Separating Function Estimation Test for Binary Distributed Radar Detection With Unknown Parameters
Notice bibliographique
Résumé
This paper addresses the problem of distributed detection in the case where, under the signal-present hypothesis, the signal-to-noise ratio (SNR) is unknown and/or observations are correlated. We assume that each local detector makes a (binary) decision while meeting a local false alarm constraint; it then transmits its decision to a fusion center. The unknown SNR at each local detector induces an unknown probability of detection and, hence, the optimal detector at the fusion center does not exist. We begin with the case most often considered in the literature: independent observations. In this case, we derive the asymptotically optimal separating function estimation test (AOSFET) and the generalized likelihood ratio test (GLRT). Moreover, we propose a method to set the local false alarm rates to achieve the maximum probability of detection at the fusion center (while meeting a constraint on the global probability of false alarm). The second part of this paper considers the case of correlated observations. We show that the AOSFET for this problem does not exist. As alternatives, we propose three suboptimal SFETs: based on an approximation to the AOSFET, the Kullback-Leibler divergence, and the Euclidean distance of the estimated probability mass function (pmf) of the observations under each hypotheses. Finally, we propose two methods to improve the performance of the estimation of the pmfs using a library of training labeled data based on the maximum likelihood estimation and expected maximization methods.
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 | 0,007 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».