On nonparametric techniques for analyzing nonstationary signals
Notice bibliographique
Résumé
statistiques avancees,estimation,detection,precipitation,modele de climat,methodes par apprentissage Dans l’analyse des signaux d’origine naturelle, nous sommes souvent confrontés à des situations où nous ne savons pas si un changement s’est produit, ni où le possible point de changement peut être localisé. Cependant, diverses méthodes en traitement du signal reposent implicitement sur une hypothèse de stationnarité, car le cas stationnaire est bien défini dans une perspective théorique. D’un autre côté, tous les processus du monde réel sont a priori non-stationnaires et, dans la majorité des cas, cette supposition se révèle vraie. Etant donné qu’il existe de nombreuses façons par lesquelles la propriété de stationnarité peut être enfreinte, différents tests de stationnarité ont été développés pour tester les différentes formes de non-stationnarité. Cette thèse se concentre sur la conception et l’amélioration des techniques qui peuvent être appliquées aux signaux environnementaux, plus spécifiquement, les signaux hydrométéorologiques. Les techniques qui ont été développées présentent certaines caractéristiques qui sont préférables pour tester les données environnementales (i.e. être non-parametrique, être capable d’extraire automatiquement les informations des données disponibles, être capable d’identifier un changement dans les moments statistiques du premier et du second ordre). Dans cette thèse, le test de stationnarité et la détection de point de changement ont été abordés séparément: les tests de stationnarité rejettent la stationnarité de tout l’intervalle d’observation, tandis que pour détecter les points de changement, nous testons les signaux pour les quels la stationnarité a déjà été rejetée. Dans cette thèse, de nombreuses contributions et de nouvelles approches de ces sujets sont proposées. La dernière partie de la thèse consiste à appliquer toutes les approaches développées sur des données environnementales. Les données ont été générées par le Canadian Regional Climate Model (CRCM), un modéle très réaliste qui prend en compte de nombreuses interactions physiques complexes.La cohérence des résultats obtenus confirme le potentiel des approches proposées au regard des approches concurrentes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».