Non‐minimum phase wavelet estimation by non‐linear optimization of all‐pass operators
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
ABSTRACT Convolution of a minimum‐phase wavelet with an all‐pass wavelet provides a means of varying the phase of the minimum‐phase wavelet without affecting its amplitude spectrum. This observation leads to a parametrization of a mixed‐phase wavelet being obtained in terms of a minimum‐phase wavelet and an all‐pass operator. The Wiener–Levinson algorithm allows the minimum‐phase wavelet to be estimated from the data. It is known that the fourth‐order cumulant preserves the phase information of the wavelet, provided that the underlying reflectivity sequence is a non‐Gaussian, independent and identically distributed process. This property is used to estimate the all‐pass operator from the data that have been whitened by the deconvolution of the estimated minimum‐phase wavelet. Wavelet estimation based on a cumulant‐matching technique is dependent on the bandwidth‐to‐central‐frequency ratio of the data. For the cumulants to be sensitive to the phase signatures, it is imperative that the ratio of bandwidth to central frequency is at least greater than one, and preferably close to two. Pre‐whitening of the data with the estimated minimum‐phase wavelet helps to increase the bandwidth, resulting in a more favourable bandwidth‐to‐central‐frequency ratio. The proposed technique makes use of this property to estimate the all‐pass wavelet from the prewhitened data. The paper also compares the results obtained from both prewhitened and non‐whitened data. The results show that the use of prewhitened data leads to a significant improvement in the estimation of the mixed‐phase wavelet when the data are severely band‐limited. The proposed algorithm was further tested on real data, followed by a test involving the introduction of a 90°‐phase‐rotated wavelet and then recovery of the wavelet. The test was successful.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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