Improper Complex-Valued Multiple-Model Adaptive Estimation
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.
Notice bibliographique
Résumé
Motivated by the problem of estimating the discrete and continuous states of an improper complex-valued stochastic hybrid system, the paper proposes a class of widely linear (augmented) multiple model adaptive estimation algorithms, referred to as the C/MMAE. We show that for an improper complex-valued signal, pseudo-covariance of the innovation sequence is not zero and, therefore, carries useful statistical information regarding the unknown behaviour mode of the hybrid system. A new Bayesian law is, therefore, derived as a function of the pseudo-covariance of the innovation sequence and used to compute the probability that a hypothesized model is in effect at a certain time. We show that the C/MMAE, which uses the new Bayesian law and utilizes the complete second-order statistical characterization of the complex-valued innovation sequence, convergencies faster than its counterpart, which only uses the conventional covariance of the innovation sequence. In order to simplify the computational complexity, we develop two circularized versions of the C/MMAE using a preprocessing step, referred to as the circularizing filter (CF). The CF is incorporated to convert the improper observations/innovations into the proper ones in order to reduce the computational complexity of the hypothesis testing step. Finally, an interacting version of the C/MMAE, referred to as C/IMM, is developed for improper complex-valued systems with Markovian switching coefficients. Simulation results indicate that the proposed hybrid estimators provide improved performance and convergence properties over their traditional counterparts.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle