MétaCan
Menu
Retour à la cohorte
Enregistrement W2014951082 · doi:10.1109/isccsp.2010.5463429

Design of nearly linear-phase recursive digital filters by using unconstrained least-pth minimax optimization

2010· article· en· W2014951082 sur OpenAlexafffund
Sunil B. Nagaraj, R. C. Nongpiur, A. Antoniou

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueDigital Filter Design and Implementation
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMinimaxFilter (signal processing)Filter designControl theory (sociology)Adaptive filterDigital filterMathematicsAlgorithmStability (learning theory)Transfer functionCascadeComputer scienceMathematical optimization

Résumé

récupéré en direct d'OpenAlex

A method for the design of nearly linear-phase recursive digital filters is proposed. The recursive filter is assumed be a cascade arrangement of second-order biquadratic sections whose transfer functions are expressed in the polar form. An error function is formulated based on the difference between the actual complex frequency response of the filter and the desired frequency response. Then by using a least-pth minimax algorithm, the required design is obtained. The new method achieves filter stability through the use of a parameterization scheme based on the so-called sigmoid function and it incorporates a mechanism by which an arbitrary prescribed stability margin can be achieved. The optimization engine used in the least-pth algorithm is an unconstrained quasi-Newton algorithm based on the Broyden-Fletcher-Goldfarb-Shanno updating formula and it incorporates a nonuniform adaptive variable sampling technique to prevent spikes in the error function. Several filter design examples demonstrate that the proposed method is very efficient in terms of computational effort required since it is an unconstrained method and, furthermore, it can yield designs that are superior relative to some of the known state-of-the-art methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,036
Tête enseignante GPT0,294
Écart entre enseignants0,259 · 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 source (Gemma direct ou Codex distillé), 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

Citations2
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetDigital Filter Design and ImplementationTravaux en français237 207