Bayesian geoacoustic inversion and source tracking for horizontal line array data
Notice bibliographique
Résumé
This thesis develops non-linear Bayesian methods for three-dimensional tracking of a moving acoustic source in shallow water despite environmental uncertainty, with application to data from a horizontal line array (HLA) of hydrophones. Focalization-tracking maximizes the posterior probability density (PPD) over track and environmental parameters. Synthetic test cases show that the algorithm substantially outperforms tracking with poor environmental estimates and generally obtains results close to those achieved with exact environmental knowledge. Marginalization-tracking integrates the PPD over environmental parameters to obtain joint marginal distributions over source coordinates, from which track uncertainty estimates and the most probable track are extracted. Both approaches are applied to HLA data from a shallow-water experiment conducted in the Barents Sea. Focalization-tracking successfully estimates the tracks of a towed source and a surface ship in cases where simpler tracking algorithms fail. Marginalization-tracking generally outperforms focalization-tracking and gives uncertainty estimates that encompass the true tracks. As a precursor, Bayesian geoacoustic inversion is applied (to both controlled-source and ship-noise data) to estimate seabed model parameters and their uncertainties. It is demonstrated that combining data from multiple, independent time-series segments in the inversion can significantly reduce geoacoustic parameter uncertainties. Geoacoustic uncertainties are also shown to depend on ship range and orientation.
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 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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».