Approximate maximum likelihood estimators for array processing in multiplicative noise environments
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
We consider the problem of localizing a source by means of a sensor array when the received signal is corrupted by multiplicative noise. This scenario is encountered, for example, in communications, owing to the presence of local scatterers in the vicinity of the mobile or due to wavefronts that propagate through random inhomogeneous media. Since the exact maximum likelihood (ML) estimator is computationally intensive, two approximate solutions are proposed, originating from the analysis of the high and low signal to-noise ratio (SNR) cases, respectively. First, starting with the no additive noise case, a very simple approximate ML (AML/sub 1/) estimator is derived. The performance of the AML/sub 1/ estimator in the presence of additive noise is studied, and a theoretical expression for its asymptotic variance is derived. Its performance is shown to be close to the Cramer-Rao bound (CRB) for moderate to high SNR. Next, the low SNR case is considered, and the corresponding AML/sub 2/ solution is derived. It is shown that the approximate ML criterion can be concentrated with respect to both the multiplicative and additive noise powers, leaving out a two-dimensional (2-D) minimization problem instead of a four-dimensional (4-D) problem required by the exact ML. Numerical results illustrate the performance of the estimators and confirm the validity of the theoretical analysis.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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