Notice bibliographique
Résumé
This special issue of the International Journal of Navigation and Observation deals with future global navigation satellite system (GNSS) signals. It is a timely issue in view of the current US GPS modernization efforts, the deployment of the EU’s Galileo, the replenishment of Russia’s GLONASS, and China’s plan to launch COMPASS. These systems, either individually or as a group, will provide tremendous availability, accuracy, and reliability enhancements to a consumer’s market that is growing at an annual doubledigit rate. Research is taking place not only to enhance the methods and algorithms to process the signals already in place but also to propose and optimize future signals and combinations thereof. The seven papers presented in this issue cover a variety of topics, ranging fromGalileo signal testing to signal multipath reduction, and represent a good cross-section of current activities in this area. A study of multipath performance of the initial Galileo signals transmitted by the GIOVEA satellite using actual data is described by Simsky et al., and a new generic approach called multiple gate delay tracking structures to reduce GNSS signal multipath is proposed and evaluated with different software approaches by Heikki Hurskainen et al. Also, Borio et al. discuss two strategies for the joint acquisition of data and pilot channels that are available on emerging signals. Shanmugam et al. present a short synchronization code design for future GNSS based on the optimization of specific performance criteria. Joint L/C-band code and carrier phase linear combination methods for Galileo are discussed by Henkel et al. Moreover, Lentmaier et al. discuss Bayesian time delay estimation based on particle filters for use in dynamic multipath environments. Finally, a comparison between Galileo CBOC candidates and BOC(1,1) signals in terms of detection performance is presented by Dovis et al.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,062 | 0,026 |
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 source (Gemma direct ou Codex distillé), 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 ».