GPS Satellite Orbit Prediction at User End for Real-Time PPP System
Notice bibliographique
Résumé
This paper proposed the high-precision satellite orbit prediction process at the user end for the real-time precise point positioning (PPP) system. Firstly, the structure of a new real-time PPP system will be briefly introduced in the paper. Then, the generation of satellite initial parameters (IP) at the sever end will be discussed, which includes the satellite position, velocity, and the solar radiation pressure (SRP) parameters for each satellite. After that, the method for orbit prediction at the user end, with dynamic models including the Earth's gravitational force, lunar gravitational force, solar gravitational force, and the SRP, are presented. For numerical integration, both the single-step Runge-Kutta and multi-step Adams-Bashforth-Moulton integrator methods are implemented. Then, the comparison between the predicted orbit and the international global navigation satellite system (GNSS) service (IGS) final products are carried out. The results show that the prediction accuracy can be maintained for several hours, and the average prediction error of the 31 satellites are 0.031, 0.032, and 0.033 m for the radial, along-track and cross-track directions over 12 h, respectively. Finally, the PPP in both static and kinematic modes are carried out to verify the accuracy of the predicted satellite orbit. The average root mean square error (RMSE) for the static PPP of the 32 globally distributed IGS stations are 0.012, 0.015, and 0.021 m for the north, east, and vertical directions, respectively; while the RMSE of the kinematic PPP with the predicted orbit are 0.031, 0.069, and 0.167 m in the north, east and vertical directions, respectively.
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 | 0,000 | 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 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 ».