Real-Time Joint Filtering of Gravity and Gravity Gradient Data Based on Improved Kalman Filter
Notice bibliographique
Résumé
Gravity and gravity gradient data are widely used in geodesy, geodynamics, oil and mineral exploration, and aided navigation. The measured gravity and gravity gradient data include high-frequency noise caused by instrument system error, environmental conditions, and human factors. Separating noise from the measured gravity and gravity gradient data is one of the most challenging tasks in processing the measured data. Traditional low-pass digital filters can remove the noise of an individual component in real-time, which cannot realize the joint filtering of gravity and gravity gradient data. As a postprocessing method, the inversion-based methods can combine gravity and all the gradient components to remove the noise constrained by the Laplace equation. However, a real-time filter method that combines gravity and all gradient components is needed for some special applications, such as submarine gravity and gravity gradient-aided navigation. In this study, gravity and gravity gradient data are combined in establishing system equation and measurement equation of the standard Kalman filter, and denoised in real-time by the improved Kalman filter (IKF). Based on the model test, this method can simultaneously remove the noise in gravity and gravity gradient data in real-time, and ensure denoising performance. Finally, we apply this method to real gravity and gravity gradient data in St. George’s Bay, Canada, acquired by Bell Geospace, and compared the denoised results by full tensor noise reduction (FTNR) and Gaussian low-pass filter, which verified that the performance of IKF is well in real-time joint filtering of gravity and gravity gradient data.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».