MétaCan
Menu
Retour à la cohorte
Enregistrement W2156979582 · doi:10.1109/icassp.1996.550543

Estimation of delay and Doppler by wavelet transform

2002· article· en· W2156979582 sur OpenAlexaff
K. C. Ho, Y.T. Chan, Michelle Johnson

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueSpeech and Audio Processing
Établissements canadiensRoyal Military College of Canada
Organismes subventionnairesnon disponible
Mots-clésWaveletWavelet transformEstimatorCascade algorithmStationary wavelet transformMathematicsDiscrete wavelet transformSecond-generation wavelet transformSonarAlgorithmHarmonic wavelet transformWavelet packet decompositionDoppler effectComputer scienceWeightingArtificial intelligenceStatisticsAcousticsPhysics

Résumé

récupéré en direct d'OpenAlex

This paper studies the use of wavelet transform for delay and Doppler estimation between a sensor pair with relative motion between source and/or receivers. In passive sonar or radar estimation, the optimum wavelet is one of the receiver outputs and a method which scales the wavelet in discrete form is proposed. In active estimation, the maximum-likelihood (ML) estimator is shown to be equivalent to performing a wavelet transform of one of the receiving signals followed by a cross-correlation. The optimum wavelet in this case is equal to the weighting in the ML cost function. The wavelet approach combines noise filtering and scaling together, yielding a reduction in complexity. The proposed estimators were shown to approach the Cramer-Rao lower bound for delay and Doppler estimation.

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)0,000
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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil0,115

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,010
Tête enseignante GPT0,210
Écart entre enseignants0,200 · 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'étudeAutre devis
Domainenon disponible
GenreMéthodes

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

En bref

Citations8
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSpeech and Audio ProcessingTravaux en français237 207