Kalman Filter Algorithm for the joint Processing of GNSS PPP and Accelerometer Data, EEW parameters from the unbiased displacement time-series
Notice bibliographique
Résumé
The filter owes its name to R. E. Kalman at the Institute for Advanced Studies in Baltimore (Kalman, 1960), developed well before the start of the digital age. It has since found numerous applications in control, signal estimation and general filtering problems. Although similar proposals have been made before (c.f. Mayhew, 1999) in a different context, the proposal to apply a Kalman filter to the problem of combining observations from the Global Navigation Satellite Systems (GNSS) with data from a three axis accelerometer was initially proposed by Smyth and Wu, 2007. The general idea of the Kalman filter is to predict a system’s behaviour from incomplete observations. The problem here is to predict high resolution displacement and velocity from acceleration and Precise Point Position (PPP) data which are available at different times and different rates from the accelerometer and corrected GNSS data respectively. The idea to apply this to real-time seismology and earthquake early warning (EEW) goes back to Bock, Melgar, and Crowell, 2011 and has been validated in several studies (Melgar et al., 2013; Li, 2015; Niu and Xu, 2014) where various data-sets from large earthquakes were processed off-line, after the event.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».