Sparse broadband beamformer design via proximal optimization Techniques
Notice bibliographique
Résumé
Beamforming is one of the most important techniques to enhance the quality of signal in array sensor signal processing, and the performance of a beamformer is usually related to the design of array configuration and beamformer weight.Recently, it was realized that the sparsity of the filter coefficients can reduce the cost of signal acquisition and communication, and as a consequence, the sparse broadband beamformer design attracts more and more attentions.In this paper, we first propose a proximal sparse beamformer design model which obtains the sparse and robust filter coefficients through solving a composite optimization problem.The objective function of the model is the sum of a least squares term, a proximal term, and an 1 -regularization term.The least squares term reflects the data fidelity; the proximal term, whose center is predetermined via a simple least squares, enhances the robustness; while the 1 term ensures the sparsity of the solution.This model not only maintains the authenticity of the least squares solution, but also ensures the sparsity of the filter coefficients.A significant feature of the model is that we use 'partial' data to obtain the least squares solution and use another 'partial' data to construct the data fidelity term, which can evidently decrease the computational cost.For solving the composite optimization problem, we tailor several popular algorithms, such as the alternating direction method of multipliers, the forward-backward splitting method, and the Douglas-Rachford splitting method.Numerical results observably exhibit the improvements of the proposed approach over existing works in both effectiveness and efficiencies.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».