A method of improving ambiguity fixing rate for post-processing kinematic GNSS data
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
Abstract Global Navigation Satellite System precise positioning using carrier phase measurements requires reliable ambiguity resolution. It is challenging to obtain continuous precise positions with a high ambiguity fixing rate under a wide range of dynamic scenes with a single base station, thus the positioning accuracy will be degraded seriously. The Forward–Backward Combination (FBC), a common post-processing smoothing method, is simply the weighted average of the positions of forward and backward filtering. When the ambiguity fixing rate of the one-way (forward or backward) filter is low, the FBC method usually cannot provide accurate and reliable positioning results. Consequently, this paper proposed a method to improve the accuracy of positions by integrating forward and backward AR, which combines the forward and backward ambiguities instead of positions—referred to as ambiguity domain-based integration (ADBI). The purpose of ADBI is to find a reliable correct integer ambiguities by making full use of the integer nature of ambiguities and integrating the ambiguities from the forward and backward filters. Once the integer ambiguities are determined correctly and reliably with ADBI, then the positions are updated with the fixing ambiguities constrained, in which more accurate positions with high confidence can be achieved. The effectiveness of the proposed approach is validated with airborne and car-borne dynamic experiments. The experimental results demonstrated that much better accuracy of position and higher ambiguity-fixed success rate can be achieved than the traditional post-processing method.
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