MétaCan
Menu
Retour à la cohorte
Enregistrement W2161141708 · doi:10.1109/icassp.1997.599529

L/sub p/ norm design of weighted order statistic filters

2002· article· en· W2161141708 sur OpenAlexaff
C.E. Savin, M. Omair Ahmad, M. N. S. Swamy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Adaptive Filtering Techniques
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésNorm (philosophy)StatisticOrder statisticAlgorithmMathematicsFilter designBoolean functionAdaptive filterComputer scienceDiscrete mathematicsFilter (signal processing)Applied mathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

This paper addresses the problem of designing weighted order statistic (WOS) filters by employing an objective function given as the L/sub p/ norm of the error between the desired signal and the estimated one. The conventional design of WOS filters uses a mean absolute error (MAE) objective function, and as such, it is a special case of the general, L/sub p/ norm based design, developed here. It is shown that in stack filtering, the L/sub p/ norm can be expressed as a linear combination of the decision errors incurred by the Boolean operators at each level of the stack filter architecture. Based on this formulation of the L/sub p/ norm, both nonadaptive and adaptive algorithms for the design of L/sub p/ WOS filters are developed. A design example is considered, to illustrate the performance of the designed L/sub p/ WOS filters with different values of p. The simulation results show that the L/sub p/ WOS filters with p/spl ges/2 are capable of removing more impulsive noise compared with the conventional MAE WOS filters.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,508
Score d'incertitude au seuil0,798

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)0,0010,000

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 Opus0,025
Tête enseignante GPT0,215
Écart entre enseignants0,190 · 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
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

Citations0
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Adaptive Filtering TechniquesTravaux en français237 207