1cm， 高程较差中误差为±2. 3cm。
[0061] 如果四等水准网高程中误差取±2. 0cm，RTK高程测量的中误差采用其预设精度 ±2. 0cm，则利用误差传播定律可以得到高程较差理论中误差为±2. 8cm，高程较差允许误 差为±5. 6cm。可见求得的高程较差中误差小于高程较差理论中误差。
[0062] 根据实际经验，由RTK测量的高程计算出的相邻高差受相邻点间的长度影响较 小，高差精度主要与四等水准测段长度有关。利用高差较差参照不同精度双观测值情况计 算出高差较差单位（每公里）中误差为± 1. 89cm。
[0063] 如果RTK高程测量的中误差采用其预设精度±2. 0cm，四等水准高差中误差取 ± 1. 0cm，得高差较差理论单位中误差为±3. 0cm。显然，计算的高差较差单位中误差小于高 差较差理论单位中误差，证明RTK高程测量能够满足《城市测量规范》对四等水准网的精度 要求。
[0064] RTK在数字测图中的应用
[0065] 利用RTK快速定位和实时得到坐标结果的特点，可以进行地形的碎部测量来代替 常规的数字测图。以1台GPS基准站，另一台或几台移动的GPS接收机分别开始进行碎部 点测量。地形点的测量可以在数据采集的功能下进行，也可以根据现场地形的实际情况进 行测量设定，在测量T台，球道、果岭、沙坑、湖泊、球车道、障碍物等可以设定按距离进行采 集，距离可以人为设定；在匀速运动测量的过程中，可以设定按时间采集，时间间隔也可人 为设定。采集完将数据格式转换为"点号，东坐标，北坐标，高程"形式，保存到硬盘，使用 Cass软件经过成图处理，生成数字化地形图。
[0066] 地形点的采集可以单人作业，在球场内较为开阔的区域进行数据采集，发现RTK 的采点速度相当快，由于初始化速度快（小于30s)，并且在线运动过程中不失锁，每个碎部 点采集时间不超过2s (含点位代码输人），因此，采点速度几乎等于走路的速度，可以充分 发挥RTK快速高精度定位的优势。
[0067] 也可以在作业中采用RTK测量模式的优势，准确快速地建立图根控制点，在图根 控制点上由全站仪配合电子手簿进行碎部点的数据采集。该法不像常规图根导线测量那么 烦琐，受地形的限制，也不用支仪器设站，从而减少了因多次设站带来的测量累计误差，提 高了全站仪碎部点采点的点位绝对精度，使地形测量方便快捷，大大提高了地形测量的工 作效率。在地形图、地籍图等的测量应用中，均取得了很好的效果。
[0068] 高尔夫球场动态RTK测量的流程如图2所示。
[0069] 高尔夫终端利用WIFI定位原理，实现球场导航
[0070] 高尔夫终端定位采用了两种定位方法，通过三角定位法和指纹数据匹配定位法来 提高导航的准确度。
[0071] 三角定位法
[0072] 三角定位原理非常简单，GPS系统采用的基本原理也是三角定位法。即三点可以 确定一个点。该方法分为两个阶段：
[0073] 基于RSSI的测距
[0074] 该方法的理论基础是：无线电信号强度随着传播距离的增加而衰减1，无线电传 播距离与信号强度的关系。在大量实践的基础上可以得出，接收信号强度log-normal(对 数-常态）分布模型，可以通过信号在传播过程中的衰减计算出传播距离。
[0075] RSSId= P t-Pl (d) (1)
[0076] 其中PI (d)为在距离d位置接收到的信号功率（单位dBm), PI (d0)为距离为参考 距离d0位置接收到的信号功率，一般取lm。n为信号衰减因子，X。为均值为0的高斯随机 变量。接收端的信号强度：
[0077] RSSId= P t-Pl (d) (2)
[0078]基于实际情况及室内环境的因素，一般通过（1)，（2)式进一步将RSSI定位模型简 化为如下公式：
[0079] RSSId= A-lOnlgd (3)
[0080] 通过对（3)式演化，我们得到了通过RSSI值算出距离的公式：
[0082] 由公式（4)，我们可以根据信号强度RSSI计算出距离d。通过距离d可以简单计 算出一个范围。
[0083] 定位
[0084] 通过上面的测距，就可以测得三个不同位置的AP的RSSI，然后通过无线传输损耗 模型计算出对应的距离d，然后以这三个位置为圆心，以d为半径画圆，所得三个圆的交点 即为要求的坐标点；如图3所示。
[0085]已知 A (xl，yl)到D(X，y)的距离为 dl，B(x2, y2)到D的距离为 d2,C(x3, y3)到D 的距离为d3,我们可以得出：
[0087] 由公式（5)，我们可以推导出点D的坐标（x，y)。
[0088] 然而上面只是一种理想的模型，在实际情况中，不可能这么理想，可能会遇到以下 各种情况：
[0089]a)、只有一个AP热点信号，如图4所示；
[0090] b)、有两个AP热点信号时，两个圆可能交叉，如图5所示；两个圆可能相离，如图6 所示。
[0091] c)、三个AP热点信号时，三个圆可能交叉，如图7所示；三个圆可能相离，如图8所 不〇
[0092] d)、以及其他更加复杂的情况等。
[0093]通过对以上分析，假设我们在X (x，y)点能够获取到n个AP信号API (xl，y2)，AP2 (叉2,72)，六?3(叉3,73)~六卩11(叉11，711)建立如下模型：
[0095] 由式（6)可以得出线性方程组：
[0096] AX = B (7)
[0097] 式（7)通过解线性方程组就可以求得X点的坐标。
[0098] 在通过RSSI测距的实践中，由于室内环境部署复杂，信号干扰大，通过这种方法 得到的结果经常偏差较大。于是，我们又采用了下面的算法。
[0099] 基于指纹数据库及余弦相似性的定位算法
[0100] 由于室内环境复杂，Wifi信号具有很强的时变性，如图9所示。
[0101] 图9中是不同时间采集到的同一 AP的WIFI信号强度，由图中可以看出，WIFI的 信号强度随着时间，以及环境的不同，在时刻变化着，所以，无线信号衰减模型难以准确的 表现出距离与信号强度的关系。而基于指纹数据库的匹配定位方法就具有很好的鲁棒性。
[0102] 指纹数据匹配算法主要也有两个阶段：
[0103] 训练阶段
[0104] 训练阶段主要是建立一个坐标点与WIFI信号强度向量的映射关系，从而建立一 个指纹库（radio map)训练阶段中，我们通过脚本采集不同位置的信号并发送到服务端。
[0105] 通过脚本在每个位置上每隔5s采集一次数据，总共采集100次数据，并将数据上 传到服务器上。
[0106] 采集后，我们对每个指纹特征采用AP的RSSI均值，即
[0108] 即对同一个AP采集的多次数据取平均值，以此建立指纹数据库。
[0109] 定位阶段
[0110] 定位阶段的主要工作是根据一定的匹配算法，将接收到的AP的RSSI向量与数据 库中的值进行匹配，找到一个最合适的值返回坐标。常用得匹配算法有NN，KNN，神经网络 等，经过综合考虑，我们决定采用余弦相似性来进行匹配。
[0111] 余弦相似性是通过测量两个向量内积空间的夹角的余弦值来判定两个向量之间 的相似程度。余弦值越接近1，其夹角越接近〇,表示两个向量越相似。如图10所示。
[0112] 两个向量间的余