MétaCan
Menu
Retour à la cohorte
Enregistrement W1984505653 · doi:10.1002/acs.1011

Blind identification of sparse Volterra systems

2007· article· en· W1984505653 sur OpenAlexaff
Hong‐Zhou Tan, Yihua Huang, Jian Fu

Notice bibliographique

RevueInternational Journal of Adaptive Control and Signal Processing · 2007
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlind Source Separation Techniques
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésIdentifiabilityVolterra seriesMoment (physics)Independent and identically distributed random variablesIdentification (biology)MathematicsApplied mathematicsVolterra equationsSystem identificationOrder (exchange)Computer scienceControl theory (sociology)AlgorithmNonlinear systemRandom variableStatisticsArtificial intelligencePhysicsData modeling

Résumé

récupéré en direct d'OpenAlex

Abstract This paper is concerned with blind identification for single‐input single‐output Volterra systems with finite order and memory with the second‐order and the third‐order statistics. For the full‐sized Volterra system (i.e. all its kernels are nonzero) excited by unknown independently and identically distributed stationary random sequences, it is shown that blind identifiability does not hold in the second‐order moment (SOM) and the third‐order moment (TOM) domain. However, under some sufficient conditions, a class of truncated sparse Volterra systems, where some kernels are restricted to being zero, can be identified blindly and more Volterra parameters can be estimated in TOM than in SOM. Numerical examples illustrate the effectiveness of the proposed methods. Copyright © 2007 John Wiley & Sons, Ltd.

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 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)0,002
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,969
Score d'incertitude au seuil0,295

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 savante0,0000,001
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 Opus0,024
Tête enseignante GPT0,291
Écart entre enseignants0,267 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Adaptive Control and Signal ProcessingMême sujetBlind Source Separation TechniquesTravaux en français237 207