Recursive and Fast Recursive Capon Spectral Estimators
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
The Capon algorithm, which was originally proposed for wavenumber estimation in array signal processing, has become a powerful tool for spectral analysis. Over several decades, a significant amount of research attention has been devoted to the estimation of the Capon spectrum. Most of the developed algorithms thus far, however, rely on the direct computation of the inverse of the input correlation (or covariance) matrix, which can be computationally very expensive particularly when the dimension of the matrix is large. This paper deals with fast and efficient algorithms in computing the Capon spectrum. Inspired from the recursive idea established in adaptive signal processing theory, we first derive a recursive Capon algorithm. This new algorithm does not require an explicit matrix inversion, and hence it is more efficient to implement than the direct-inverse approach. We then develop a fast version of the recursive algorithm based on techniques used in fast recursive least-squares adaptive algorithms. This new fast algorithm can further reduce the complexity of the recursive Capon algorithm by an order of magnitude. Although our focus is on the Capon spectral estimation, the ideas shown in this paper can also be generalized and applied to other applications. To illustrate this, we will show how to apply the recursive idea to the estimation of the magnitude squared coherence function, which plays an important role for problems like time-delay estimation, signal-to-noise ratio estimation, and doubletalk detection in echo cancellation.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 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 découle