Notice bibliographique
Résumé
Many cetacean vocalisations are tonal and most are frequency-modulated.The detection algorithm presented here breaks the frequency contour into a sequence of elements.Each element is sufficiently short that a linear approximation to the frequency contour can be made.In this way the problem is simplified from that o f detection o f an unknown signal, to the detection o f a known signal (a linear chirp) with unknown parameters.The method o f estimation is based on maximum likelihood, and the start frequency, chirp rate and amplitude o f each element are estimated.Further analysis is then carried out on groups of concatenated chirps (i.e.calls) to classify them.Results are given on performance for the supplied test recording and for synthetic signals in white noise.The pros o f the algorithm are: good detection performance, at least in white noise; high resolution; ease of interpretation; flexibility; data compression.The cons are: computational cost; deterioration o f performance in non-white noise or with amplitude-modulated signals.Further development is needed to reduce errors with overlapping tonal or non-tonal signals.The algorithm is currently being applied to the problem of detecting right whale vocalisations and distinguishing them from those o f humpback whales. r é s u m éPlusieurs vocalisations de cétacés sont de type tonal et la plupart sont modulées en fréquence.L 'algorithme de détection présenté ici sépare le contour de fréquence en une séquence d 'éléments.Chacun des éléments est suffisamment petit pour qu'une approximation linéaire du contour de fréquence puisse être effectuée.Le problème est donc en ce sens simplifié de façon à ce que la détection d 'un signal inconnu passe à celle d 'un signal connu (une modulation linéaire de fréquence) avec des paramètres inconnus.La méthode d 'estimation est basée sur le maximum de vraisemblance, et la fréquence de départ, le taux de modulation et l'amplitude de chacun des élements sont estimés.Des analyses plus poussées sont alors effectuées sur des groupes de modulations enchaînées (i.e.vocalisations) afin de classifier les sons comme étant du bruit ou comme faisant partis d 'une espèce spécifique.Les résultats sont tirés de la performance des données de test et de signaux synthétiques en présence de bruit blanc.Les avantages de cet algorithme sont: une bonne performance de détection, du moins à l 'intérieur d'un bruit blanc; une haute résolution; la facilité d 'interprétation; la flexibilité; la compression de données.Les désavantages sont: les coûts computationnels; la détérioration de la performance à l 'extérieur d 'un bruit blanc ou avec un signal modulé en amplitude.Des développements plus poussés sont requis afin de réduire les erreurs provenant de la superposition d 'un son tonal sur un son non tonal.L 'algorithme a été appliqué aux problèmes de détection des vocalisations des baleines franches ainsi qu'à celui de la distinction de leurs vocalisations avec celles des rorquals à bosses.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».