Optimum time–frequency distribution for detecting a discrete-time chirp signal in noise
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
In the continuous-time domain, maximum-likelihood (ML) detection of a chirp signal in white Gaussian noise can be done by maximising (with respect to signal parameter arguments) the line-integral transform (LIT) of the classical Wigner distribution (of the observed signal). The LIT is known variously as the Hough transform and the Radon transform. For discrete-time signals, the Wigner-type distribution defined by Claasen and Mecklenbrauker has become popular as a signal analysis tool. Moreover, it is commonly believed that ML detection of a discrete-time chirp signal in independent and identically distributed (i.i.d.) Gaussian noise can be done by maximising the LIT of the Wigner–Claasen–Mecklenbrauker distribution (WCMD). This belief is false and results in loss of performance. The authors derive a Wigner-type distribution for discrete-time signals such that ML detection of a discrete-time chirp signal in i.i.d. Gaussian noise can be done by maximising the LIT of this distribution. Simulated receiver operating curves showing the performance advantage of the new method over the WCMD-based method are provided. The signal parameter values that maximise the LIT are taken as estimates of the actual parameters. The authors provide simulation results showing that the parameter estimates obtained using the new method are more accurate than those obtained using the WCMD-based method. For the WCMD-based method, the range of unambiguously measurable frequencies (RUMF) is [−π/2, π/2]. For the new method, the RUMF is [−π, π].
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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