XiaoMi-AI文件搜索系统
World File Search SystemGNSS
EGNOS 生命安全 (SoL) - 欧洲 GNSS 服务中心
[RD-9] 2017 年 3 月 1 日委员会实施条例 (EU) 2017/373，规定了空中交通管理/空中导航服务和其他空中交通管理网络功能提供商及其监督的共同要求，废除条例 (EC) No 482/2008、实施条例 (EU) No 1034/2011、(EU) No 1035/2011 和 (EU) 2016/1377，并修订条例 (EU) No 677/2011。
通过 GIRO 和 GNSS 数据融合进行全球电离层天气监测
1 马萨诸塞大学洛厄尔分校空间科学实验室，洛厄尔，马萨诸塞州 01854，美国 2 瓦尔米亚-马祖里大学空间无线电诊断研究中心，奥尔什丁 10-720 Olsztyn，波兰；adam.fron@uwm.edu.pl (A.F.)；kand@uwm.edu.pl (A.K.)；kacper.kotulak@uwm.edu.pl (K.K.)；pawel.flisek@student.uwm.edu.pl (P.F.) 3 洛厄尔 Digisonde International, LLC，洛厄尔，马萨诸塞州 01854，美国；bodo.reinisch@digisonde.com 4 UPC-IonSAT，加泰罗尼亚理工大学数学系，巴塞罗那 08034，西班牙； manuel.hernandez@upc.edu (M.H.-P.); roma@ieec.cat (D.R.D.); alberto.garcia.rigo@upc.edu (A.G.-R.) 5 阿卜杜勒萨拉姆国际理论物理中心，34151 Trieste，意大利；bnava@ictp.it 6 乔治梅森大学物理与天文系，弗吉尼亚州费尔法克斯 22030，美国；dbilitza@gmu.edu 7 空间物理数据设施，美国国家航空航天局戈达德太空飞行中心，马里兰州格林贝尔特 20771，美国 8 中国科学院空天信息研究院 (AIR)，北京 100094，中国；lizishen@aircas.ac.cn (Z.L.); wangningbo@aoe.ac.cn (N.W.) 9 中国济南历城区工业北路 44 号齐鲁航天信息研究院，邮编 250132 10 国家空间研究院，圣若泽多斯坎波斯，圣保罗 12227-010，巴西； inez.batista@inpe.br * 通讯：ivan_galkin@uml.edu；电话：+1-(978)-934-4912
GNSS 接收器中的自适应模数转换和预相关干扰缓解技术
7.17. 不同 WB-ISR 的 6 位 ADC 的 ADC 箱体加载. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
GNSS中的机器学习利用：用例，挑战和未来应用
摘要 - 在良好的信号条件下定位，导航和时机（PNT）的可用性和准确性方面，传统的全球导航卫星系统（GNSS）的算法和模型表现良好。仍在进行研究，以提高其在少于最佳信号环境中的稳健性和性能。对机器学习（ML）的研究及其在许多领域的应用的潜力也越来越兴趣，这也导致了有关其在GNSS中使用的几种研究。在GNSSS领域，ML正在改变预防和解决导航问题的方式，并且它在为未来推动PNT技术方面发挥了重要作用。我们通过回顾ML如何提高GNSS性能和可用性来说明这一点，并讨论已应用ML算法的GNSS领域。我们还突出显示了常见的ML算法，并在类似的GNSS用例中使用它们的性能。此外，讨论了GNSS中ML技术利用的挑战和风险。洞察力被给予GNSS的前瞻性领域，其中可以将ML应用于提高性能，准确性和鲁棒性，从而为新研究提供肥沃的基础。
Microsoft Word - 欧洲空中导航安全组织 PBN GNSS 应急 Hdbk No 6_vF_ 27MAY2020 PRINT+WEB.docx
由于欧盟有关 PBN 的法规明确指出，GNSS 将在未来十年成为主要导航基础设施，因此本文件列出了各国在主要基础设施信号退化或丢失时需要考虑的问题。（参见 2018 年欧盟法规第 1048 号 (PBN IR)）。PBN IR 第 6 条要求 ANSP 确保在 GNSS 发生故障或启用 PBN 操作所需的其他手段发生故障时有应急措施可用。相关的 SESAR 研究还发现，需要为 ANSP 提供指导材料，指导他们如何开发 VOR/DME 的最低操作网络 [MON]。本文件是在导航指导小组 (NSG) 的主持下编写的，该小组向网络运营团队 (NETOPS) 和联合 CNS 利益相关者平台 (JCSP)/通信、导航和监视团队 (CNS-T) 报告。
全球导航卫星系统（GNSS）和其他用于各种应用的地理空间工具
如今，全球卫星导航系统（GNSS）在许多领域都起着基本作用，例如民航，海上和土地导航和地理器，由于能够在全球范围内提供全球，三维，全天候，速度和速度和时间同步。全球导航卫星系统练习的最终产品是接收站的三维坐标（3D）。这些坐标在大多数地理空间应用中被发现可靠。但是，除了大地坐标外，数据管理中的某些应用还需要其他信息。因此； GNSS已与其他数据获取方法集成在一起，以提高各种应用程序的数据质量。这些有助于解决各个方法失败的许多问题。本文研究了一些基于卫星的系统，并报告了GNSS与其他数据采集工具的集成，例如地球级别，遥感，地理信息系统（GIS），惯性导航系统（INS）等。在某些情况下，协同作用导致了其他卫星或有效载荷计划，例如重力恢复和气候实验（GRACE），而它已改善了许多领域的GNSS应用程序。GNSS集成。
使用图形卷积神经网络学习智能手机的GNSS定位校正
抽象的智能手机接收器包括大约15亿个全球赛车卫星系统接收器。智能手机接收器的信号水平较低，噪音较低，而噪声则比Commer CIAL接收器更高。由于对尺寸，重量，功耗和成本的限制，与这些接收器进行准确的定位尤其是在城市环境中，这是一项挑战。传统上，全球定位系统测量方法是通过基于模型的方法（例如加权最小二乘和卡尔曼过滤方法）处理的。基于模型的方法可以以后处理方式提供仪表级的定位精度，但这些方法需要对相应的噪声模型进行牢固的假设，并且需要对参数（例如协方差）进行手动调整。相比之下，已经提出了基于学习的方法，这些方法对数据结构做出了更少的假设，并且可以准确地对环境特定的错误进行建模。但是，这些方法比基于模型的方法提供了较低的精度，并且对初始化敏感。在本文中，我们提出了一个用于学习校正的混合框架，该框架对应于真实接收器姿势和估计位置之间的偏移。对于基于学习的方法，我们提出了一个图形卷积神经网络（GCNN），该神经网络可以学习具有多构造和多频信号的不同图形结构。为了更好地对GCNN进行初始化，我们使用Kalman滤波器来估计一个粗糙的接收器位置。然后，我们使用此粗糙接收器位置来调节输入特征到图。我们从Google智能手机分解挑战中测试了对现实世界数据集的建议方法，并比基于模型的方法（例如加权最小二乘和卡尔曼过滤器方法）显示出改进的定位性能。
使用密集欧洲几何改进射线几何...
目前，GPS观察允许使用断层扫描衍生4-D大气（对流层或电离层）模型。为此，GPS数据用于估计对流层的倾斜对流层延迟（STD）（例如，Pottiaux，2010年）和电离层的倾斜总电子含量（STEC）（例如Bergeot等，2010）。层析成像方法包括通过体素（代表对流层或电离层）的体素离散数量（体素为3D像素，图1）。这允许在断层网格分辨率下获取有关这些参数的分布变化的信息（Mitchell和Spencer，2003年）。在不久的将来，使用Glonass和Future Galileo系统以及增加地面GNSS网络增加了STD和STEC的观察结果，这将减少对先验信息的依赖，最终导致大气中的层析成像主要基于数据（Bust and Mitchell，Mitchell，2008; Bender and Rababe，2007年）。
效率 - gnss坐标分类 - 与...
摘要：在广泛的流行病时期，许多人有患病毒的风险，例如Covid-19，Monkeypox和肺炎，从而导致对他人的影响的连锁反应。因此，疾病控制中心（CDC）通常通过监视和追踪受感染的个人及其地区来制定策略来管理这种情况。为方便起见，“目标”和“区域”代表以下个人和区域。全球导航卫星系统（GNSS）可以通过与尖端（PIP）相关的技术来帮助评估目标的定位区域。当有许多目标和区域时，仅依靠PIP技术从目标到区域进行分类可能会更有效。K-最近的邻居（KNN）分类的分类技术在各个域中广泛使用，提供可靠的分类精度。但是，KNN分类需要一定数量的目标，该目标具有执行区域（培训数据集），而培训数据集和分类时间的大小通常会表现出指数关系。本研究提出了一种应用KNN技术将目标分类为领域的策略。此外，在策略中，我们提出了一种自适应KNN算法来提高分类程序的效率。