Examining the use of stored navigation knowledge for neural network based INS/GPS integration
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
Au cours des dernieres annees, on a assiste a l'utilisation des techniques de l'intelligence artificielle pour integrer les systemes de navigation par inertie (INS) et les systemes mondiaux de localisation (GPS) pour diverses applications de navigation. Par exemple, l'utilisation des Reseaux de neurones artificiels (RNA) pour l'integration des INS/GPS a demontre la possibilite de depasser les limites des mecanismes traditionnels d'integration fondes primordialement sur l'approche de filtrage Kalman et d'ameliorer la precision de la localisation pendant de longues interruptions des signaux GPS. La plupart des techniques fondees sur les RNA dependent des reseaux statiques (p. ex. Reseaux de neurones multicouches sans retroaction, les RNMSR). Certains ouvrages suggerent que le Reseau de neurones dynamiques (p. ex. les Reseaux de neurones recurrents, les RNR) peut procurer plus d'avantages computationnels qu'un reseau statique dans certaines applications telles que la reconnaissance de la voix et le controle robotique; ainsi, le present article examine le developpement du mecanisme d'integration des INS/GPS utilisant les RNR et compare son rendement pour les techniques des RNMSR et du filtrage conventionnel Kalman. L'architecture adoptee dans le present article est fondee sur le traitement des composantes des positions INS et la mise a jour des RNMSR ou des RNR avec des positions GPS pour evaluer les erreurs de position de l'INS. De plus, nous suggerons une nouvelle facon d'etablir les connaissances en navigation durant la formation des RNMSR ou des RNR et d'examiner leur rendement durant la procedure de mise a jour. Les resultats d'essais sur le terrain obtenus d'un INS et d'un GPS differentiel de qualite adequate pour la navigation sont utilises dans cette etude pour evaluer le rendement des techniques proposees.
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