Optimum time–frequency distribution for detecting a discrete-time chirp signal in noise
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».