diff --git a/src/content/posts/2026/2026.8/leveling-network-adjustment.md b/src/content/posts/2026/2026.8/leveling-network-adjustment.md
new file mode 100644
index 0000000..e83d0de
--- /dev/null
+++ b/src/content/posts/2026/2026.8/leveling-network-adjustment.md
@@ -0,0 +1,203 @@
+---
+title: 从间接平差到程序：一个水准网最小二乘解算案例
+categories:
+  - 学习
+  - 测量平差
+tags:
+  - 测量平差
+  - 最小二乘
+  - C#
+  - 矩阵
+summary: >-
+  以一个含两个已知点、三个未知点和七条观测边的水准网为例，梳理间接平差的观测方程、法方程、精度评定与程序实现边界，并给出可复算的系数矩阵和计算结果。
+date: 2026-08-27 21:00:00
+abbrlink: e67166f3
+---
+
+记录一下课程设计。
+## 问题：已知两点，求三个未知点
+
+设已知点为 $A$、$B$，未知点为 $P_1$、$P_2$、$P_3$。已知高程分别为：
+
+$$
+H_A=5.016\ \mathrm{m},\qquad H_B=6.016\ \mathrm{m}
+$$
+
+观测得到七条高差及对应路线长度。路线越长，观测通常越不稳定，因此这里采用与距离成反比的权：
+
+$$
+p_i=\frac{1}{s_i}
+$$
+
+其中 $s_i$ 的单位为 km，$p_i$ 为第 $i$ 条观测的权。
+
+| 边号 | 起点 | 终点 | 观测高差 / m | 距离 / km | 权 |
+| --- | --- | --- | ---: | ---: | ---: |
+| 1 | A | $P_1$ | 1.359000 | 1.1 | 0.909091 |
+| 2 | A | $P_2$ | 2.009000 | 1.7 | 0.588235 |
+| 3 | B | $P_1$ | 0.363000 | 2.3 | 0.434783 |
+| 4 | B | $P_2$ | 1.012000 | 2.7 | 0.370370 |
+| 5 | $P_1$ | $P_2$ | 0.657000 | 2.4 | 0.416667 |
+| 6 | $P_1$ | $P_3$ | 0.238000 | 1.4 | 0.714286 |
+| 7 | $P_3$ | B | -0.595000 | 2.6 | 0.384615 |
+
+单独沿任一路线推高程，会因观测误差得到彼此不完全一致的答案；平差的任务就是在全部观测共同约束下，找到一组最合理的未知高程。
+
+## 从观测方程到法方程
+
+一般地，设观测值为 $L_i$，观测值改正数为 $v_i$，待定参数为 $X_j$，则平差后的观测值满足：
+
+$$
+L_i+v_i=f_i(X_1,X_2,\ldots,X_t)
+$$
+
+对非线性问题，可在近似值 $X_j^0$ 附近展开：
+
+$$
+X_j=X_j^0+\hat{x}_j
+$$
+
+忽略二阶及以上小量后，得到线性化观测方程。写成矩阵形式就是：
+
+$$
+V=BX-l
+$$
+
+这里 $V$ 是观测改正数向量，$B$ 是系数矩阵，$X$ 是参数改正数向量，$l$ 是常数项向量。
+
+间接平差要求加权改正数平方和最小：
+
+$$
+V^TPV=\min
+$$
+
+将 $V=BX-l$ 代入并对 $X$ 求极值，可得：
+
+$$
+B^TPBX=B^TPl
+$$
+
+记
+
+$$
+N_{BB}=B^TPB,\qquad W=B^TPl
+$$
+
+则法方程与参数改正数分别为：
+
+$$
+N_{BB}X=W
+$$
+
+$$
+X=N_{BB}^{-1}W=(B^TPB)^{-1}B^TPl
+$$
+
+在这个案例中，未知参数的顺序取为 $(P_1,P_2,P_3)$，对应的系数矩阵为：
+
+$$
+B=
+\begin{bmatrix}
+1&0&0\\
+0&1&0\\
+1&0&0\\
+0&1&0\\
+-1&1&0\\
+-1&0&1\\
+0&0&-1
+\end{bmatrix}
+$$
+
+每一行只表达一条观测边对未知点高程的影响。例如，第五条边从 $P_1$ 指向 $P_2$，所以该行是 $(-1,1,0)$；第七条边从 $P_3$ 指向已知点 $B$，因而只保留 $P_3$ 的系数 $-1$。
+
+## 解算后还能得到什么
+
+求出 $X$ 后，程序还应继续完成结果回代，而不是只停在一个参数向量：
+
+$$
+\hat{X}=X^0+X
+$$
+
+$$
+V=BX-l
+$$
+
+$$
+\hat{L}=L+V
+$$
+
+这三步分别给出未知点平差值、观测改正数和观测值平差值。对于本例，最终高程为：
+
+$$
+\begin{aligned}
+H_{P_1}&=6.37475734\ \mathrm{m}\\
+H_{P_2}&=7.02785520\ \mathrm{m}\\
+H_{P_3}&=6.61214227\ \mathrm{m}
+\end{aligned}
+$$
+
+对应的改正数很小：
+
+| 边号 | 改正数 $v$ / m | 平差后高差 / m |
+| --- | ---: | ---: |
+| 1 | -0.000243 | 1.358757 |
+| 2 | 0.002855 | 2.011855 |
+| 3 | -0.004243 | 0.358757 |
+| 4 | -0.000145 | 1.011855 |
+| 5 | -0.003902 | 0.653098 |
+| 6 | -0.000615 | 0.237385 |
+| 7 | -0.001142 | -0.596142 |
+
+精度评定也必须伴随结果一起输出。若观测数为 $n$、未知参数数为 $t$，则多余观测数为：
+
+$$
+r=n-t
+$$
+
+单位权中误差为：
+
+$$
+\hat{\sigma}_0=\sqrt{\frac{V^TPV}{n-t}}
+$$
+
+未知参数的协因数阵与方差阵为：
+
+$$
+Q_{\hat{X}\hat{X}}=(B^TPB)^{-1}
+$$
+
+$$
+D_{\hat{X}\hat{X}}=\hat{\sigma}_0^2Q_{\hat{X}\hat{X}}
+$$
+
+本例计算出的单位权中误差约为 $0.002225\ \mathrm{m}$。它不是某一个点的误差，而是这套观测在单位权意义下的整体精度指标。
+
+## 程序实现：让流程可操作，而不只是可计算
+
+将平差公式写成程序时，我把责任分开，而不是把所有逻辑堆在窗体事件里：
+
+| 模块 | 责任 |
+| --- | --- |
+| `KnownPoint`、`Observation` | 保存已知点、观测边与距离等输入数据 |
+| `DataCheck` | 检查空点名、重复点名、高差格式、正距离、与已知点的连通性、观测数量等 |
+| `MatrixOperations` | 用二维数组实现加减乘、转置和求逆 |
+| `LeastSquares` | 生成 $B$、$P$、$l$，解法方程并回代计算 |
+| `DataStore` | 暂存已导入或手动录入的数据 |
+| `Report` | 用 `StringBuilder` 组织平差报告，供预览或导出 |
+| `LogService` | 记录导入、检查、计算与输出过程 |
+
+整个交互流程可以概括为：
+
+```text
+导入/手动输入 → 数据检查 → 保存数据 → 平差计算 → 查看结果 → 输出报告
+                    ↑
+             检查失败则提示并返回输入
+```
+
+这里数据检查并非附属功能。若水准网中存在孤立点、观测边没有连到已知点，或者距离为零，后续矩阵即使“算出结果”也没有测量意义。因此，先验证网络可用性，再进入最小二乘计算，是程序层面对应理论前提的一道关口。
+
+## 小结
+
+这个案例把水准网间接平差压缩成了一条清晰的链路：观测数据决定权阵与常数项，网络拓扑决定系数矩阵，最小二乘条件导出法方程，回代和精度评定则让结果从“一个答案”变成可解释的测量成果。
+
+对我来说，自己实现矩阵运算和法方程求解的价值不在于替代现成库，而在于真正看清 $B^TPB$、$B^TPl$ 和观测改正数是如何从一条条水准路线中生长出来的。