Real-Time Joint Filtering of Gravity and Gravity Gradient Data Based on Improved Kalman Filter
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
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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