Cooperative Suppression of Negative Effects Associated With Multicollinearity and Abnormal Data for Aeromagnetic Compensation
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
Compensating the magnetic interference related to the airplane maneuvers is essential to high-precision aeromagnetic measurement. In estimating the compensation coefficients, aeromagnetic compensation based on the Tolles-Lawson model needs to address the reduction in accuracy and robustness arising from several negative effects. Because existing methods only suppress single effects independently, the scope of their application is very limited. To address this problem, a cooperative suppression method of the negative effects associated with multicollinearity and abnormal data is proposed in this study. For this method, abnormal data produced by the dead-zone effect of a classical optically-pumped magnetic sensor are assigned lower weights, thereby reducing their negative influence in the estimation of the compensation coefficient. Moreover, a ridge parameter is added to further reduce the multicollinearity of the compensation coefficient. Theoretical evaluation shows that, in the presence of 20% abnormal data and 0.5 correlation, this method reduces the mean square error for the coefficient to 0.76 compared with 4.39 for the least-squares method, 3.43 for the ridge method, 2.13 for the robust method. For practicality verification, we built an experimental platform and mounted it on an aeromagnetic survey airplane, and then performed a compensation flight test. The results demonstrate an improved ratio for our method of 12.79, which is significantly higher than 0.56 for the least-squares method, 2.73 for the ridge method, 4.29 for the robust method, and 7.95 for the state-of-the-art commercial compensator.
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 | 0,001 | 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