Challenges in Assessing PPP Performance
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
Abstract The Precise Point Positioning (PPP) GPS data processing technique has developed over the past 15 years to become a standard method for growing categories of positioning and navigation applications. The technique relies on single receiver point positioning combined with precise satellite orbit and clock information, pseudorange and carrier-phase observable filtering, and additional error modelling. Uniquely addressed is the current accuracy of the technique, and explains the limits of performance, which will be used to define paths for future improvements of the technology. PPP processing of over 300 International GNSS Service (IGS) stations over one week results in few millimetre positioning rms error in the north and east components and centimetre-level in the vertical (all one sigma values). These results are categorised into quality classes in order to analyse the root causes of the resultant errors: "best", "worst", multipath, antenna displacement effects, satellite availability and geometry, etc. Also of interest in PPP performance is solution convergence period. Static, conventional solutions are slow to converge, with approximately 20 minutes required for 95% of solutions to reach a horizontal accuracy of 20 cm or better. From the above analysis, the limitations of PPP and the source of these limitations are isolated, including site displacement modelling, geometric measurement strength, pseudorange multipath and noise, etc. It is argued that new ambiguity resolution and multi-GNSS PPP processing will only partially address these limitations. Improved modelling is required for: site displacement effects, pseudorange noise and multipath, and pseudorange and carrier-phase biases. As well, more robust undifferenced carrier phase ambiguity validation and improved stochastic modelling is required for the pseudorange and carrier-phase observables to allow for more realistic position uncertainties.
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