测量数据处理
测量数据处理的测绘技术方法
测量数据处理的测绘技术方法测量数据处理是测绘技术中的一个重要环节，通过对测量数据的处理，可以获取准确、可靠的地理空间信息。
本文将从数据采集、数据处理和数据应用三个方面介绍测量数据处理的测绘技术方法。
一、数据采集数据采集是测量数据处理的第一步，其目的是通过测量的手段获取地理空间信息。
常用的数据采集方法包括地面测量、空中摄影测量和遥感技术。
地面测量是最为常见和直接的数据采集方法，通过使用测量仪器（如全站仪、经纬仪等）在地面上进行测量，获取地理空间信息。
这种方法适用于小范围、高精度的测量任务，如道路工程、管线布设等。
空中摄影测量利用航空或无人机搭载的相机，通过连续拍摄地面图像，再利用测量和解译技术，获取地理空间信息。
这种方法适用于大范围、中等精度的测量任务，如土地利用规划、城市建设等。
遥感技术则是利用遥感卫星或无人机等远距离获取地面图像和其他相关数据，通过遥感图像的解译和处理，提取地理空间信息。
这种方法适用于大范围、低成本的数据采集，如农业生态监测、自然资源调查等。
二、数据处理数据采集后，需要经过一系列的数据处理方法，包括数据预处理、数据精化、数据配准和数据建模。
数据预处理主要是对原始数据进行去噪、去毛刺、去畸变等处理，使得数据更加准确可靠。
常用的预处理方法包括滤波、滤波和校正等。
数据精化是指对原始数据进行插值、平滑等处理，提高数据的精度和完整性。
常用的精化方法包括反距离权重法、克里金插值法等。
数据配准是指将不同数据源或不同时期的数据进行匹配和对齐，以确保数据的一致性和可比性。
常用的配准方法包括地物特征匹配、控制点匹配等。
数据建模是指将处理后的数据进行模型化，以便后续的空间分析和应用。
常用的建模方法包括数字高程模型（DEM）的建立、三维模型的构建等。
三、数据应用通过对测量数据的处理，可以得到准确的地理空间信息，这些信息可以在各个领域中得到应用。
在城市规划与建设领域，测量数据处理可以提供土地利用规划、土地开发评估等信息，帮助城市规划者制定合理的规划方案。
测量数据处理与分析方法介绍
测量数据处理与分析方法介绍引言在当今信息时代，测量数据处理与分析的重要性日益凸显。
从科研、工程设计到生产制造，测量数据是必不可少的重要资源。
然而，如何对测量的数据进行处理与分析，以提取有用的信息，解决问题，对许多人来说仍然是一个挑战。
本文将介绍几种常见的测量数据处理与分析方法，帮助读者更好地利用数据资源。
一、Excel数据处理Excel是最常见的电子表格软件，它提供了丰富的数据处理和分析功能。
在测量数据处理中，Excel可以用来进行数据清洗、排序、筛选、求和、计算平均值、标准差等基本操作。
此外，Excel还提供了数据透视表等高级功能，可以用来对大量数据进行汇总和分析。
通过使用Excel，我们可以将测量数据进行简单的统计和计算，为后续的深入分析提供基础。
二、MATLAB数据分析MATLAB是一种专门用于数学计算、数据分析和可视化的编程语言。
它提供了丰富的函数和工具箱，可以方便地进行各种数据处理和分析任务。
在测量数据处理中，MATLAB可以用来进行曲线拟合、数据插值、信号滤波、频谱分析、傅里叶变换等。
通过编写MATLAB脚本，我们可以实现复杂的算法和模型，对测量数据进行更深入的分析和预测。
三、SPSS统计分析SPSS是一种常用的统计分析软件，它提供了丰富的统计方法和分析工具。
在测量数据处理中，SPSS可以用来进行描述性统计、方差分析、回归分析、因子分析、聚类分析等。
通过使用SPSS，我们可以对测量数据进行多变量分析，发现变量之间的关联和规律，为决策提供依据。
SPSS还支持数据可视化和报告生成，方便与他人分享和交流分析结果。
四、Python数据科学库Python是一种通用的编程语言，有着强大的数据科学库，例如NumPy、Pandas、SciPy、Matplotlib等。
这些库提供了丰富的数据处理、统计分析和可视化的功能，适用于各种复杂的测量数据处理任务。
通过Python编程，我们可以灵活地处理和分析数据，构建复杂的模型和算法。
测量数据处理的常用方法和技巧
测量数据处理的常用方法和技巧引言：在科学研究和工程实践中，测量是我们获取数据的主要手段之一。
然而，获得准确且可靠的测量数据并非易事。
在测量数据的处理过程中，需要运用一些常用方法和技巧来提高数据的质量和可信度。
本文将介绍一些常见的测量数据处理方法和技巧，希望能对读者在实际应用中有所帮助。
一、数据收集与整理在进行测量实验之前，我们首先需要确定测量的目的和方法，并准备相应的设备和仪器。
在进行数据收集时，我们应确保仪器的准确性和稳定性。
例如，在长时间的实验中，可能需要定期校准仪器并记录校准过程，以确保测得的数据在可接受的误差范围内。
收集到的数据需要经过整理才能进行进一步的分析。
这包括数据的排序、清洗和转换等过程。
在排序时，可以根据时间、大小或其他有意义的特征对数据进行排列，以便更好地观察数据的规律。
清洗数据时，需要识别和修正异常值或错误值，以确保数据的准确性。
对于离群值的处理，可以考虑删除、替代或使用异常值检测算法进行处理。
另外，有些情况下，数据可能需要进行转换，例如通过对数、指数或相关性转换等，以便更好地展示和解读数据。
二、数据可视化数据可视化是将数据以直观的图表形式呈现，方便我们理解和分析数据的分布和趋势。
常见的数据可视化方法包括散点图、折线图、柱状图、饼图等，根据数据的特点和需求选择合适的图表形式。
通过数据可视化，我们可以直观地观察到数据之间的关系，并找出隐藏在数据背后的规律或趋势。
此外，数据可视化也有助于将复杂的结果用简明的方式展示给他人，以便更好地传递和交流信息。
三、统计分析统计分析是对数据进行量化和推断的过程。
常用的统计分析方法包括描述统计、假设检验、方差分析、回归分析等。
描述统计主要用于对数据的集中趋势和离散程度进行度量，例如平均值、标准差、中位数等。
假设检验是根据样本数据对总体参数假设进行检验，以评估样本结果与总体情况是否一致。
方差分析则用于比较多个样本或处理之间的差异性。
回归分析则用于探索变量之间的关系，并建立预测模型。
测量数据处理方法
测量数据处理方法测量数据处理是现代科学研究和工程实践中不可或缺的一环。
准确、合理地处理测量数据不仅可以获得可靠的研究结果和实验结论，还能提高工程设计的精度和效果。
在本文中，我将介绍一些常用的测量数据处理方法，并讨论它们的应用和优缺点。
一、数据预处理在进行数据处理之前，首先需要对原始数据进行预处理。
数据预处理的主要目的是清洗和去除无效或错误的数据，以确保后续的数据处理过程准确可靠。
常见的数据预处理方法包括数据清洗、异常值检测和数据插补等。
1. 数据清洗数据清洗是指对原始数据中的异常、缺失或错误数据进行识别和处理。
主要的数据清洗方法包括去除重复数据、去除异常数据和修复错误数据等。
通过数据清洗，可以提高数据质量，减小后续数据处理过程的误差。
2. 异常值检测异常值是指与其余数据明显不同的极端值或离群值。
异常值的存在会对数据处理结果产生较大的影响，因此需要进行异常值检测并进行相应处理。
常用的异常值检测方法包括3σ法、箱线图法和Grubbs检验等。
3. 数据插补在数据采集过程中，可能会存在数据缺失的情况。
数据缺失可能是由于传感器故障、测量设备故障或数据采集过程中的其他问题引起的。
为了使数据处理更加准确，需要对缺失数据进行插补。
常用的数据插补方法有均值插补、线性插值和多重插补等。
二、数据转换与归一化数据转换和归一化是将原始数据转换为符合需求或标准的数据形式的过程。
主要目的是消除不同度量单位和尺度对数据处理的影响，并提高模型的精确性和可解释性。
1. 数据平滑数据平滑是通过去除数据中的噪声和波动，使数据呈现出一定的趋势和规律。
常见的数据平滑方法有移动平均法、加权平均法和局部加权回归法等。
2. 数据标准化数据标准化是将不同单位和尺度的数据转换为相同的度量标准。
常用的数据标准化方法包括零-均值标准化（Z-score标准化）和最大-最小值标准化等。
三、数据分析与建模在完成数据处理之后，下一步是对已处理的数据进行分析和建模。
测量数据处理的常用方法和技巧
测量数据处理的常用方法和技巧为了准确地了解和研究某个现象或物体，科学研究中常常需要进行各种测量。
然而，测量数据的处理并不是一项简单的任务，因为它涉及到对数据进行分析、整理和解释。
本文将介绍一些常用的测量数据处理方法和技巧，以帮助读者更好地理解和应用测量结果。
一、数据整理与可视化在进行测量后，首先需要对数据进行整理。
这包括去除异常值、处理缺失值和进行数据清洗等步骤。
异常值指的是与其他观测值相比显著不同的测量结果，可能是由于实验操作不当或设备故障等原因导致的。
缺失值则是指由于某些原因无法获取到的测量数据。
对于异常值和缺失值的处理，可以选择删除、替代或插值等方法，以保证数据的准确性和可靠性。
接下来，可视化是一种常用的数据处理和分析方法。
通过图表、图像和绘图等方式，将数据转化为可视化形式，能够更直观地反映数据的分布、趋势和关联。
常用的可视化工具包括直方图、散点图、折线图等。
通过观察可视化结果，可以更加深入地了解数据的特征，进而进行更准确的数据分析和解释。
二、统计分析方法统计分析是对测量数据进行进一步处理和解释的重要方法。
它可以帮助我们从大量数据中提取关键信息，发现规律和趋势，建立模型等。
常用的统计分析方法有描述统计和推断统计。
描述统计是对数据进行总结和描述的方法。
它包括计算中心位置、变异度、偏度、峰度等指标，这些指标可以用来描述数据的集中程度、离散程度、偏斜程度和峰态程度。
例如，平均值、中位数和众数可以用来描述数据的中心位置；方差和标准差可以用来描述数据的离散程度。
推断统计是一种利用样本数据对总体数据进行推断和预测的方法。
它基于概率论和数理统计的基本假设，通过样本数据来推断总体特征。
例如，t检验和方差分析可以用来比较两组或多组数据之间的差异；回归分析可以用来建立变量之间的关联模型。
三、数据挖掘和机器学习数据挖掘和机器学习是一种利用计算机算法和模型来分析和解释数据的方法。
它可以帮助我们发现隐藏在大量数据中的关联规律和模式，进而进行数据预测和决策支持。
测量数据的处理与分析方法介绍
测量数据的处理与分析方法介绍一、引言在科学研究和工程实践中，测量数据的处理与分析是十分重要的一环。
准确地处理和分析测量数据可以帮助我们揭示事物本质、找出规律，并且为决策提供可靠的依据。
本文将介绍一些常见的测量数据处理和分析方法，以帮助读者更好地掌握这一领域的技巧。
二、数据处理方法1. 数据清理数据清理是数据处理的第一步，目的是排除无效或异常数据。
常见的数据清理方法包括查找和删除重复数据、填充缺失值、剔除异常值等。
对于重复数据，可以通过排序和比较相邻数据的方式来发现和删除。
对于缺失值，可以使用插值方法进行填充，比如线性插值、多项式插值等。
对于异常值，可以采用统计方法或专业领域知识进行识别和剔除。
2. 数据转换数据转换是对原始数据进行处理以满足特定需求的过程。
常见的数据转换方法包括标准化、归一化、对数转换等。
标准化可以将数据转换为均值为0，方差为1的标准正态分布，以方便进行比较和综合分析。
归一化可以将数据映射到[0,1]的范围内，以消除不同量级的影响。
对于数量级差异较大的数据，可以使用对数转换来减小差异，使数据更接近正态分布。
3. 数据聚合数据聚合是将多个数据合并为一个数据的过程，常见的数据聚合方法包括求和、平均、中位数等。
数据聚合可以帮助我们从大量细节中提取出关键信息，进行更加简洁和直观的分析。
三、数据分析方法1. 描述性统计描述性统计是对数据进行总结和描述的统计方法。
常见的描述统计指标包括均值、中位数、众数、标准差、方差等。
通过计算这些统计指标，我们可以了解数据的分布特征、集中趋势和离散程度，从而为后续的分析提供基础。
2. 相关分析相关分析是研究两个或多个变量之间关联关系的统计方法。
常见的相关分析方法包括Pearson相关系数和Spearman等级相关系数。
通过相关分析，我们可以了解和评估不同变量之间的相关性，从而揭示变量之间的内在关系。
3. 回归分析回归分析是研究自变量和因变量之间关系的统计方法。
工程测量中的数据处理方法
工程测量中的数据处理方法引言工程测量是一门关键的学科，它在建筑、土木工程等领域中扮演着至关重要的角色。
测量数据的准确性对于工程项目的成功实施至关重要。
然而，测量过程中所获取到的原始数据往往需要经过一系列处理方法，以消除误差并获得更可靠的结果。
本文将探讨在工程测量中常用的数据处理方法。
一、数据校正数据校正是数据处理的第一步，它主要用于消除仪器和观测误差。
在测量过程中，仪器可能存在一定的偏差，这会导致所得数据与真实值之间存在一定的差异。
校正方法主要包括仪器校准和观测均值的修正。
仪器校准是通过与已知标准进行比较，确定测量仪器的误差值，并进行校正。
这可以通过实验室测试或者比较观测值来实现。
例如，在水准测量中，可以使用已知高程点进行标定以消除仪器刻度的误差。
观测均值的修正是基于多次观测得到的数据，通过统计学方法计算出一个更准确的结果。
常见的方法包括加权平均值和中误差法。
加权平均值使用观测值的权重来计算，较高的权重分配给更可靠的观测值。
中误差法则利用观测值之间的差异来评估观测误差，并提供一个可靠的观测均值。
二、数据平差数据平差是通过一种数学模型，对观测数据进行优化处理，以获得更加可靠和精确的结果。
数据平差主要包括最小二乘法和条件方程法两种常用方法。
最小二乘法是一种广泛应用于工程测量中的数据处理方法。
它基于一个关键假设：观测误差是随机的，并且遵循正态分布。
通过最小化观测值与模型估计值之间的残差平方和，可以获得最佳估计结果。
最小二乘法被广泛应用于距离测量、角度测量和水准测量等领域。
条件方程法是一种将观测数据与先验信息相结合的数据处理方法。
通过建立一组条件方程，将观测数据与已知点、已知线或其他已知约束相连接，以产生一个完整的测量网络。
然后，通过求解这个方程组，可以同时获得未知参数和观测误差的最小二乘解。
三、数据插值数据插值是通过已知的离散数据点，利用数学方法推导出未知点的数值。
在工程测量中，经常需要根据有限的测量数据估计连续空间中的某些未知量。
测绘数据处理的基本方法
测绘数据处理的基本方法测绘数据处理是指对测绘过程中获得的数据进行处理和分析的过程。
这些数据包括地理坐标、高程、形状等信息，可以应用于地图制作、工程规划、环境监测等领域。
本文将介绍测绘数据处理的基本方法，包括数据采集、数据预处理、数据管理和数据分析。
一、数据采集数据采集是测绘数据处理的第一步，它的质量和准确性直接影响后续处理结果的可靠性。
常见的数据采集方法包括地面测量、GPS测量和遥感影像获取。
地面测量是通过使用测量仪器和设备在地面上直接测量目标物体的位置、高程等信息。
这种方法适用于小范围、高精度需求的场景，如土地测绘、建筑物测量等。
地面测量需要有经过专业培训的测量人员操作，并且测量结果需要经过精确的校正和纠正。
GPS测量是利用全球定位系统（GPS）接收卫星信号，测量目标物体的经纬度和高程信息。
GPS测量可以实现大范围、高效率的数据采集，常用于地理信息系统（GIS）中。
但是，由于GPS信号受到建筑物、树木等遮挡物的影响，可能导致误差的产生，因此在数据处理中需要结合其他数据源进行校正。
遥感影像获取是通过卫星、飞机等载具获取地球表面的影像图像，并提取出目标的地理信息。
遥感影像可以提供大范围、多时相的数据，广泛应用于不同领域，如土地利用调查、环境监测等。
遥感影像的处理包括图像配准、地物分类等步骤，以提取出有效的地理信息。
二、数据预处理数据预处理是指对采集到的原始数据进行清洗、校正和转换的过程。
这个步骤的目的是消除数据中的噪声、误差和不一致性，以确保后续处理的准确性和可靠性。
数据清洗主要是对原始数据进行筛选和过滤，删除冗余和无效数据，并对数据进行加密和保护。
数据清洗可以通过编程和算法进行自动化处理，也可以通过人工的方式进行。
数据校正是根据地面控制点或其他高精度数据源对采集数据进行校正和纠正。
校正的目的是消除数据采集过程中的误差，提高数据的准确性。
常见的校正方法包括重叠区域校正、外业观测数据校正等。
数据转换是将不同坐标系统、投影系统、数据格式的数据转换为一致的格式，以便于后续处理和分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目录
一、MATLAB简介
二、角度与弧度互换
1.角度转换为弧度
2.弧度转换为角度
三、坐标正反计算
1.坐标正算
2.坐标反算
四、交会定点
1.前方交会
2.后方交会
五、假设检验
1.单个正态总体均值差的检验
2.两个正态总体均值差的检验
3.Χ2检验
4. F检验
六、多元线性回归
七、成绩评定
（一）MATLAB简介
MATLAB是matrix和laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。
是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。
它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的
编辑模式，代表了当今国际科学计算软件的先进水平。
Maple并称为三大数学软件。
它在数学类科技应用软件中在数值计算方面首屈一指。
MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。
MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。
在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。
可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以
后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。
20世纪70年代，美国新墨西哥大学计算机科学系主任Cleve Moler为了减轻学生编程的负担，用FORTRAN编写了最早的MATLAB。
1984年由Little、Moler、Steve Bangert合作成立了的MathWorks公司正式把MATLAB推向市场。
到20世纪90年代，MATLAB已成为国际控制界的标准计算软件。
MATLAB：统一了用于一维、二维与三维数值积分的函数并提升了基本数学和内插函数的性能MATLAB Compiler：可以下载 MATLAB Compiler Runtime (MCR)，简化编译后的程序和组件的分发Image Processing Toolbox：通过亮度指标优化进行自动
图像配准Statistics Toolbox：增强了使用线性、广义线性和非线性回归进行
拟合、预测和绘图的界面system Identification Toolbox：识别连续时间传递函数。
MATLAB由一系列工具组成。
这些工具方便用户使用MATLAB的函数和文件，其中许多工具采用的是图形用户界面。
包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索和用于用户浏览帮助、工作空间、文件的浏览器。
随着MATLAB的商业化以及软件本身的不断升级，MATLAB的用户界面也越来越精致，更加接近Windows的标准界面，人机交互性更强，操作更简单。
而且新版本的MATLAB提供了完整的联机查询、帮助系统，极大的方便了用户的使用。
简单的编程环境提供了比较完备的调试系统，程序不必经过编译就可以直接运行，而且能够及时地报告出现的错误及进行出错原因分析
Matlab是一个高级的矩阵/阵列语言，它包含控制语句、函数、数据结构、输入和输出和面向对象编程特点。
用户可以在命令窗口中将输入语句与执行命令同步，也可以先编写好一个较大的复杂的应用程序（M文件）后再一起运行。
新版本的MATLAB语言是基于最为流行的C++语言基础上的，因此语法特征与C++
语言极为相似，而且更加简单，更加符合科技人员对数学表达式的书写格式。
使之更利于非计算机专业的科技人员使用。
而且这种语言可移植性好、可拓展性极强，这也是MATLAB能够深入到科学研究及工程计算各个领域的重要原因。
MATLAB是一个包含大量计算算法的集合。
其拥有600多个工程中要用到的数学运算函数，可以方便的实现用户所需的各种计算功能。
函数中所使用的算法都是科研和工程计算中的最新研究成果，而前经过了各种优化和容错处理。
在通常情况下，可以用它来代替底层编程语言，如C和C++ 。
在计算要求相同的情况下，使用MATLAB的编程工作量会大大减少。
MATLAB的这些函数集包括从最简单最基本的函数到诸如矩阵，特征向量、快速傅立叶变换的复杂函数。
函数所能解决的问题其大致包括矩阵运算和线性方程组的求解、微分方程及偏微分方程的组的求解、符号运算、傅立叶变换和数据的统计分析、工程中的优化问题、稀疏矩阵运算、复数的各种运算、三角函数和其他初等数学运算、多维数组操作以及建模动态仿真等。
MATLAB自产生之日起就具有方便的数据可视化功能，以将向量和矩阵用图形表现出来，并且可以对图形进行标注和打印。
高层次的作图包括二维和三维的可视化、图象处理、动画和表达式作图。
可用于科学计算和工程绘图。
新版本的MATLAB对整个图形处理功能作了很大的改进和完善，使它不仅在一般数据可视化软件都具有的功能（例如二维曲线和三维曲面的绘制和处理等）方面更加完善，而且对于一些其他软件所没有的功能（例如图形的光照处理、色度处理以及四维数据的表现等），MATLAB同样表现了出色的处理能力。
同时对一些特殊的可视化要求，例如图形对话等，MATLAB也有相应的功能函数，保证了用户不同层次的要求。
另外新版本的MATLAB还着重在图形用户界面（GUI）的制作上作了很大的改善，对这方面有特殊要求的用户也可以得到满足。
MATLAB对许多专门的领域都开发了功能强大的模块集和工具箱。
一般来说，它们都是由特定领域的专家开发的，用户可以直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码。
领域，诸如数据采集、数据库接口、概率统计、样条拟合、优化算法、偏微分方程求解、神经网络、小波分析、信号处理、图像处理、系统辨识、控制系统设计、LMI控制、鲁棒控制、模型预测、模糊逻辑、金融分析、地图工具、非线性控制设计、实时快速原型及半物理仿真、嵌入式系统开发、定点仿真、DSP与通讯、电力系统仿真等，都在工具箱（Toolbox）家族中有了自己的一席之地。
新版本的MATLAB可以利用MATLAB编译器和C/C++数学库和图形库，将自己的MATLAB程序自动转换为独立于MATLAB运行的C和C++代码。
允许用户编写可以和MATLAB进行交互的C或C++语言程序。
另外，MATLAB网页服务程序还容许在Web应用中使用自己的MATLAB数学和图形程序。
MATLAB的一个重要特色就是具有一套程序扩展系统和一组称之为工具箱的特殊应用子程序。
工具箱是MATLAB函数的子程序库，每一个工具箱都是为某一类学科专业和应用而定制的，主要包括信号处理、控制系统、神经网络、模糊逻辑、小波分析和系统仿真等方面的应用。
（二）角度与弧度互换
1.角度转化为弧度
30.45125表示30度45分12.5秒
角度转化为弧度代码：
2.弧度转化为角度代码：
（三）坐标正反计算（1）坐标正算
（2）坐标反算
（四）交会定点（1）前方交会
（2）后方交会
（五）假设检验(1)单个正态总体均差的检验
（2）俩个正态总体均方差的检验
(3)X2检验
(4)F检验
（六）多元线性回归。