A Unified Model for Multi-Frequency PPP Ambiguity Resolution and Test Results with Galileo and BeiDou Triple-Frequency Observations
Notice bibliographique
Résumé
With the modernization of Global Navigation Satellite System (GNSS), triple- or multi-frequency signals have become available from more and more GNSS satellites. The additional signals are expected to enhance the performance of precise point positioning (PPP) with ambiguity resolution (AR). To deal with the additional signals, we propose a unified modeling strategy for multi-frequency PPP AR based on raw uncombined observations. Based on the unified model, the fractional cycle biases (FCBs) generated from multi-frequency observations can be flexibly used, such as for dual- or triple- frequency PPP AR. Its efficiency is verified with Galileo and BeiDou triple-frequency observations collected from globally distributed MGEX stations. The estimated FCB are assessed with respect to residual distributions and standard deviations. The obtained results indicate good consistency between the input float ambiguities and the generated FCBs. To assess the performance of the triple-frequency PPP AR, 11 days of MGEX data are processed in three-hour sessions. The positional biases in the ambiguity-fixed solutions are significantly reduced compared with the float solutions. The improvements are 49.2%, 38.3%, and 29.6%, respectively, in east/north/up components for positioning with BDS, while the corresponding improvements are 60.0%, 29.0%, and 21.1% for positioning with Galileo. These results confirm the efficiency of the proposed approach, and that the triple-frequency PPP AR can bring an obvious benefit to the ambiguity-float 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 | 0,000 | 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 ».