MétaCan
Menu
Retour à la cohorte
Enregistrement W2465915267 · doi:10.1080/01490419.2016.1197168

Improved Method to Detect and Repair Cycle Slip for GNSS Medium–Long Baseline in Real-Time Marine Surveys

2016· article· en· W2465915267 sur OpenAlexfundno aff
Xiaowen Luo, Huajun Xu, OU Jikun

Notice bibliographique

RevueMarine Geodesy · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueGNSS positioning and interference
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of TorontoNational Natural Science Foundation of China
Mots-clésTikhonov regularizationAmbiguity resolutionGeodesyGNSS applicationsAmbiguityAlgorithmGlobal Positioning SystemDecorrelationComputer scienceInversion (geology)Baseline (sea)GeographyMathematicsRemote sensingGeologyInverse problemMathematical analysisTelecommunications

Résumé

récupéré en direct d'OpenAlex

Distance-related errors complicate the resolution of real-time ambiguity in medium–long baseline marine surveys. Therefore, detection and recovery of cycle slips in real time is required to ensure high accuracy of global navigation satellite system positioning and navigation in marine surveys. To resolve this, an improved method was presented, where linear combinations of the triple-differenced (TD) between carriers L1 and L2 were formed for a wide lane and free ionosphere. To overcome severe ill-conditioned problems of the normal equation, the Tikhonov regularization method was used. The construction of a regularized matrix by combining a priori information of known coordinates of reference stations, followed by the determination of the corresponding regularized parameter are suggested. A float solution was calculated for the TD ambiguity. The search cycle slip (TD integer ambiguity) was obtained using the least-squares ambiguity decorrelation adjustment (LAMBDA) method. Using our method, cycle slips of several reference station baselines with lengths of a few hundred to one thousand kilometers were detected in real time. The results were consistent with professional software, with a success rate of 100%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,249
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMarine GeodesyMême sujetGNSS positioning and interferenceTravaux en français237 207