MétaCan
Menu
Retour à la cohorte
Enregistrement W2889201621 · doi:10.1109/ccece.2018.8447886

Estimation of Frequency of a Sinusoid from Compressive Sensing Measurements

2018· article· en· W2889201621 sur OpenAlexaff
Y.T. Chan, François Chan, Sreeraman Rajan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSparse and Compressive Sensing Techniques
Établissements canadiensCarleton UniversityRoyal Military College of Canada
Organismes subventionnairesnon disponible
Mots-clésAdditive white Gaussian noiseSinusoidNoise (video)Gaussian noiseMathematicsLeast-squares function approximationGaussianWhite noiseEstimation theoryAlgorithmStatisticsComputer sciencePhysics

Résumé

récupéré en direct d'OpenAlex

This paper addresses the estimation of the frequency of a sinusoid from compressively sensed measurements. Normally in parameter estimation, measurements are assumed to contain the signal and additive white Gaussian noise (AWGN). Under the paradigm of compressive sensing (CS), the measurements no longer contain AWGN but correlated noise. Frequency estimation of a sinusoid from measurements obtained through CS using the A WGN assumption will be non-optimal. This paper provides near-optimal frequency estimates for a sinusoid obtained through CS. Estimation of frequency of a sinusoid from CS measurements is cast as a linear least squares problem. A near-optimal solution in closed-form is presented by applying generalized total least squares (GTLS) technique to avoid bias caused by the correlated noise. The accuracy of the closed-form solution is close to the theoretical bound as confirmed by simulations.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil0,337

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)0,0000,000

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 Opus0,034
Tête enseignante GPT0,251
Écart entre enseignants0,217 · 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
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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSparse and Compressive Sensing TechniquesTravaux en français237 207