Farklı regresyon modelleriyle kestirilen zenit troposferik gecikmelerin değerlendirilmesi
Bibliographic record
Abstract
Yapay zekâ ve makine öğrenimi alanındaki gelişmeler, GNSS uygulamalarındaki sorunlara alternatif çözümler sunmakta veya mevcut çözümlerin verimliliğini artırmaya imkân sağlamaktadır. GNSS’de karşılaşılan birçok hata vardır ve bu hatalar kullanıcılar için problem oluşturmaktadır. Troposferik gecikme bunlardan birisidir. GNSS teknolojisine ilginin artmasıyla beraber öğrenme algoritmalarının atmosfer/troposfer çalışmalarında kullanımı, troposferik gecikme kestirimi için yeni modellerin oluşturulmasını önemli hale getirmiştir. Bu çalışmada, Radyal Tabanlı Destek Vektör Regresyonu (RTF-DVR), Ridge ve Elastik-Net regresyon modelleriyle zenit troposferik gecikmenin (ZTD) kestirilmesi amaçlanmış, makine öğrenimi esasına göre eğitilmiş yeni regresyon modellerinin ZTD kestiriminde alternatif olarak tercih edilebilirliği araştırılmıştır. Bunun için farklı yöntemlerden elde edilen sonuç ZTD modelleri karşılaştırılarak analiz edilmiştir. Analiz sonuçlarından RTF-DVR modelinin daha iyi sonuçları verdiği, bunu Elastik-Net ve Ridge modellerinin takip ettiği tespit edilmiştir. Sonrasında yeni modellerden elde edilen ZTD değerleri, Canadian Spatial Reference System–Precise Point Positioning (CSRS-PPP) ZTD değerleriyle karşılaştırılıp modellerin performansı değerlendirilmiştir. Değerlendirme sonuçlarına göre, CSRS-PPP’ye en uyumlu modelin RTF-DVR olduğu sonucuna varılmıştır.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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; both teacher heads agree on what is shown here.
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".