A Precise Weighting Approach with Application to Combined L1/B1 GPS/BeiDou Positioning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The BeiDou system has been providing a regional navigation service since 27 December 2012. The Global Navigation Satellite System (GNSS) user community will benefit from combined Global Positioning System (GPS)/BeiDou positioning due to improved positioning accuracy, reliability and availability. But to achieve the best positioning solutions, precise weights of the GPS and BeiDou observations are important since this involves the processing of measurements from two different satellite systems with different quality. Currently, a priori variances are typically used to determine the weights of different types of observations. However, such an approach may not be precise since many un-modelled errors are not accounted for. The Helmert variance component estimation method is more appropriate in this case to determine the weights of GPS and BeiDou observations. This requires high redundant observations in order to obtain reliable solutions, which will be a concern in the case of insufficient numbers of visible satellites. To address this issue, a weighting approach is proposed by a combination of the Helmert method and a moving-window average filter. In this approach, the filter is applied to combine all epoch-by-epoch weight estimates within a time window. As a result, more precise and reliable weights for GPS and BeiDou observations can be obtained at every epoch. Both static and kinematic tests in open sky and under tree environments are conducted to assess the performance of the new weighting approach. The results indicate significantly improved positioning accuracy.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle