校正英文calibration的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和整理懶人包

考量CSI相位偏移偵測與校正之室內定位演算法

為了解決校正英文calibration的問題，作者林聖曄 這樣論述：

通道狀態資訊(Channel StateInformation, CSI)可用於室內定位，起到監視人們生活的作用。它使用Wi-Fi多通道訊號，不受光源、聲音干擾，並具備優異的角度、距離感測能力。本文研究中心頻率5.22GHz，頻寬20MHz，56子載波的CSI量測值。在9個不同位置，收集實驗室中57個位置傳送的CSI訊號。在本研究中，我們發現隨機π跳動問題，使得每根天線的相位可能出現±π偏移，這主要是硬件的鎖相環造成的。由於相位的不同，三根天線之間有四種可能的相位差組合。為了估計使用者的位置，我們把CSI量測值轉化為熱力圖作為深度學習網路模型的輸入，來解決本問題。為了克服多路徑效應，經由多訊

號分類(Multiple Signal Classification, MUSIC)計算出到達角(Angle of Arrival, AoA)與飛行時間(Time of Flight, ToF)的熱力圖。然而，由於ToF量測平台存在延時偏移，在本研究中，把熱力圖最大值對應的距離平移到信號強度(Received Signal Strength Indicator, RSSI)對應的距離，再以接入點(access point, AP)的位置為中心，朝向為AoA參考方向，把極坐標轉為直角坐標。由於每根天線可能有π相位偏移，三根天線之間有四種相位組合，所以每筆資料的Rx有四張熱力圖。本文以卷積神經網路

(Convolutional Neural Network, CNN)、殘差神經網路(Residual Neural Network, ResNet)等神經網絡組成的深度學習網路(Deep Learning based wireless localization, DLoc)，用訓練出的模型對不同位置的預測準確度，來探究AP數量、相位校正等因素對深度學習效能的影響，並與深度卷積網路(Deep Neural Network, DNN)和SpotFi的方法在校正π相位偏移的效能上作對比。

數位模擬在多軸機械手臂離線編程之軌跡校正應用之研究

為了解決校正英文calibration的問題，作者陳雲樵 這樣論述：

隨著工業 4.0 的時代來臨，改變了工廠的生產型態，由單一大量轉為多元化少量的生產方式，因此產線要能夠隨產品的變化迅速的做修改調整，藉由數位工廠的加入，以模擬提前進行製造輔助及控制優化，在達到完全虛實融合之前，皆由單向的模擬參數提供給實際設備以達到快速調整的作用；或是由實際設備數據回饋至模擬分析來提供迅速優化的效果，以上兩者皆以提高效率減少錯誤發生為主要目的。 其中工業機械手臂的控制，就是可由數位模擬輔助優化的重點項目之一，傳統機械手臂教導是在設備機構組立大部分完成後才開始進行，並且在依照需要的各個工作點位做教導，若配合數位模擬使用機械手臂離線編程之方式，即可提前教導與規畫路徑以縮短現場

操作時間。 本研究使用 Visual Components 模擬軟體，先製作出模擬的佈局後，並在模擬中教導機械手臂後即可將程式匯出，在現實中搭配 KUKA六軸工業機械手臂，利用使用者座標做三點校正之方式，使模擬與實際的軌跡接近一致，以達到快速教導的目的。