Improvement of GPS phase ambiguity resolution using prior height information as a quasi-observation.
Bibliographic record
Abstract
La resolution des ambiguites sur les phases du GPS sur L1 est toujours difficile pour l'arpentage cinematique, particulierement lorsque la ligne de base est longue. Une approche interessante consiste a combiner les observations GPS a l'information d'autres systemes d'arpentage ou d'autres sources pour ameliorer la resolution des ambiguites. En leves bathymetriques, l'information anterieure sur la hauteur peut etre obtenue a partir de maregraphes. La presente recherche est entreprise pour etudier comment utiliser l'information anterieure sur la hauteur et comment obtenir une solution stable. Il s'agit d'une methode qui utilise la hauteur anterieure comme une quasi-observation. Celle-ci est ensuite utilisee dans la compensation avec les observations GPS. Dans cette contribution, un algorithme est d'abord developpe pour le calcul de compensation avec la quasi-observation. La capacite de la quasi-observation d'ameliorer la technique de recherche est ensuite etudiee en detail. Les resultats montrent que non seulement la quasi-observation peut renforcer les tests pour eliminer les solutions incorrectes, mais elle peut aussi changer avantageusement la structure de l'espace de recherche des ambiguites. La stabilite de la methode est egalement examinee. Enfin, des tests sur place sont entrepris pour demontrer que l'approche proposee est efficace. Les resultats des tests montrent que pour les leves bathymetriques dans le fleuve Saint-Laurent, si la technique d'interpolation de la maree est utilisee et si l'assise, le tangage et le tirant d'eau du bateau sont consideres, une precision de la hauteur anterieure (σ Hpr ) de 10 ou 20 centimetres peut etre selectionnee.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".