Notice bibliographique
Résumé
Teaching digital signal processing at the graduate and undergraduate levels has a long tradition at universities. The signals include time series, still images, videos, and volumetric data such as radar and Doppler radar. The traditional topics such as spectral techniques in single-scale analysis and synthesis are now being expanded to include wavelet bases for multiscale analysis and synthesis [2]. The course described in this paper [1] expands the analysis to polyscale analysis and synthesis as it relates to self-affine processes and dynamical systems [3-4]. This course presents foundations of fractal (polyscale) and chaos theory, with applications to engineering. A unified approach to fractal dimensions provides tools for multiscale and polyscale analysis of time series, images, video, and other objects. Other topics include analysis and synthesis of mono- and multifractal coloured noise for research purposes, as well as stability analysis of dynamical systems, characterization of chaos using Lyapunov exponents, and reconstruction of strange attractors from experimental data. The course also provides a unified description of 19 different fractal dimensions grouped in four classes based on: set- morphology, entropy, spectrum, and variance. Special attention is given to (a) probability and pair-correlation algorithms for E-dimensional images and strange attractors, (b) batch and real-time computation of the variance fractal dimension, and (c) the Rényi dimension spectrum formulation for fractals and multifractals. The objective is to learn how to characterize multifractals through multi- and poly-scale analyses, and how to extract features for their classification. This paper describes the structure of the course, the set of topics covered, the set of course projects, and the lessons learned from the extensive experience with the course.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,020 |
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 ».