Wavelet Spectral Techniques for GPS Errors Reduction
Notice bibliographique
Résumé
GPS measurements can be modeled as a true range plusother errors such as orbital and clock biases, atmosphericresidual, multipath, and observation noise. Modeling isone approach to deal with some of these errors, if theircharacteristics are known (e.g. troposphere andionosphere errors). Another way to deal with these errorsis filtering in the frequency domain, where all these errorshave different frequency spectrum component. Eacherrors is characterized by a specific frequency band, e.g.the receiver noise can be characterized with highfrequency components, multipath errors, which have lowto medium frequency bands, while the ionospheric andtropospheric errors are at a lower frequency band. Wavelet spectral techniques can separate GPS signal intosub-bands where different errors can be separated andmitigated. This paper introduces two new wavelet spectralanalysis techniques to mitigate DGPS errors in thefrequency domain namely, cycle slip and multipath errors.The first approach in this paper, Wavelet de-trending, isintroduced to remove the long wavelength carrier phasemultipath error in the measurement domain. Thepresented wavelet-based trend extraction model is appliedto GPS static baseline solutions. The second approach inthis paper is introduced to detect and remove cycle sliperror which can be seen as a singularity in the GPS data.The propagation of singularities between the waveletslevels of decomposition is different from the propagationof noise. This characteristic is used to identify thesingularities from noise.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».