Estimation and Analysis of GNSS Differential Code Biases (DCBs) Using a Multi-Spacing Software Receiver
Notice bibliographique
Résumé
In the use of global navigation satellite systems (GNSS) to monitor ionosphere variations by estimating total electron content (TEC), differential code biases (DCBs) in GNSS measurements are a primary source of errors. Satellite DCBs are currently estimated and broadcast to users by International GNSS Service (IGS) using a network of GNSS hardware receivers which are inside structure fixed. We propose an approach for satellite DCB estimation using a multi-spacing GNSS software receiver to analyze the influence of the correlator spacing on satellite DCB estimates and estimate satellite DCBs based on different correlator spacing observations from the software receiver. This software receiver-based approach is called multi-spacing DCB (MSDCB) estimation. In the software receiver approach, GNSS observations with different correlator spacings from intermediate frequency datasets can be generated. Since each correlator spacing allows the software receiver to output observations like a local GNSS receiver station, GNSS observations from different correlator spacings constitute a network of GNSS receivers, which makes it possible to use a single software receiver to estimate satellite DCBs. By comparing the MSDCBs to the IGS DCB products, the results show that the proposed correlator spacing flexible software receiver is able to predict satellite DCBs with increased flexibility and cost-effectiveness than the current hardware receiver-based DCB estimation approach.
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 ».