Reduced Mean-Square Error Quadratic Inverse Spectrum Estimator
Notice bibliographique
Résumé
A new spectrum estimator is introduced. The new estimator exploits quadratic-inverse theory to attain improved mean-square error performance over the standard multitaper spectrum estimators. The standard, non-adaptive, eigenvalue weighted multitaper estimator is obtained by averaging a high-resolution inconsistent spectrum estimator over the estimator bandwidth. The improved performance of the proposed estimator results from replacing this average with a weighted average computed in the space spanned by the quadratic-inverse basis. The weighting, determined analytically, is chosen such that the resulting estimator minimizes the sum of the variance and the square of the in-band bias; neglecting bias due to spectral leakage and potential bias due to the possible incompleteness of the quadratic-inverse basis. For a white spectrum the neglected bias is found to be as small as that of a standard, non-adaptive multitaper spectrum estimator. The relative reduction of the mean-square error of the proposed spectrum estimator is validated by simulation for an ARMA(4,2) process, and results in a typical mean-square error reduction of 5% for large time-bandwidth parameters and 20% for a time-bandwidth parameter of four, when compared to the non-adaptive, non-eigenvalue weighted multitaper estimator. When compared to the adaptive multitaper spectrum estimator, larger mean-square error improvements are attainable. An expression for the theoretical probability density function for the proposed estimator is given. It is found to be as accurate as the asymptotic probability density function for the standard multitaper estimator.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».