Effect of Constraining a Limited Number of Slant Ionospheric Corrections in PPP and an Improved Partial Tight-Constraining Algorithm
Notice bibliographique
Résumé
With external ionospheric corrections, precise point positioning solutions can be augmented with proper constraints, enabling fast convergence and high-precision positioning performance. However, there are two main issues in user algorithms. Firstly, the contribution of the number of applied ionospheric corrections on positioning performance is not clear to users. For instance, in low-cost sensors where computation resources are limited, applying too many corrections (e.g., tens of corrections) from server will possibly cause slow response. Secondly, the determination of constraining strength for corrections from different satellites remains challenging. Therefore, this paper evaluates the effect of the number of ionospheric corrections on positioning errors and convergence time, and proposes an improved tight-constraining algorithm for partial reliable corrections. Static and simulated kinematic positioning results confirm that the more corrections applied, the better the positioning performance. However, the positioning accuracy only has limited improvements when several corrections are already applied, especially in the north direction. The proposed method reduces static positioning root-mean-square errors by 43.4%, 26.9%, and 32.1% in the east, north, and up directions, respectively, compared to solutions without constraint. In simulated kinematic results, the convergence time is further shortened by 7.7%, 4.8%, and 2.5% for the east, north, and up directions, respectively, compared to cases where all corrections are applied.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».