MétaCan
Menu
Retour à la cohorte
Enregistrement W4386803101 · doi:10.23977/acss.2023.070712

User Requirement Analysis of Resilient PNT System

2023· article· en· W4386803101 sur OpenAlexvenueno aff
Lijiao Liu, Hong‐Yang Lu, Yanyun Weng, Ya Gao

Notice bibliographique

RevueAdvances in Computer Signals and Systems · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAir Traffic Management and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceTable (database)Global Positioning SystemComputer securitySystems engineeringTelecommunicationsEngineeringDatabase

Résumé

récupéré en direct d'OpenAlex

Firstly, this paper provided a brief introduction to the concepts of Positioning, Navigation and Timing (PNT) and Resilient, and proposed that the fundamental premise for building a resilient PNT system is to identify the diverse needs of users in terms of accuracy, availability, continuity, and other indicators across different typical scenarios. Subsequently, it analyzed user requirements for various scenarios, including aviation routes, maritime navigation, agricultural surveying, train control, vehicle navigation, and emergency response, in different environments such as near-earth, urban, jungle, indoor, and underwater environments. The analysis took into account factors such as the accuracy, availability, continuity, integrity, terminal cost, and form of PNT. Based on this analysis, this paper summarized the user requirements for resilient PNT systems in different scenarios, presenting a comprehensive table of typical user requirements. Furthermore, it suggested that resilient PNT terminals should be cost-effective, compact, low-power, and highly compatible. Finally, the diverse user requirements were summarized and analyzed, providing a research foundation for developing resilient PNT solutions for different typical scenarios, such as near-earth, urban, jungle, indoor, and underwater environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,236
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Computer Signals and SystemsMême sujetAir Traffic Management and OptimizationTravaux en français237 207