MétaCan
Menu
Retour à la cohorte
Enregistrement W2884182684 · doi:10.1109/lcomm.2018.2856746

Bayesian MMSE Estimation of a Gaussian Source in the Presence of Bursty Impulsive Noise

2018· article· en· W2884182684 sur OpenAlexafffund
Md Sahabul Alam, Georges Kaddoum, Basile L. Agba

Notice bibliographique

RevueIEEE Communications Letters · 2018
Typearticle
Langueen
DomaineEngineering
ThématiquePower Line Communications and Noise
Établissements canadiensHydro-QuébecÉcole de Technologie SupérieureUniversité du Québec à Montréal
Organismes subventionnairesFonds de recherche du Québec – Nature et technologies
Mots-clésMinimum mean square errorEstimatorMaximum a posteriori estimationComputer scienceGaussian noiseNoise (video)AlgorithmBayesian probabilityStatisticsMean squared errorMathematicsGaussianArtificial intelligenceMaximum likelihoodPhysics

Résumé

récupéré en direct d'OpenAlex

In this letter, we derive the minimum mean square error (MMSE) optimal Bayesian estimation (OBE) for a Gaussian source, in the presence of bursty impulsive noise, as essentially encountered within power substations. Clearly, it is observed that the presence of bursty impulsive noise makes the input-output characteristics of MMSE OBE non-linear. To handle the non-linearity, we propose a novel MMSE estimator, based on the detection of the unobservable states of the noise process, using the maximum a posteriori (MAP) detector. Resultantly, the proposed MAP-based MMSE estimator is shown to achieve the lower bound derived for the proposed scenario and outperform the various MMSE estimators that neglect the noise memory.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,611
Score d'incertitude au seuil0,394

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,000
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 Opus0,015
Tête enseignante GPT0,264
Écart entre enseignants0,249 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations18
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Communications LettersMême sujetPower Line Communications and NoiseTravaux en français237 207