TL;DR
- چکیده:.
- نوسانات سینوسی میرا بهطور گسترده در بسیاری از سیستمهای فیزیکی مشاهده میشود و تجزیه و تحلیل.
- آنها دسترسی به ویژگیهای فیزیکی زیرین را فراهم میکند.
چه اتفاقی افتاد
چکیده:. نوسانات سینوسی میرا بهطور گسترده در بسیاری از سیستمهای فیزیکی مشاهده میشود و تجزیه و تحلیل.
آنها دسترسی به ویژگیهای فیزیکی زیرین را فراهم میکند. با این حال،.
زمانی که سیگنال به سرعت تحلیل میرود،. چندین مؤلفه روی هم قرار میگیرند و نویز مشاهدهای وجود دارد،.
تخمین پارامتر دشوار میشود. در این مطالعه،.
ما یک روش مبتنی بر رمزگذار خودکار را توسعه میدهیم که از فضای پنهان برای تخمین فرکانس،. فاز،.
زمان فروپاشی و دامنه هر جزء در سیگنالهای سینوسی میرایی چند جزئی پر سر و صدا استفاده میکند. ما موارد چند جزئی را تحت آموزش توزیع گاوسی بررسی میکنیم و بیشتر تأثیر توزیع دادههای آموزشی را.
از طریق مقایسه بین آموزش گاوسی و یکنواخت بررسی میکنیم. عملکرد از طریق بازسازی شکل موج و دقت تخمین پارامتر ارزیابی میشود.
ما متوجه شدیم که روش پیشنهادی میتواند تخمین بزند پارامترهایی با دقت بالا حتی در تنظیمات چالش. برانگیز،.
مانند مواردی که شامل یک جزء زیرمجموعه یا اجزای تقریباً فاز مخالف هستند،. در حالی که زمانی که توزیع آموزش اطلاعات کمتری دارد،.
بهطور منطقی قوی باقی میمانند. این پتانسیل آن را بهعنوان ابزاری برای تجزیه و تحلیل سیگنالهای کوتاه مدت و نویز نشان می.
دهد. صفحه، 16 شکل، 14 جدول یادگیری ماشین (cs.
LG)؛ پردازش سیگنال (eess. SP)؛ یادگیری ماشینی (stat.
ML) استناد بهعنوان: (یا v1 [cs. LG] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Momoka Iida [مشاهده ایمیل] [v1] یکشنبه،.
5 آوریل 2026،. 06:.
12:. 12 UTC (7,.
468 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.