Research Article. Improved Dual Frequency PPP Model Using GPS and BeiDou Observations
Notice bibliographique
Résumé
Abstract This paper introduces a new dual-frequency precise point positioning (PPP) model, which combines GPS and BeiDou observations. Combining GPS and BeiDou observations in a PPP model offers more visible satellites to the user, which is expected to enhance the satellite geometry and the overall PPP solution in comparison with GPSonly PPP solution. However, combining different GNSS constellations introduces additional biases, which require rigorous modelling, including GNSS time offset and hardware delays. In this research, ionosphere-free linear combination PPP model is developed. The additional biases, which result from combining the GPS and BeiDou observables, are lumped into a new unknown parameter identified as the inter-system bias. Natural Resources Canada’s GPSPace PPP software is modified to enable a combined GPS/BeiDou PPP solution and to handle the newly introduced biases. A total of four data sets at four IGS stations are processed to verify the developed PPP model. Precise satellite orbit and clock products from the IGS-MGEX network are used to correct both of the GPS and BeiDou measurements. It is shown that a sub-decimeter positioning accuracy level and 25% reduction in the solution convergence time can be achieved with combining GPS and Bei-Dou observables in a PPP model, in comparison with the GPS-only PPP solution.
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 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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».