle_swarm_optimization(2, 50, 100) print("Best position:", best_position) print("Best fitness:", best_fitness) ``` 这段代码实现了一个简单的粒子群算法，用于求解二维空间中函数 (x-2)^2 + (y-3)^2 的最小值。代码中的参数可以根据具体问题进行调整。在每次迭代中，粒子根据自身的速度和位置更新策略来更新自己的位置，并根据新位置计算适应度值。全局最优解是所有粒子中适应度值最小的解。最后，算法返回全局最优解的位置和适应度值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值