Quantization Bias for Digital Correlators
Notice bibliographique
Résumé
In radio interferometry, the quantization process introduces a bias in the magnitude and phase of the measured correlations which translates into errors in the measurement of source brightness and position in the sky, affecting both the system calibration and image reconstruction. In this paper, we investigate the biasing effect of quantization in the measured correlation between complex-valued inputs with a circularly symmetric Gaussian probability density function (PDF), which is the typical case for radio astronomy applications. We start by calculating the correlation between the input and quantization error and its effect on the quantized variance, first in the case of a real-valued quantizer with a zero mean Gaussian input and then in the case of a complex-valued quantizer with a circularly symmetric Gaussian input. We demonstrate that this input-error correlation is always negative for a quantizer with an odd number of levels, while for an even number of levels, this correlation is positive in the low signal level regime. In both cases, there is an optimal interval for the input signal level for which this input-error correlation is very weak and the model of additive uncorrelated quantization noise provides a very accurate approximation. We determine the conditions under which the magnitude and phase of the measured correlation have negligible bias with respect to the unquantized values: we demonstrate that the magnitude bias is negligible only if both unquantized inputs are optimally quantized (i.e. when the uncorrelated quantization error model is valid), while the phase bias is negligible when (1) at least one of the inputs is optimally quantized, or when (2) the correlation coefficient between the unquantized inputs is small. Finally, we determine the implications of these results for radio interferometry.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
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 ».