Farklı regresyon modelleriyle kestirilen zenit troposferik gecikmelerin değerlendirilmesi
Notice bibliographique
Résumé
Yapay zekâ ve makine öğrenimi alanındaki gelişmeler, GNSS uygulamalarındaki sorunlara alternatif çözümler sunmakta veya mevcut çözümlerin verimliliğini artırmaya imkân sağlamaktadır. GNSS’de karşılaşılan birçok hata vardır ve bu hatalar kullanıcılar için problem oluşturmaktadır. Troposferik gecikme bunlardan birisidir. GNSS teknolojisine ilginin artmasıyla beraber öğrenme algoritmalarının atmosfer/troposfer çalışmalarında kullanımı, troposferik gecikme kestirimi için yeni modellerin oluşturulmasını önemli hale getirmiştir. Bu çalışmada, Radyal Tabanlı Destek Vektör Regresyonu (RTF-DVR), Ridge ve Elastik-Net regresyon modelleriyle zenit troposferik gecikmenin (ZTD) kestirilmesi amaçlanmış, makine öğrenimi esasına göre eğitilmiş yeni regresyon modellerinin ZTD kestiriminde alternatif olarak tercih edilebilirliği araştırılmıştır. Bunun için farklı yöntemlerden elde edilen sonuç ZTD modelleri karşılaştırılarak analiz edilmiştir. Analiz sonuçlarından RTF-DVR modelinin daha iyi sonuçları verdiği, bunu Elastik-Net ve Ridge modellerinin takip ettiği tespit edilmiştir. Sonrasında yeni modellerden elde edilen ZTD değerleri, Canadian Spatial Reference System–Precise Point Positioning (CSRS-PPP) ZTD değerleriyle karşılaştırılıp modellerin performansı değerlendirilmiştir. Değerlendirme sonuçlarına göre, CSRS-PPP’ye en uyumlu modelin RTF-DVR olduğu sonucuna varılmıştır.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».