GNSS Precise Point Positioning with Android Smartphones and Comparison with High Performance Receivers
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
Precise Point Positioning (PPP) is becoming increasingly used instead of differential GNSS (DGNSS) due to its ease of use. With PPP, precise satellite orbits and clock corrections are calculated using the numerous International GNSS Service (IGS) permanent stations. The IGS network conceptually replaces the reference station(s) used in DGNSS. Models of the ionosphere and the troposphere are used to aid PPP, especially ionospheric models for single frequency users. In addition to 3D position, PPP provides estimates of GNSS time and zenith tropospheric delays. PPP performance is analysed herein as a function of receiver type, observation time and measurement utilized. The high-end receivers used in this study are multi-frequency multi-constellation Leica GS16. The Android phone used in the new Huawei Mate 20X. The measurements that are intercompared are (1) single frequency code, (2) single frequency code and carrier phase, (3) dual frequency code, and (4) dual frequency code and carrier phase. Results in low and high multipath environments are reported. Focus is on the use of GPS and GLONASS constellations because most IGS stations are equipped with such receivers, which is necessary to calculate precise satellite orbits and clock corrections. In order to assess PPP versus DGNSS performance, the results of a test consisting of an array of receivers are reported and analysed.
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 | 0,001 | 0,004 |
| 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