Maximum Likelihood Spectral Fitting: The Batchelor Spectrum
Notice bibliographique
Résumé
A simple technique for fitting spectra that is applicable to any problem of adjusting a theoretical spectral form to fit observations is described. All one needs is a functional form for the theoretical spectrum and an estimate for the instrumental noise spectrum. The method, based on direct application of the maximum likelihood approach, has several advantages over other fitting techniques. 1) It is unbiased in comparison with other least squares or cost function–based approaches. 2) It is insensitive to dips and wiggles in the spectrum, due to the small number of fitted parameters. It is also robust because the range of wavenumbers used in the fit is held fixed, and the built-in noise model forces the routine to ignore the spectrum as it gets down toward the noise level. 3) The method provides a theoretical estimate for error bars on the fitted Batchelor wavenumber, based on how broad or narrow the likelihood function is in the vicinity of its peak. 4) Statistical quantities that indicate how well the observed spectrum fits the theoretical form are calculated. This is extremely useful in automating analysis software, to get the computer to automatically flag “bad” fits. The method is demonstrated using data from the Self-Contained Autonomous Microstructure Profiler (SCAMP), a free-falling temperature microstructure profiler. Maximum likelihood fits to the Batchelor spectrum are compared to the SCAMP-generated fits and other least squares techniques, and also tested against pseudodata generated by Monte Carlo techniques. Pseudocode outlines for the spectral fit routines are given.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,007 |
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 ».