An analysis of single point positioning with real-time internet-based precise GPS data
Notice bibliographique
Résumé
Single Point Positioning (SPP) is currently capable of providing position accuracy of several meters. To obtain a better accuracy, the Differential GPS (DGPS) method must be applied. For large-scale applications such as aerial survey and mapping, however, the requirement of a base station(s) in conventional DGPS often become problematic in practice due to the increased operational cost and complexity. Recently a concept of Global Differential GPS (GDGPS) has attracted increasing interests among the GPS communities. GDGPS has the same user’s implementation as SPP, but its accuracy is augmented by the globally or regionally distributed precise GPS data currently including precise satellite orbit and clock corrections. The major advantage of GDGPS lies in two aspects: system simplicity at the user’s end, and globally consistent positioning accuracy. This paper presents GDGPS positioning results using the precise GPS data generated by the Natural Resources Canada (NRCan). NRCan’s precise data can be retrieved real-time from Internet base on Virtual Private Network (VPN) and Multicast technology. The packet delay and Packet Loss Rate (PLR) of multicasting over Internet will first be investigated. The total latency of precise GPS data as well as the position accuracy of GDGPS will then be analyzed. The numerical results have shown that a meter to half-meter level accuracy is obtainable based on epoch-by-epoch data processing. With phase-smoothed code observations, the positioning accuracy can be further improved.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».