Notice bibliographique
Résumé
Le Positionnement Ponctuel Précis (PPP) est une technique de positionnement qui utilise un seul récepteur GNSS. Cette approche diffère nettement des méthodes différentielles qui sont largement utilisées et qui nécessitent deux ou plusieurs récepteurs. Le PPP est une technique économique, autonome par station, avec une précision centimétrique qui a ouvert la possibilité à une large gamme d'applications. Cependant, dans les applications qui nécessitent une convergence rapide et une haute précision, la performance du PPP n'est pas encore suffisante. Le PPP peut prendre jusqu’à 30 minutes pour converger vers des solutions avec une précision décimétrique. Cette longue période d’initiation est principalement consacrée à la stabilisation des ambiguïtés de phase vers des valeurs flottantes constantes. Compte tenu de ce problème, il est démontré que la Résolution des Ambigüités (RA) améliore la stabilité du modèle d’estimation, réduit le temps de convergence et améliore la précision des coordonnées. Cette étude vise donc à améliorer la performance du PPP pour obtenir une meilleure précision plus rapidement. À cette fin, les biais de phase des satellites qui perturbent la résolution des ambiguïtés sont estimées du côté producteur et résolues du côté utilisateur. Une modélisation judicieuse de paramètres et une sélection rigoureuse des modèles de correction sont effectuées afin de réduire la propagation des erreurs non-corrigées dans les biais de phase des satellites estimés. Du côté producteur, une nouvelle approche modulaire à deux étapes est proposée et implémentée comprenant l'estimation de biais de phase des satellites à partir de chaque site et l'intégration séquentielle des solutions. Ces deux étapes ont des structures simples et elles permettent d'estimer précisément les biais de phase de chaque satellite. L’algorithme de l’intégration séquentielle garde un bon compromis entre la charge de calcul, la charge et la capacité de mémoire de l’ordinateur, l'efficacité du traitement des paramètres et la précision des estimations. Du coté producteur, chaque observation est modélisée individuellement et intégrée dans le processus d'estimation. Ceci facilite l'intégration des fréquences supplémentaires (par exemple, la troisième fréquence L5 ou des observations multi-GNSS) pour améliorer davantage la performance de PPP en fonction de la modernisation du GNSS. Du côté utilisateur, un modèle d’observation de plein rang au niveau de récepteur mono-fréquence est proposé et implémenté. Cela donne de la flexibilité aux utilisateurs avec les récepteurs mono-fréquence pour utiliser notre solution PPP-RA lorsque les produits d'ionosphère de haute précision sont disponibles. Le modèle proposé est compatible avec les horloges de satellite standards actuelles fournies par IGS, CODE, JPL, par exemple. Le délai ionosphérique est corrigé et estimé en parallèle. Cela permet à l'utilisateur d’utiliser une correction ionosphérique de faible ou de haute précision et obtenir une performance améliorée en ajustant uniquement la précision de l'estimation de ce paramètre. La performance du PPP-RA du côté utilisateur a été comparée au PPP conventionnel en termes du temps de convergence et de la précision des coordonnées. En résumé, on a obtenu une amélioration importante en temps de convergence (jusqu'à 80 %) et en précision planimétrique (jusqu'à 60 %) par rapport au PPP conventionnel. De plus, une étude comparative est effectuée pour distinguer les caractéristiques de notre approche des autres méthodes PPP-RA. L’avantage de notre PPP-RA est aussi démontré par son approche unique à éliminer les défauts de rang et résoudre les ambiguïtés libre-de-biais.
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 ».