MétaCan
Menu
Retour à la cohorte
Enregistrement W2156019666 · doi:10.1109/issse.2007.4294542

Binary Chirp Signals in - Mixture Noise: Coherent and Noncoherent Detection

2007· article· en· W2156019666 sur OpenAlexaff
Abdullah Kadri, Raveendra K. Rao

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlind Source Separation Techniques
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésGaussian noiseChirpNoise (video)Binary numberAdditive white Gaussian noiseSignal-to-noise ratio (imaging)Probability density functionAlgorithmDetection theoryModulation (music)SIGNAL (programming language)GaussianComputer scienceSpeech recognitionMathematicsAcousticsPhysicsStatisticsDetectorTelecommunicationsArtificial intelligenceWhite noiseOptics

Résumé

récupéré en direct d'OpenAlex

The detection of weak binary chirp signals in isin-mixture noise environment is addressed. Both coherent and noncoherent reception cases are treated. Optimum weak signal receiver structures are derived and analyzed. Closed-form expressions for bit error probabilities of these receivers are derived, and the theoretical bit error rates are illustrated as a function of the modulation parameters, signal-to-noise ratio, detection sample size, and parameters of the first-order probability density of the noise. A comparison of the performances of coherent and noncoherent receivers is also presented. The noise environment is modeled as Gaussian-Gaussian mixture model.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,699
Score d'incertitude au seuil0,355

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,267
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetBlind Source Separation TechniquesTravaux en français237 207