Efficient and Innovative Techniques for Collective Acquisition of Weak GNSS Signals
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
Navigation and positioning in harsh environments is still a great challenge for many applications. Collective Detection (CD) is a powerful approach for acquiring highly attenuated satellite signals in challenging environments, because of its capacity to process all visible satellites collectively taking advantage of the spatial correlation between GNSS signals as a vector acquisition scheme. CD combines the correlator outputs of satellite channels and projects them onto the position/clock bias domain in order to enhance the overall GNSS signal detection probability. In CD, the code phase search for all satellites in view is mapped into a receiver position/clock bias grid and the satellite signals are not acquired individually but collectively. In this concept, a priori knowledge of satellite ephemeris and reference location are provided to the user. Furthermore, CD addresses some of the inherent drawbacks of the conventional acquisition at the expenses of an increased computational cost. CD techniques are computationally intensive because of the significant number of candidate points in the position-time domain. The aim of this paper is to describe the operation of the CD approach incorporating new methods and architectures to address both the complexity and sensitivity problems. The first method consists of hybridizing the collective detection approach with some correlation techniques and coupling it with a better technique for Doppler frequency estimate. For that, a new scheme with less calculation load is proposed in order to accelerate the detection and location process. Then, high sensitivity acquisition techniques using long coherent integration and non-coherent integration are used in order to improve the performance of the CD algorithm.
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