Precision Evaluation in Discrete Kalman Filtering: A Posteriori Perspective
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
This manuscript is focused on standardizing the process of the a posteriori precision evaluation in discrete Kalman filtering. Although the a posteriori precision evaluation of the solution was considered as indispensable within the method of least squares, the solution of a Kalman filter shows a lack of a posteriori precision evaluation for too long. Even worse, there often exists appalling confusion about what is considered as the a posteriori precision of the solution in Kalman filtering. The authors hereto propose to put the a posteriori precision evaluation of the solution into practice at four different levels in Discrete Kalman filtering through estimating: (i) the a posteriori variance of unit weight (or reference variance), (ii) the separate a posteriori variance factors for the process and measurement noise vectors, respectively, (iii) the individual a posteriori variance factors for the independent noise groups, and (iv) the individual a posteriori variance factors (or components) for the independent process noise factors and measurement types. A working example is presented to illustrate the proposed a posteriori precision evaluation in Kalman filtering using a road test based on the double-differenced GPS L1 C/A, L1 and L2 carrier phases and the specific force and angular rate measurements from an MEMS IMU. With the rapidly increasing utilization of the Kalman filter in modern applications, the inclusion of the proposed a posteriori solution precision evaluation, as part of the standard solution, in discrete Kalman filtering is not only necessary, but also can be expected to happen soon within our grasp.
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