Notice bibliographique
Résumé
In this paper we consider the joint problems of separating and localizing sperm whale click trains.Click train separation is the single-sensor problem of grouping the clicks from each animal together when the clicks of more than one animal are present at a given sensor.Localization is the problem of localizing the animals based on the measurement of time delays of the same click events at multiple sensors.The two problems are inherently connected.We first consider the two problems independently using novel applications of statistical signal processing methods.For separation, we employ an algorithm inspired by the Viterbi algorithm from dynamic programming.For localization, we employ an algorithm inspired by the expectation-maximization (EM) algorithm.Finally, we use the two algorithms to "assist" each other in a joint localization/separation solution.We demonstrate the algorithm on real data. s o m m a i r eEn cet article nous considérons les problèmes communs de séparer et de localiser des trains de clic de cachalot.La separation de train de clic est le problème de simple-hydrophone de grouper les clics de chaque animal ensemble quand les clics de plus d'un animal sont présents à une hydrophone donnée.La localisation est le problème de localiser les animaux basés sur la mesure du temps retarde des mêmes événements de clic aux sondes multiples.Le problème deux sont en soi relies.Nous considérons d 'abord les deux problèmes employant indépendamment des applications de nouveaux des méthodes statistiques de traitement des signaux.Pour la séparation, nous utilisons un algorithme inspireé par l 'algorithme de Viterbi de la programmation dynamique.Pour la localisation, nous utilisons un algorithme inspireé par l 'algorithme de E-M.En conclusion, nous employons les deux algorithmes pour nous aider dans une solution du joint localization/séparation. Nous démontrons l 'algorithme sur de vraies données.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».