Descripteur
Termes IGN > mathématiques > statistique mathématique > probabilités > distribution, loi de > distribution de Gauss
distribution de GaussSynonyme(s)loi normale gaussienne ;loi normale distribution normale |
Documents disponibles dans cette catégorie (51)



Etendre la recherche sur niveau(x) vers le bas
Uncertainty estimation for stereo matching based on evidential deep learning / Chen Wang in Pattern recognition, vol 124 (April 2022)
![]()
[article]
Titre : Uncertainty estimation for stereo matching based on evidential deep learning Type de document : Article/Communication Auteurs : Chen Wang, Auteur ; Xiang Wang, Auteur ; Jiawei Zhang, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 108498 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] appariement d'images
[Termes IGN] apprentissage profond
[Termes IGN] distribution de Gauss
[Termes IGN] fonction de perte
[Termes IGN] lissage de données
[Termes IGN] modèle d'incertitude
[Termes IGN] reconstruction d'imageRésumé : (auteur) Although deep learning-based stereo matching approaches have achieved excellent performance in recent years, it is still a non-trivial task to estimate the uncertainty of the produced disparity map. In this paper, we propose a novel approach to estimate both aleatoric and epistemic uncertainties for stereo matching in an end-to-end way. We introduce an evidential distribution, named Normal Inverse-Gamma (NIG) distribution, whose parameters can be used to calculate the uncertainty. Instead of directly regressed from aggregated features, the uncertainty parameters are predicted for each potential disparity and then averaged via the guidance of matching probability distribution. Furthermore, considering the sparsity of ground truth in real scene datasets, we design two additional losses. The first one tries to enlarge uncertainty on incorrect predictions, so uncertainty becomes more sensitive to erroneous regions. The second one enforces the smoothness of the uncertainty in the regions with smooth disparity. Most stereo matching models, such as PSM-Net, GA-Net, and AA-Net, can be easily integrated with our approach. Experiments on multiple benchmark datasets show that our method improves stereo matching results. We prove that both aleatoric and epistemic uncertainties are well-calibrated with incorrect predictions. Particularly, our method can capture increased epistemic uncertainty on out-of-distribution data, making it effective to prevent a system from potential fatal consequences. Code is available at https://github.com/Dawnstar8411/StereoMatching-Uncertainty. Numéro de notice : A2022-198 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article DOI : 10.1016/j.patcog.2021.108498 Date de publication en ligne : 23/12/2021 En ligne : https://doi.org/10.1016/j.patcog.2021.108498 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99992
in Pattern recognition > vol 124 (April 2022) . - n° 108498[article]Hyperspectral image denoising via clustering-based latent variable in variational Bayesian framework / Peyman Azimpour in IEEE Transactions on geoscience and remote sensing, vol 59 n° 4 (April 2021)
![]()
[article]
Titre : Hyperspectral image denoising via clustering-based latent variable in variational Bayesian framework Type de document : Article/Communication Auteurs : Peyman Azimpour, Auteur ; Tahereh Bahraini, Auteur ; Hadi Sadoghi Yazdi, Auteur Année de publication : 2021 Article en page(s) : pp 3266 - 3276 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse de groupement
[Termes IGN] classification bayesienne
[Termes IGN] classification floue
[Termes IGN] distribution de Gauss
[Termes IGN] factorisation de matrice non-négative
[Termes IGN] filtrage du bruit
[Termes IGN] filtre de Gauss
[Termes IGN] image hyperspectrale
[Termes IGN] Matlab
[Termes IGN] processeur graphique
[Termes IGN] qualité des données
[Termes IGN] variableRésumé : (auteur) The hyperspectral-image (HSI) noise-reduction step is a very significant preprocessing phase of data-quality enhancement. It has been attracting immense research attention in the remote sensing and image processing domains. Many methods have been developed for HSI restoration, the goal of which is to remove noise from the whole HSI cube simultaneously without considering the spectral–spatial similarity. When a noise-removal algorithm is used globally to the entire data set, it would not eliminate all levels of noise, effectively. Furthermore, most of the existing methods remove independent and identically distributed (i.i.d.) Gaussian noise. The real scenarios are much more complicated than this assumption. The complexity created by natural noise that has a non-i.i.d. structure leads to inefficient methods containing underestimation and invalid performance. In this article, we calculated the spatial–spectral similarity criteria by defining a set of clustering-based latent variables (CLVs) in a Bayesian framework to improve the robustness. These criteria can be extracted using the clustering operators. Then, by applying the CLV to the variational Bayesian model, we investigated a new low-rank matrix factorization denoising approach based on the proposed clustering-based latent variable (CLV-LRMF) to remove noise with the non-i.i.d. mixture of Gaussian structures. Finally, we switched to the GPU for MATLAB implementation to reduce the runtime. The experimental results show that the performance has been improved by applying the proposed CLV and demonstrate the effectiveness of the proposed CLV-LRMF over other state-of-the-art methods. Numéro de notice : A2021-287 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2939512 Date de publication en ligne : 24/03/2021 En ligne : https://doi.org/10.1109/TGRS.2019.2939512 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97396
in IEEE Transactions on geoscience and remote sensing > vol 59 n° 4 (April 2021) . - pp 3266 - 3276[article]Hyperspectral unmixing using orthogonal sparse prior-based autoencoder with hyper-laplacian loss and data-driven outlier detection / Zeyang Dou in IEEE Transactions on geoscience and remote sensing, vol 58 n° 9 (September 2020)
![]()
[article]
Titre : Hyperspectral unmixing using orthogonal sparse prior-based autoencoder with hyper-laplacian loss and data-driven outlier detection Type de document : Article/Communication Auteurs : Zeyang Dou, Auteur ; Kun Gao, Auteur ; Xiaodian Zhang, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 6550 - 6564 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse des mélanges spectraux
[Termes IGN] distribution de Gauss
[Termes IGN] erreur
[Termes IGN] image hyperspectrale
[Termes IGN] reconstruction d'image
[Termes IGN] valeur aberranteRésumé : (auteur) Hyperspectral unmixing, which estimates end-members and their corresponding abundance fractions simultaneously, is an important task for hyperspectral applications. In this article, we propose a new autoencoder-based hyperspectral unmixing model with three novel components. First, we propose a new sparse prior to abundance maps. The proposed prior, called orthogonal sparse prior (OSP), is based on the observations that different abundance maps are close to orthogonal because, generally, no more than two end-members are mixed within one pixel. As opposed to the conventional norm-based sparse prior that assumes the abundance maps are independent, the proposed OSP explores the orthogonality between the abundance maps. Second, we propose the hyper-Laplacian loss to model the reconstruction error. The key observation is that the reconstruction error distribution usually has a heavy-tailed shape, which is better modeled by the hyper-Laplacian distribution rather than the commonly used Gaussian distribution. Third, to ease the side effect of outliers for end-member initializations, we develop a data-driven approach to detect outliers from the raw hyperspectral images. Extensive experiments on both synthetic and real-world data sets show that the proposed method significantly and consistently outperforms the compared state-of-the-art methods, with up to more than 50% improvements. Numéro de notice : A2020-532 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.2977819 Date de publication en ligne : 16/03/2020 En ligne : https://doi.org/10.1109/TGRS.2020.2977819 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95715
in IEEE Transactions on geoscience and remote sensing > vol 58 n° 9 (September 2020) . - pp 6550 - 6564[article]
Titre : Estimation parcimonieuse de biais multitrajets pour les systèmes GNSS Type de document : Thèse/HDR Auteurs : Julien Lesouple, Auteur ; Jean-Yves Tourneret, Auteur ; François Vincent, Auteur Editeur : Toulouse : Université de Toulouse Année de publication : 2019 Importance : 217 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, spécialité : Informatique et TélécommunicationLangues : Français (fre) Descripteur : [Vedettes matières IGN] Navigation et positionnement
[Termes IGN] chaîne de Markov
[Termes IGN] correction du trajet multiple
[Termes IGN] distribution de Gauss
[Termes IGN] erreur de mesure
[Termes IGN] erreur systématique
[Termes IGN] estimation bayesienne
[Termes IGN] filtrage du signal
[Termes IGN] mesurage par GNSS
[Termes IGN] récepteur GNSS
[Termes IGN] représentation parcimonieuse
[Termes IGN] traitement du signal
[Termes IGN] trajet multipleRésumé : (auteur) L’évolution des technologies électroniques (miniaturisation, diminution des coûts) a permis aux GNSS (systèmes de navigation par satellites) d’être de plus en plus accessibles et donc utilisés au quotidien, par exemple par le biais d’un smartphone, ou de récepteurs disponibles dans le commerce à des prix raisonnables (récepteurs bas-coûts). Ces récepteurs fournissent à l’utilisateur plusieurs informations, comme par exemple sa position et sa vitesse, ainsi que des mesures des temps de propagation entre le récepteur et les satellites visibles entre autres. Ces récepteurs sont donc devenus très répandus pour les utilisateurs souhaitant évaluer des techniques de positionnement sans développer tout le hardware nécessaire. Les signaux issus des satellites GNSS sont perturbés par de nombreuses sources d’erreurs entre le moment où ils sont traités par le récepteurs pour estimer la mesure correspondante. Il est donc nécessaire decompenser chacune des ces erreurs afin de fournir à l’utilisateur la meilleure position possible. Une des sources d’erreurs recevant beaucoup d’intérêt, est le phénomène de réflexion des différents signaux sur les éventuels obstacles de la scène dans laquelle se trouve l’utilisateur, appelé multitrajets. L’objectif de cette thèse est de proposer des algorithmes permettant de limiter l’effet des multitrajets sur les mesures GNSS. La première idée développée dans cette thèse est de supposer que ces signaux multitrajets donnent naissance à des biais additifs parcimonieux. Cette hypothèse de parcimonie permet d’estimer ces biais à l’aide de méthodes efficaces comme le problème LASSO. Plusieurs variantes ont été développés autour de cette hypothèse visant à contraindre le nombre de satellites ne souffrant pas de multitrajet comme non nul. La deuxième idée explorée dans cette thèse est une technique d’estimation des erreurs de mesure GNSS à partir d’une solution de référence, qui suppose que les erreurs dues aux multitrajets peuvent se modéliser à l’aide de mélanges de Gaussiennes ou de modèles de Markov cachés. Deux méthodes de positionnement adaptées à ces modèles sont étudiées pour la navigation GNSS. Note de contenu : Introduction
1- La navigation par satellites
2- Estimation parcimonieuse pour la navigation par satellites
3- Estimation Bayésienne des hyperparamètres
4- Utilisation de mélanges de Gaussiennes pour la modélisation des erreurs GNSS
Conclusion et perspectivesNuméro de notice : 25802 Affiliation des auteurs : non IGN Thématique : IMAGERIE/POSITIONNEMENT Nature : Thèse française Note de thèse : thèse de Doctorat : Informatique et Télécommunication : Toulouse : 2019 nature-HAL : Thèse DOI : sans En ligne : http://www.theses.fr/2019INPT0020 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95044
Titre : Signaux et systèmes : signaux, filtrage et décision Type de document : Guide/Manuel Auteurs : André Quinquis, Auteur ; Ali Mansour, Auteur ; Emanuel Radoi, Auteur Editeur : Paris : Lavoisier Année de publication : 2019 Collection : Information numérique - Traitement, interprétation, communication Importance : 361 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-2-7462-4859-5 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement du signal
[Termes IGN] autocorrélation
[Termes IGN] bruit thermique
[Termes IGN] distribution de Gauss
[Termes IGN] filtrage du signal
[Termes IGN] fonction aléatoire
[Termes IGN] phénomène de Gibbs
[Termes IGN] signal analogique
[Termes IGN] signal analytique
[Termes IGN] théorème de Plancherel
[Termes IGN] transformation de Fourier
[Termes IGN] variable aléatoireIndex. décimale : 24.20 Traitement du signal Résumé : (Editeur) Dans notre société moderne, où la technologie a envahi la vie de tous les jours, l'information devient essentielle. Le traitement du signal joue un rôle crucial pour mieux interpréter les observations reçues et extraire l'information pertinente et utile pour une décision quelle qu'en soit la finalité. De nos jours, le traitement des signaux et des systèmes trouve ses applications dans des domaines variés comme la surveillance, le numérique, l'automatisme, la santé, les télécommunications, la cyberdéfense, les capteurs intelligents, l'internet des objets, l'astronomie, la guerre électronique, la robotique, etc. Cet ouvrage présente d'une manière originale et didactique les concepts fondamentaux du traitement de signal en abordant plus d'une centaine de questions que les étudiants ou les personnes non-spécialistes de la discipline se posent. Armés d'une longue expérience dans l'enseignement supérieur et dans la recherche en France et à l'étranger, les auteurs apportent des éléments de réponse dans un langage clair, concis et mathématiquement accessible au public. Les concepts fondamentaux sont traités via des questions illustrées d'exemples, renforçant le bon sens physique et facilitant l'appréhension de notions trop souvent réputées ardues. L'ouvrage est ainsi rendu accessible au public le plus large : ingénieurs généralistes, étudiants préparant des DUT, BTS, diplômes d'ingénieurs, licences et masters scientifiques. Si l'exercice de dialectique qui consiste, pour convaincre, à proposer simultanément questions et réponses afférentes s'avère parfois réducteur, force est de constater que les auteurs ont su maintenir une très grande ouverture dans leur exposition qui devrait inciter beaucoup de dubitatifs du traitement du signal, de tous bords, à consulter leur ouvrage. Note de contenu : 1. Quelle est la définition physique d’un signal ?
2. Comment distingue-t-on le signal d’un bruit ?
3. Comment définir les observations, les données et les informations ?
4. Qu’est-ce que la théorie du signal et quelles sont ses applications ?
5. Comment peut-on classifier les signaux ?
6. Comment décrit-on un signal temporel en fonction de la nature, discrète ou continue, de ses axes ?
7. Qu’est-ce qu’un signal à bande étroite ?
8. Qu’est ce que l’impulsion de Dirac ?
9. Qu’est ce que la fonction d’Heaviside ?
10. Que représente la composante continue d’un signal ?
11. Quelle est l’effet de la modulation d’amplitude sur le spectre d’un signal ?
12. Quelles sont les principales différences entre les types de modulations analogiques ?
13. Quelles sont les avantages des modulations numériques sur les analogiques ?
14. A quoi sert la transformée de Fourier ?
15. Pourquoi change-t-on d’espace de représentation de signaux ?
16. Quelles sont les propriétés de la transformée de Fourier ?
17. A quoi sert la décomposition en série de Fourier ?
18. Quelles sont les conditions de Dirichlet ? Quelles sont les définitions de la série de Fourier ?
19. Quelle est la définition de la série de Fourier Complexe ? Quelles sont ses propriétés ?
20. Comment peut-on simplifier la décomposition en série de Fourier d’un signal périodique pair ?
21. Que décrit la dualité temps-fréquence ?
22. Si x(t) est un signal réel et impair alors quelles sont les propriétés de sa TF ?
23. Quelle est la transformée de Fourier de la fonction porte ? Quelle est la transformée de Fourier d’un échelon ?
24. Quelle est l’allure de la TF d’un signal gaussien ?
25. Comment peut-on énoncer le principe d’incertitude en théorie du signal ?
26. Quel est le sens physique de la fonction d’autocorrélation ?
27. Quelles sont les propriétés de l’autocorrélation des signaux déterministes ?
28. Quelle est la particularité de l’autocorrélation d’un signal périodique ?
29. Quelle est la différence entre la corrélation de deux fonctions de L2(R) et leur convolution ?
30. Quelles sont les définitions de la puissance et de l’énergie moyennes d’un signal complexe ou réel ?
31. Quelle est la différence entre la DSP et la DSE ?
32. Que traduit physiquement l’identité de Parseval pour des signaux à énergie finie ?
33. Comment s’énonce l’identité de Parseval pour des signaux périodiques ?
34. Si un signal est à énergie finie, que peut-on dire de sa puissance moyenne ? Comment calculer son énergie ?
35. En utilisant Parseval, calculer de deux façons différentes l’énergie de x(t) = te−tu(t) ?
36. Quelle est la principale propriété de la DSP d’un signal périodique ?
37. Comment calcule-t-on la DSP d’un signal continu s’il est périodique ? S’il n’est pas périodique ?
38. Comment fait-on pour passer d’un signal analogique à un signal numérique ?
39. A quoi servent les CNA et CAN ?
40. Qu’appelle-t-on bruit de quantification ?
41. Quel est le domaine d’application du théorème d’échantillonnage ?
42. Qu’appelle-t-on « effet de repliement de spectre » ?
43. Pourquoi appliquer un filtre passe-bas avant l’échantillonnage d’un signal ? . 1
44. Qu’est-ce qu’un échantillonneur bloqueur ?
45. Est-on obligé de respecter la fréquence de Shannon pour échantillonner un signal passe-bande ?
46. Que devient la restitution d’un signal sinusoïdal si on ne respecte pas la fréquence limite de Shannon ?
47. Quelles sont les applications du théorème de Plancherel ?
48. Quel est l’effet d’un échantillonnage temporel dans le domaine spectral ?
49. Pourquoi doit-on introduire la transformée de Fourier discrète TFD?
50. Quelle est la relation entre la TFD et la TZ ?
51. Quelles sont les particularités de la TFD ?
52. Quelles sont les erreurs liées au calcul de la TFD ?
53. Que traduit le phénomène de Gibbs ?
54. Qu’est ce qu’un signal causal ?
55. Qu’est-ce qu’un signal analytique ?
56. Quel est l’effet de la transformée de Hilbert ?
57. Quelle est la définition d’une fonction aléatoire ?
58. Qu’est ce qu’un signal aléatoire ?
59. Quelles sont les grandeurs les plus intéressantes pour caractériser une variable aléatoire ?
60. Quelles sont les propriétés importantes d’une densité de probabilité ?
61. Quel est le lien entre une densité de probabilité et une fonction de répartition ?
62. Quelles sont les propriétés les plus intéressantes des fonctions caractéristiques d’une variable aléatoire ?
63. Comment calcule-t-on la densité de probabilité d’une fonction d’une variable aléatoire : changement des variables ?
64. Comment estime-t-on une densité de probabilité ?
65. Comment définit-on les moments d’une variable aléatoire ?
66. Comment estime-t-on les moments d’une variable aléatoire ?
67. Comment définit-on la stationnarité au sens strict et au sens large d’un signal aléatoire ?
68. Quelle est l’interprétation de la stationnarité au sens large ?
69. Pourquoi l’ergodisme d’un processus aléatoire induit-il des simplifications dans un problème ?
70. Si un processus est stationnaire, est-il toujours ergodique ?
71. Comment définit-on la densité de probabilité conditionnelle ?
72. Comment peut-on caractériser deux variables aléatoires décorrélées ?
73. Comment peut-on caractériser deux variables aléatoires indépendantes
74. Quelle est la densité de probabilité de la somme de deux variables aléatoires indépendantes ?
75. Quelle est la définition d’une variable aléatoire uniforme ?
76. Quelle est l’interprétation du théorème de la limite centrale ?
77. Quelle est la définition d’une densité de probabilité gaussienne ?
78. Que peut-on dire de la loi de la quadration d’une variable gaussienne ?
79. Quelle est la définition de la densité de probabilité de Rayleigh ?
80. Si X, Y,Z et T sont les composantes d’un vecteur gaussien centré alors que valent E{XY ZT } et E{XY Z} ?
81. Qu’est-ce qu’un processus stochastique gaussien ?
82. Qu’est ce qu’un processus aléatoire Markovien ?
83. Comment définit-on un bruit blanc et quelles sont ses propriétés ?
84. Comment définit-on un bruit pseudo-blanc et quelles sont ses propriétés ?
85. Comment est défini le bruit thermique ?
86. Un bruit pseudo-blanc peut-il être à densité de probabilité gaussienne ?
87. Comment définit-on la bande spectrale équivalente du bruit ?
88. Comment choisit-on le nombre de niveaux de quantification pour numériser les réalisations d’une variable aléatoire ?
89. Quelles sont les différences entre les moments et les cumulants d’une variable aléatoire ?
90. Quelles sont les propriétés des cumulants ?
91. Quelle est la « valeur la plus probable » d’une variable aléatoire continue ? Quelle est la différence entre « valeur plus probable », « moyenne » et « médiane » ?
92. Comment calcule-t-on la valeur moyenne d’une variable aléatoire continue ?
93. Comment interprète-t-on l’écart type ?
94. Comment définit-on le coefficient de corrélation ?
95. A quoi servent l’asymétrie « Skewness » et l’aplatissement « kurtosis » ?
96. Comment calculer la moyenne d’une variable aléatoire uniforme ?
97. Comment définit-on la fonction de corrélation dans le cas aléatoire ?
98. Quelle est la différence entre les notions de corrélation et de covariance ?
99. Comment peut-on caractériser le contenu spectral d’un signal aléatoire ?
100. Quelles sont les principales propriétés de la fonction d’intercorrélation ?
101. Quelle est l’expression de la matrice de corrélation d’un processus aléatoire stationnaire ? 203
102. Comment définir la densité spectrale de puissance dans le cas aléatoire ?
103. Quelle est l’erreur d’estimation sur la fonction de corrélation ? Sur la densité de probabilité ?
104.Quels sont les différents modes de convergence pour une variable aléatoire ?
105. Quelle est la distinction entre l’inégalité de Biennaymé-Tchebychev etle théorème de la limite centrale ?
106. Est ce qu’on peut générer un signal non-stationnaire ? Que peut-on dire sur la stationnarité des signaux modulés ?
107. Qu’appelle-t-on « système linéaire, continu et invariant » ?
108. Pourquoi la convolution joue-t-elle un si grand rôle en traitement du signal ?
109. Quel est le lien entre la convolution et le filtrage ?
110. Soit un filtre linéaire analogique de réponse impulsionnelle h(t) excité par un signal x(t). Quelle est l’expression de sa sortie y(t) ?
111. Quelles sont les propriétés vérifiées par la transformée en Z ?
112. Quelles sont les relations entre les transformées de Fourier, de Laplace et en Z ?
113.Quelle est la différence entre la fonction de transfert et le gain complexe ?
114. Que représente un pôle pour une fonction de transfert ?
115. A quoi peut servir la transformée de Laplace ?
116. Quelle définition donne-t-on à la bande passante ?
117. Comment définit-on la fréquence de coupure sur une courbe de gain ?
118. Quelle est l’expression type de la fonction de transfert pour un filtre d’ordre deux ?
119. Quelle est l’atténuation d’un filtre en fonction de son ordre ?
120. Qu’est-ce que la représentation de Bode ?
121. A partir de la fonction de transfert d’un filtre passe-bas normalisé, comment obtient-on les passe-haut, passe-bande correspondants ?
122. Comment se comporte un système en fonction de la position des pôles de sa fonction de transfert ?
123. Si le signal d’entrée d’un système réel est sinusoïdal, comment se comporte le signal de sortie ?
124. Pour un système linéaire, comment définit-on le retard de phase et le retard de groupe ?
125. Comment déterminer la stabilité d’un système analogique ?
126. Quelle est la condition de stabilité d’un filtre numérique ?
127. Qu’appelle-t-on système réalisable ?
128. Pourquoi un filtre idéal n’est-il pas réalisable physiquement en temps réel ?
129. Un filtre linéaire retardant un signal sans déformation est-il réalisable en temps réel ?
130. A quoi sert le théorème des résidus ?
131. Comment retrouver de deux façons différentes la réponse impulsionnelle d’un système linéaire discret ?
132. Qu’est-ce qu’un modèle ARMA?
133. Comment définit-on un gabarit ?
134. Que représentent les filtres de Butterworth, Tchebychev, Cauer ?
135. Quelle est la particularité, au niveau de la réponse impulsionnelle, d’un filtre discret non-récursif ?
136. A quoi sert une fenêtre d’apodisation ?
137. Comment synthétise-t-on un filtre numérique récursif par la méthode de l’invariance impulsionnelle ?
138. Qu’est-ce que la transformee bilineaire (TBL) ?
139.Comment synthétiser un filtre numérique à réponse impulsionnelle finie ?
140. Quelles sont les différences entre les filtres RIF et RII ?
141. Quelles sont les paramètres caractéristiques à prendre en compte pour l’implantation d’un filtre numérique ?
142. Quelles sont les propriétés intéressantes d’un filtre à minimum de phase ?
143. Que nous apprend la formule des interférences ?
144. Comment calculer la moyenne d’un signal aléatoire continu x(t,w) par filtrage ?
145. Qu’appelle-t-on « moyenne linéaire » et « moyenne exponentielle » d’un signal numérique ?
146. Comment mesure-t-on, en pratique, la fonction de transfert d’un système linéaire ?
147. Quelle information peut-on extraire de la fonction de cohérence ?
148. Quels sont les avantages et inconvénients des communications numériques ?
149. Quel est le principe d’une chaîne de communication ?
150. Quels sont les intérêts des techniques de modulation ?
151. Quels sont les principaux paramètres dictant le choix d’un type de modulation ?
152. Donner le sens physique d’un rapport signal sur bruit
153. Définir : détection, estimation, déconvolution, classification
154. Quels sont les quatre principaux critères de détection à structure libre ?
155. Comment définit-on la probabilité d’erreur dans un problème de détection ?
156.Comment évaluer l’erreur commise sur la réception d’un signal binaire transmis dans un canal fortement bruité ?
157. Quel est le critère d’optimisation utilisé dans la théorie du filtre adapté ?
158.Comment détecte-t-on un signal déterministe noyé dans un bruit guaussien ?
159. Quels sont les différents types d’estimateurs bayésiens ?
160. Comment estime-t-on la corrélation d’un processus stationnaire au second ordre ?
161. Quelle est la différence entre le corrélogramme et le périodogramme?
162. Quel est le principal défaut du périodogramme standard ? Comment y remédier ?
163. Quelles sont les qualités attendues d’un estimateur ?
164. Qu’apporte l’analyse spectrale paramétrique par rapport à l’analyse spectrale classique ?
165. Quel est l’intérêt du filtrage de Wiener ?
166. Qu’apporte le filtrage de Kalman ?
167. Qu’apporte la représentation d’état d’un système ?
168. Quelles sont les limitations inhérentes à l’analyse spectrale appliquée aux signaux non-stationnaires ?
169. Qu’est-ce que le spectrogramme ?
170. Comment définit-on une représentation de Wigner-Ville ?
171. Qu’apporte au traitement des signaux non-stationnaires la transformée en ondelettes ?
172. Quel est le principe des méthodes homomorphiques ?
173. Pourquoi dans plusieurs applications une analyse au second ordre Estelle insuffisante ?
174. Qu’appelle-t-on bicorrélation d’un processus ?Numéro de notice : 26023 Affiliation des auteurs : non IGN Thématique : MATHEMATIQUE Nature : Manuel de cours Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92402 Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 26023-01 24.20 Livre Centre de documentation Physique Disponible Systematic effects in laser scanning and visualization by confidence regions / Karl Rudolf Koch in Journal of applied geodesy, vol 10 n° 4 (December 2016)
PermalinkA joint Gaussian process model for active visual recognition with expertise estimation in crowdsourcing / Chengjiang Long in International journal of computer vision, vol 116 n° 2 (15th January 2016)
PermalinkConvex programming approach to robust estimation of a multivariate Gaussian model / Samuel Balmand (2016)
![]()
PermalinkExtension of the linear chromodynamics model for spectral change detection in the presence of residual spatial misregistration / Karmon Vongsy in IEEE Transactions on geoscience and remote sensing, vol 53 n° 6 (June 2015)
PermalinkPermalinkPermalinkPermalinkPermalinkFuzzy classification: a case study using Landsat TM images in Iran / A.M. Lak in GIM international, vol 20 n° 7 (July 2006)
PermalinkPermalink