Multiresolutional characterization and mitigation of GNSS signal for robust positioning
Notice bibliographique
Résumé
While the use of wavelet filtering on applications such as audio and video is known, in this research. wavelet filters are applied as a practical tool to improve positioning accuracy of a navigatioll-grade receiver in challenging environments. A single, stationary recel\,'er operating OIl the L1 frequency, and collecting data in 15-minute segments, was used to obtain pseudoranges which were then used to compute positions. The magnitudes of these pseudoranges are often overstated due to multipath. ~Iultipath mitigation was applied tothese signals using a hvo-stage wavelet filter. The first stage operates in the pseudorange domain to remove bias error and the second stage operates in the position domain to minimize the effect of the low velocities that existed among the stationary positions. This filtering had a marked effect of reducing positioning scatter (variance). To measure the effect of this filtering, several statistical moments (before and after filtering), were compared. Throughout datasets studied, the unfiltered position scatters tend to be markedly non-Gaussian showing extreme effects of skew and kurtosis in addition to high variance. The position scatters after filtering tend to be highly Gaussian with far lower degrees of skew and kurtosis. In this study, the results obtained from the data sets sho'Ned significant improvement, less than 1.5 m with a probability of 96.5%, in standard deviation of the estimated positions.,
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».