Notice bibliographique
Résumé
In our problem of identifying iceberg fragments in marine radar, we have previously applied Gabor’s expansion of a signal onto a set of Gaussian windowed sinusoids (Gabor functions). A somewhat sinusoidal signature in time-frequency space characterized the near circular movement of any floating object under the influence of ocean waves. Methods based on an adaptive version of this time-frequency processing have been shown[l] to track this sinusoidal nonstationarity and thus were very effective for detecting wave driven objects. An even better means of performing the detection, using “chirplets” was later developed[2]. The dynamics of the motion were modeled, first by a constant acceleration (expansion on windowed linear FM basis functions), then by an expansion onto a set of sinusoidal chirplets. (The sound of a police siren is a member of this set of bases). The sinusoidal chirplet model embodies the linear chirplet as a special case. Ordinary range-based processing assumes a piecewise stationary underlying model. The sliding window Doppler Fourier processing, assumes a more general underlying model, namely that of piecewise constant velocity. The linear chirplet generalizes further to constant acceleration. Finally the sinusoidal chirplet matches the physics’ of floating objects very closely and provides the best performance. Each one embodies the previous ones as special cases. We compare our new methods of Doppler processing with spatiotemporal processing[3]. Doppler processing is more suited to objects, such as icebergs, which remain within the same range cell for an extended period of time, while the spatiotemporal processing is more suitable for objects, such as ships, which move through multiple range cells.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».