MétaCan
Menu
Retour à la cohorte
Enregistrement W1580302050

Application of Riemannian mean of covariance matrices to space-time adaptive processing

2012· article· en· W1580302050 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueEuropean Radar Conference · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueRadar Systems and Signal Processing
Établissements canadiensCommunications Research Centre Canada
Organismes subventionnairesnon disponible
Mots-clésSpace-time adaptive processingCovariance matrixSample matrix inversionRadarSample mean and sample covarianceMathematicsEuclidean distanceEstimation of covariance matricesAlgorithmContext (archaeology)Computer scienceCovarianceMatrix (chemical analysis)Artificial intelligenceRadar imagingContinuous-wave radarStatisticsGeographyTelecommunications
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The application of space-time adaptive processing to airborne GMTI radar data requires estimation of the covariance matrix. Among many novel results in the radar signal processing context, it has been shown that the usual sample covariance matrix based STAP approaches are suboptimal in that they are in the Euclidean space, rather than a natural Riemannian space of symmetric cones. In this paper, the algorithms of Riemannian mean based on the Karcher barycenter is shown to provide dramatically improved performance over the classic sample matrix inversion (SMI) technique.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,875
Score d'incertitude au seuil0,590

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,213
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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