GNSS Code Multipath Mitigation by Cascading Measurement Monitoring Techniques
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
Various measurement monitoring techniques are investigated to mitigate the effect of global navigation satellite systems (GNSS) code multipath through error correction, stochastic weighting of measurements and detection and exclusion (or de-weighting) of affected measurements. Following a comprehensive review of each approach, the paper focuses on detection/exclusion and detection/de-weighting techniques where several single and dual-frequency monitoring metrics are employed in a combination with time-averaging and the M of N detection strategy. A new Geometry-Free (GF) detection metric is proposed given its capability to be combined with a preceding Code-Minus-Carrier (CMC)-based error correction to reduce the number of excluded or de-weighted measurements and thus preserve the measurement geometry. Three geometry-based algorithms, namely measurement subset testing, consecutive exclusion and iterative change of measurement weights are investigated to address multipath scenarios with multiple simultaneously affected measurements. Experimental results are provided using GPS L1, L2C and L5 data collected in multipath environments for static and kinematic scenarios. For GPS L1, the proposed combined method shows more than 38% improvement over a conventional Carrier-to-Noise-density ratio (C/N0)-based Least-Squares (LS) solution in all but deep urban canyons. Lower performance was observed for L2C and L5 frequencies with a limited number of satellites in view.
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