Improving Statistical Robustness of Matched-Field Source Localization via General-Rank Covariance Matrix Matching
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Performance of matched-field source localization is highly dependent on the precision of the model to actual physical processes. Model mismatch, including sound propagation environmental mismatch, statistical mismatch, and system mismatch, causes severe performance degradation. Statistical mismatch occurs when an insufficient snapshot set is used to estimate the data covariance matrix. Diagonal loading can improve the widely used minimum variance distortionless response (MVDR) and minimum power distortionless response (MPDR) processors against statistical mismatch, however, the result relies on selection of the loading level. Previously, a new processor named the matched-covariance estimator (MCE) was shown to have statistically robust estimation capability under white noise conditions by matching the general-rank data covariance matrix with a covariance matrix of the modeled replicas. In this paper, the method is further developed in more realistic application scenarios with discrete point interferences and/or surface-generated noises. Simulations and analyses show that MCE can outperform classical MVDR/MPDR matched-field processors by: exploiting both signal and noise data structure at the same time; being less prone to mistaken nulling of the signal; requiring no rank-1 signal space restriction; and not needing signal-free and long duration training data.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle