下面列出了java.lang.Math#tan ( ) 实例代码，或者点击链接到github查看源代码，也可以在右侧发表评论。
void Decodifica (double [] cromosoma) {
int i, j;
for (i=0; i<base_reglas.n_reglas; i++) {
for (j=0; j<tabla.n_var_estado; j++) {
base_reglas.BaseReglas[i].Ant[j].x0 = cromosoma[3*(i*tabla.n_var_estado+j)];
base_reglas.BaseReglas[i].Ant[j].x1 = cromosoma[3*(i*tabla.n_var_estado+j)+1];
base_reglas.BaseReglas[i].Ant[j].x2 = cromosoma[3*(i*tabla.n_var_estado+j)+1];
base_reglas.BaseReglas[i].Ant[j].x3 = cromosoma[3*(i*tabla.n_var_estado+j)+2];
base_reglas.BaseReglas[i].Ant[j].y = 1.0;
base_reglas.BaseReglas[i].Ant[j].Nombre = "x" + (j+1);
base_reglas.BaseReglas[i].Ant[j].Etiqueta = "E" + i + j;
base_reglas.BaseReglas[i].Cons[j] = Math.tan (cromosoma[primer_gen_C2+i*(tabla.n_variables)+j]);
}
base_reglas.BaseReglas[i].Cons[j] = Math.tan (cromosoma[primer_gen_C2+i*(tabla.n_variables)+j]);
}
}
/** Inference process with the rule "Consecuentes" */
double Alfa_Error (double [] Consecuentes) {
int i, j;
double suma, salida;
float aux;
for (i=0, suma=0.0; i<n_ejemplos_positivos; i++) {
salida = Math.tan (Consecuentes[tabla.n_var_estado]);
for (j=0; j<tabla.n_var_estado; j++) {
salida += Math.tan (Consecuentes[j]) * tabla.datos[indices_ep[i]].ejemplo[j];
}
suma += tabla.datos[indices_ep[i]].nivel_cubrimiento * Math.pow (tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado]-salida, 2.0);
}
return (suma);
}
void Decodifica (double [] cromosoma) {
int i, j;
for (i=0; i<base_reglas.n_reglas; i++) {
for (j=0; j<tabla.n_var_estado; j++) {
base_reglas.BaseReglas[i].Ant[j].x0 = cromosoma[3*(i*tabla.n_var_estado+j)];
base_reglas.BaseReglas[i].Ant[j].x1 = cromosoma[3*(i*tabla.n_var_estado+j)+1];
base_reglas.BaseReglas[i].Ant[j].x2 = cromosoma[3*(i*tabla.n_var_estado+j)+1];
base_reglas.BaseReglas[i].Ant[j].x3 = cromosoma[3*(i*tabla.n_var_estado+j)+2];
base_reglas.BaseReglas[i].Ant[j].y = 1.0;
base_reglas.BaseReglas[i].Ant[j].Nombre = "x" + (j+1);
base_reglas.BaseReglas[i].Ant[j].Etiqueta = "E" + i + j;
base_reglas.BaseReglas[i].Cons[j] = Math.tan (cromosoma[primer_gen_C2+i*(tabla.n_variables)+j]);
}
base_reglas.BaseReglas[i].Cons[j] = Math.tan (cromosoma[primer_gen_C2+i*(tabla.n_variables)+j]);
}
}
double Alfa_Error(double[] Consecuentes) {
int i, j;
double suma, salida;
for (i = 0, suma = 0.0; i < n_ejemplos_positivos; i++) {
/* Proceso de inferencia con una unica regla */
/* inicializo la salida al valor b. Aplico la tangente para
obtener el valor real porque dicho valor esta codificado
con el angular coding */
salida = Math.tan(Consecuentes[tabla.n_var_estado]);
for (j = 0; j < tabla.n_var_estado; j++) {
salida += Math.tan(Consecuentes[j]) *
tabla.datos[indices_ep[i]].ejemplo[j];
}
suma += tabla.datos[indices_ep[i]].nivel_cubrimiento *
Math.pow(tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado] -
salida, 2.0);
}
return (suma);
}
void Decodifica(double[] cromosoma) {
int i, j;
for (i = 0; i < base_reglas.n_reglas; i++) {
for (j = 0; j < tabla.n_var_estado; j++) {
base_reglas.BaseReglas[i].Ant[j].x0 = cromosoma[3 * base_reglas.b_reglas[i][j]];
base_reglas.BaseReglas[i].Ant[j].x1 = cromosoma[3 * base_reglas.b_reglas[i][j] + 1];
base_reglas.BaseReglas[i].Ant[j].x2 = cromosoma[3 * base_reglas.b_reglas[i][j] + 1];
base_reglas.BaseReglas[i].Ant[j].x3 = cromosoma[3 * base_reglas.b_reglas[i][j] + 2];
base_reglas.BaseReglas[i].Ant[j].y = 1.0;
base_reglas.BaseReglas[i].Ant[j].Nombre = "x" + (j + 1);
base_reglas.BaseReglas[i].Ant[j].Etiqueta = "E" + i + j;
base_reglas.BaseReglas[i].Cons[j] = Math.tan(cromosoma[primer_gen_C2 + i * (tabla.n_variables) + j]);
}
base_reglas.BaseReglas[i].Cons[j] = Math.tan(cromosoma[primer_gen_C2 + i * (tabla.n_variables) + j]);
}
}
public void onSurfaceChanged(GL10 gl, int width, int height)
{
gl.glViewport(0, 0, width, height);
float aspectRatio;
float zNear =.1f;
float zFar =1000;
float fieldOfView = 30.0f/57.3f;
float size;
gl.glEnable(GL10.GL_NORMALIZE);
aspectRatio=(float)width/(float)height;
gl.glMatrixMode(GL10.GL_PROJECTION);
size = zNear * (float)(Math.tan((double)(fieldOfView/2.0f)));
gl.glFrustumf(-size, size, -size /aspectRatio,
size /aspectRatio, zNear, zFar);
gl.glMatrixMode(GL10.GL_MODELVIEW);
}
public void onSurfaceChanged(GL10 gl, int width, int height)
{
gl.glViewport(0, 0, width, height);
float aspectRatio;
float zNear =.1f;
float zFar =1000;
float fieldOfView = 30.0f/57.3f;
float size;
gl.glEnable(GL10.GL_NORMALIZE);
aspectRatio=(float)width/(float)height;
gl.glMatrixMode(GL10.GL_PROJECTION);
size = zNear * (float)(Math.tan((double)(fieldOfView/2.0f)));
gl.glFrustumf(-size, size, -size /aspectRatio,
size /aspectRatio, zNear, zFar);
gl.glMatrixMode(GL10.GL_MODELVIEW);
}
/** Inference process with the rule "Consecuentes" */
double Alfa_Error (double [] Consecuentes) {
int i, j;
double suma, salida;
for (i=0, suma=0.0; i<n_ejemplos_positivos; i++) {
salida = Math.tan (Consecuentes[tabla.n_var_estado]);
for (j=0; j<tabla.n_var_estado; j++)
salida += Math.tan (Consecuentes[j]) * tabla.datos[indices_ep[i]].ejemplo[j];
suma += tabla.datos[indices_ep[i]].nivel_cubrimiento * Math.pow (tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado]-salida, 2.0);
}
return (suma);
}
public void onSurfaceChanged(GL10 gl, int width, int height) {
gl.glViewport(0, 0, width, height);
/*
* Set our projection matrix. This doesn't have to be done
* each time we draw, but usually a new projection needs to
* be set when the viewport is resized.
*/
float aspectRatio;
float zNear =.1f;
float zFar =1000f;
float fieldOfView = 30.0f/57.3f;
float size;
gl.glEnable(GL10.GL_NORMALIZE);
aspectRatio=(float)width/(float)height; //h/w clamps the fov to the height, flipping it would make it relative to the width
//Set the OpenGL projection matrix
gl.glMatrixMode(GL10.GL_PROJECTION);
size = zNear * (float)(Math.tan((double)(fieldOfView/2.0f)));
gl.glFrustumf(-size, size, -size/aspectRatio, size /aspectRatio, zNear, zFar);
//Make the OpenGL modelview matrix the default
gl.glMatrixMode(GL10.GL_MODELVIEW);
}
public void onSurfaceChanged(GL10 gl, int width, int height) {
gl.glViewport(0, 0, width, height);
/*
* Set our projection matrix. This doesn't have to be done
* each time we draw, but usually a new projection needs to
* be set when the viewport is resized.
*/
float aspectRatio;
float zNear =.1f;
float zFar =1000f;
float fieldOfView = 30.0f/57.3f;
float size;
gl.glEnable(GL10.GL_NORMALIZE);
aspectRatio=(float)width/(float)height; //h/w clamps the fov to the height, flipping it would make it relative to the width
//Set the OpenGL projection matrix
gl.glMatrixMode(GL10.GL_PROJECTION);
size = zNear * (float)(Math.tan((double)(fieldOfView/2.0f)));
gl.glFrustumf(-size, size, -size/aspectRatio, size /aspectRatio, zNear, zFar);
//Make the OpenGL modelview matrix the default
gl.glMatrixMode(GL10.GL_MODELVIEW);
}
public Object tan(Object param)
throws ParseException
{
if (param instanceof Complex)
return ((Complex)param).tan();
else if (param instanceof Number)
return new Double(Math.tan(((Number)param).doubleValue()));
throw new ParseException("Invalid parameter type");
}
/** Generates the initial population of fathers */
public void InicializaPadres () {
int i, j, y, Mu_primer_grupo, pos_ep, total_mayor;
double y_med, y_min, y_max, h_max, h_exigido, x;
double imagen;
/* we calculate the average, maximum and minimum high, and the matching with which a example is considerated in the initial population */
y_med = y_min = y_max = tabla.datos[indices_ep[0]].ejemplo[tabla.n_var_estado];
h_max = tabla.datos[indices_ep[0]].nivel_cubrimiento;
for (i=1; i<fun_adap.n_ejemplos_positivos; i++) {
if (tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado] > y_max)
y_max = tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado] < y_min)
y_min = tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado];
y_med += tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[indices_ep[i]].nivel_cubrimiento > h_max)
h_max = tabla.datos[indices_ep[i]].nivel_cubrimiento;
}
y_med /= fun_adap.n_ejemplos_positivos;
h_exigido = porcentaje_h * h_max;
/* Inicialization of a individual with 'b' value same as the average high and with the 'a' values to 0 */
for (j=0; j<tabla.n_var_estado; j++) Padres[0].Gene[j] = 0;
Padres[0].Gene[tabla.n_var_estado] = Math.atan(y_med);
/* Inicialization of the porcentaje_Mu * Mu individuals with 'b' value equal to a random value in the rank [y_min,y_max] and with the 'a' values to 0 */
Mu_primer_grupo = (int) (porcentaje_Mu * Mu + 1);
for (i=1; i<Mu_primer_grupo; i++) {
for (j=0; j<tabla.n_var_estado; j++) Padres[i].Gene[j] = 0;
Padres[i].Gene[tabla.n_var_estado] = Math.atan(Randomize.Randdouble (y_min,y_max));
}
/* Inicialization of the remaining individuals with the random 'a' values and with a the 'b' value for any to example is in the plane */
for (i=Mu_primer_grupo; i<Mu; i++) {
for (j=0; j<tabla.n_var_estado; j++) {
if (Randomize.Rand ()<.5) y = -1;
else y=1;
x = Randomize.Rand ();
Padres[i].Gene[j] = f(x,y);
}
/* we select randomly a example with a matching more high than "h_exigido" */
for (total_mayor=pos_ep=0; pos_ep<fun_adap.n_ejemplos_positivos; pos_ep++)
if (tabla.datos[indices_ep[pos_ep]].nivel_cubrimiento >= h_exigido)
ind_mayor[total_mayor++] = pos_ep;
if (total_mayor==0) {
System.out.println("Error: The matching, with which a example is considerated in the initial population, isn't surmounted");
}
pos_ep = ind_mayor[Randomize.RandintClosed (0,total_mayor-1)];
for (imagen=0.0,j=0; j<tabla.n_var_estado; j++)
imagen += Math.tan (Padres[i].Gene[j]) * tabla.datos[indices_ep[pos_ep]].ejemplo[j];
Padres[i].Gene[tabla.n_var_estado] = Math.atan(tabla.datos[indices_ep[pos_ep]].ejemplo[tabla.n_var_estado]-imagen);
}
/* Inicialization of the vector of tipical desviations */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables; j<tabla.n_variables+n_sigma; j++) Padres[i].Gene[j] = Valor_Inicial_Sigma;
/* Inicialization of the vector of angles: arcotangente of 1.0 */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables + n_sigma; j<tabla.n_variables+n_sigma+n_alfa; j++)
Padres[i].Gene[j] = Math.atan (1.0);
}
/** Generates the initial population of fathers */
public void InicializaPadres () {
int i, j, y, Mu_primer_grupo, pos_ep, total_mayor;
double y_med, y_min, y_max, h_max, h_exigido, x;
double imagen;
/* we calculate the average, maximum and minimum high, and the matching with which a example is considerated in the initial population */
y_med = y_min = y_max = tabla.datos[fun_adap.indices_ep[0]].ejemplo[tabla.n_var_estado];
h_max = tabla.datos[fun_adap.indices_ep[0]].nivel_cubrimiento;
for (i=1; i<fun_adap.n_ejemplos_positivos; i++) {
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] > y_max) y_max = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] < y_min) y_min = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
y_med += tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento > h_max) h_max = tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento;
}
y_med /= fun_adap.n_ejemplos_positivos;
h_exigido = porcentaje_h * h_max;
/* Inicialization of a individual with 'b' value same as the average high and with the 'a' values to 0 */
for (j=0; j<tabla.n_var_estado; j++) Padres[0].Gene[j] = 0;
Padres[0].Gene[tabla.n_var_estado] = Math.atan(y_med);
/* Inicialization of the porcentaje_Mu * Mu individuals with 'b' value equal to a random value in the rank [y_min,y_max] and with the 'a' values to 0 */
Mu_primer_grupo = (int) (porcentaje_Mu * Mu + 1);
for (i=1; i<=Mu_primer_grupo; i++) {
for (j=0; j<tabla.n_var_estado; j++) Padres[i].Gene[j] = 0;
Padres[i].Gene[tabla.n_var_estado] = Math.atan(Randomize.Randdouble (y_min,y_max));
}
/* Inicialization of the remaining individuals with the random 'a' values and with a the 'b' value for any to example is in the plane */
for (i=Mu_primer_grupo+1; i<Mu; i++) {
for (j=0; j<tabla.n_var_estado; j++) {
if (Randomize.Rand () < 0.5) y = -1;
else y=1;
x = Randomize.Rand ();
Padres[i].Gene[j] = f(x,y);
}
/* we select randomly a example with a matching more high than "h_exigido" */
for (total_mayor=pos_ep=0; pos_ep<fun_adap.n_ejemplos_positivos; pos_ep++)
if (tabla.datos[fun_adap.indices_ep[pos_ep]].nivel_cubrimiento >= h_exigido) ind_mayor[total_mayor++] = pos_ep;
if (total_mayor==0) {
System.out.println("Error: The matching, with which a example is considerated in the initial population, isn't surmounted");
}
pos_ep = ind_mayor[Randomize.RandintClosed (0,total_mayor-1)];
for (imagen=0.0,j=0; j<tabla.n_var_estado; j++)
imagen += Math.tan (Padres[i].Gene[j]) * tabla.datos[fun_adap.indices_ep[pos_ep]].ejemplo[j];
Padres[i].Gene[tabla.n_var_estado] = Math.atan(tabla.datos[fun_adap.indices_ep[pos_ep]].ejemplo[tabla.n_var_estado]-imagen);
}
/* Inicialization of the vector of tipical desviations */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables; j<tabla.n_variables+n_sigma; j++) Padres[i].Gene[j] = Valor_Inicial_Sigma;
/* Inicialization of the vector of angles: arcotangente of 1.0 */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables + n_sigma; j<tabla.n_variables+n_sigma+n_alfa; j++)
Padres[i].Gene[j] = Math.atan (1.0);
}
/** Generates the initial population of fathers */
public void InicializaPadres() {
int i, j, y, Mu_primer_grupo, pos_ep, total_mayor;
double y_med, y_min, y_max, h_max, h_exigido, x;
double imagen;
/* we calculate the average, maximum and minimum high, and the matching with which a example is considerated in the initial population */
y_med = y_min = y_max = tabla.datos[fun_adap.indices_ep[0]].ejemplo[tabla.
n_var_estado];
h_max = tabla.datos[fun_adap.indices_ep[0]].nivel_cubrimiento;
for (i = 1; i < fun_adap.n_ejemplos_positivos; i++) {
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] > y_max) {
y_max = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
}
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] < y_min) {
y_min = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
}
y_med += tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento > h_max) {
h_max = tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento;
}
}
if (fun_adap.n_ejemplos_positivos > 0) {
y_med /= fun_adap.n_ejemplos_positivos;
}
else {
y_med = Double.MAX_VALUE;
}
h_exigido = porcentaje_h * h_max;
/* Inicialization of a individual with 'b' value same as the average high and with the 'a' values to 0 */
for (j = 0; j < tabla.n_var_estado; j++) {
Padres[0].Gene[j] = 0;
}
Padres[0].Gene[tabla.n_var_estado] = Math.atan(y_med);
/* Inicialization of the porcentaje_Mu * Mu individuals with 'b' value equal to a random value in the rank [y_min,y_max] and with the 'a' values to 0 */
Mu_primer_grupo = (int) (porcentaje_Mu * Mu + 1);
for (i = 1; i <= Mu_primer_grupo; i++) {
for (j = 0; j < tabla.n_var_estado; j++) {
Padres[i].Gene[j] = 0;
}
Padres[i].Gene[tabla.n_var_estado] = Math.atan(Randomize.Randdouble(y_min,
y_max));
}
/* Inicialization of the remaining individuals with the random 'a' values and with a the 'b' value for any to example is in the plane */
for (i = Mu_primer_grupo + 1; i < Mu; i++) {
for (j = 0; j < tabla.n_var_estado; j++) {
if (Randomize.Rand() < 0.5) {
y = -1;
}
else {
y = 1;
}
x = Randomize.Rand();
Padres[i].Gene[j] = f(x, y);
}
/* we select randomly a example with a matching more high than "h_exigido" */
for (total_mayor = pos_ep = 0; pos_ep < fun_adap.n_ejemplos_positivos;
pos_ep++) {
if (tabla.datos[fun_adap.indices_ep[pos_ep]].nivel_cubrimiento >= h_exigido) {
ind_mayor[total_mayor++] = pos_ep;
}
}
if (total_mayor == 0) {
System.out.println("Error: The matching, with which a example is considerated in the initial population, isn't surmounted");
}
pos_ep = ind_mayor[Randomize.RandintClosed(0, total_mayor - 1)];
for (imagen = 0.0, j = 0; j < tabla.n_var_estado; j++) {
imagen += Math.tan(Padres[i].Gene[j]) *
tabla.datos[fun_adap.indices_ep[pos_ep]].ejemplo[j];
}
Padres[i].Gene[tabla.n_var_estado] = Math.atan(tabla.datos[fun_adap.indices_ep[
pos_ep]].ejemplo[tabla.n_var_estado] - imagen);
}
/* Inicialization of the vector of tipical desviations */
for (i = 0; i < Mu; i++) {
for (j = tabla.n_variables; j < tabla.n_variables + n_sigma; j++) {
Padres[i].Gene[j] = Valor_Inicial_Sigma;
}
}
/* Inicialization of the vector of angles: arcotangente of 1.0 */
for (i = 0; i < Mu; i++) {
for (j = tabla.n_variables + n_sigma;
j < tabla.n_variables + n_sigma + n_alfa; j++) {
Padres[i].Gene[j] = Math.atan(1.0);
}
}
}
public static String lat_lon_to_utm(double Lat, double Long, Context c) {
double deg2rad = Math.PI / 180.0;
double rad2deg = 180.0 / Math.PI;
// Parameters for WGS-84
double a = 6378137.0;
double eccSquared = 0.00669438;
double k0 = 0.9996;
double LongTemp = (Long + 180) - (int) ((Long + 180) / 360) * 360 - 180;
int ZoneNumber = ((int) (LongTemp + 180) / 6) + 1;
double LatRad = Lat * deg2rad;
double LongRad = LongTemp * deg2rad;
if (Lat >= 56.0 && Lat < 64.0 && LongTemp >= 3.0 && LongTemp < 12.0) {
ZoneNumber = 32;
}
// Special zones for Svalbard
if (Lat >= 72.0 && Lat < 84.0)
if (LongTemp >= 0.0 && LongTemp < 9.0)
ZoneNumber = 31;
else if (LongTemp >= 9.0 && LongTemp < 21.0) ZoneNumber = 33;
else if (LongTemp >= 21.0 && LongTemp < 33.0) ZoneNumber = 35;
else if (LongTemp >= 33.0 && LongTemp < 42.0) ZoneNumber = 37;
double LongOrigin = (ZoneNumber - 1) * 6 - 180 + 3;
double LongOriginRad = LongOrigin * deg2rad;
double eccPrimeSquared = (eccSquared) / (1 - eccSquared);
double N = a / Math.sqrt(1 - eccSquared * Math.sin(LatRad) * Math.sin(LatRad));
double T = Math.tan(LatRad) * Math.tan(LatRad);
double C = eccPrimeSquared * Math.cos(LatRad) * Math.cos(LatRad);
double A = Math.cos(LatRad) * (LongRad - LongOriginRad);
double M = a * ((1 - eccSquared / 4
- 3 * eccSquared * eccSquared / 64
- 5 * eccSquared * eccSquared * eccSquared / 256) * LatRad
- (3 * eccSquared / 8
+ 3 * eccSquared * eccSquared / 32
+ 45 * eccSquared * eccSquared * eccSquared / 1024) * Math.sin(2 * LatRad)
+ (15 * eccSquared * eccSquared / 256 + 45 * eccSquared * eccSquared * eccSquared / 1024) * Math.sin(4 * LatRad)
- (35 * eccSquared * eccSquared * eccSquared / 3072) * Math.sin(6 * LatRad));
double UTMEasting = (k0 * N * (A + (1 - T + C) * A * A * A / 6
+ (5 - 18 * T + T * T + 72 * C - 58 * eccPrimeSquared) * A * A * A * A * A / 120)
+ 500000.0);
double UTMNorthing = (k0 * (M + N * Math.tan(LatRad) * (A * A / 2 + (5 - T + 9 * C + 4 * C * C) * A * A * A * A / 24
+ (61
- 58 * T
+ T * T
+ 600 * C
- 330 * eccPrimeSquared) * A * A * A * A * A * A / 720)));
if (Lat > 84 || Lat < -80) {
return (c.getString(R.string.utm_outside_latitude_range));
} else {
if (Lat < 0)
UTMNorthing = UTMNorthing + 10000000.0;
return (String.format("%d / %s / %,d / %,d", ZoneNumber, ((Lat > 0) ? "N" : "S"), Math.round(UTMEasting), Math.round(UTMNorthing)));
}
}
public static MR_double tan ( MR_double x ) { return new MR_double(Math.tan(x.get())); }