« Maximum de vraisemblance stochastique » : différence entre les versions


Aucun résumé des modifications
Aucun résumé des modifications
Ligne 6 : Ligne 6 :
== Définition ==
== Définition ==


ajouter cette introduction :
j'ai fait des petites rectifications , mais j'ai aussi ajouté cette introduction :


  Nous dériverons une méthode stochastique de maximum de vraisemblance pour estimer les paramètres spatio-temporels des canaux.
  Nous dériverons une méthode stochastique de maximum de vraisemblance pour estimer les paramètres spatio-temporels des canaux.
Ligne 30 : Ligne 30 :


[https://ieeexplore.ieee.org/document/1368317  Source : ieeexplore.ieee.org]
[https://ieeexplore.ieee.org/document/1368317  Source : ieeexplore.ieee.org]
[[Catégorie:sihem]]
[[Catégorie:9]]

Version du 23 janvier 2021 à 00:38

en construction

Définition

j'ai fait des petites rectifications , mais j'ai aussi ajouté cette introduction :

Nous dériverons une méthode stochastique de maximum de vraisemblance pour estimer les paramètres spatio-temporels des canaux.

De tels estimateurs sont nécessaires dans les études de propagation où des mesures et des sondages approfondis sont nécessaires. Ce sont des tâches fondamentales dans le processus de développement de modèles de canaux avancés.

Le modèle de signal est stochastique. La performance de la méthode proposée est comparées à l’algorithme SAGE où le modèle de signal est déterministe.


Français

Maximum de vraisemblance stochastique

Anglais

Stochastic maximum likelihood

We will derive a stochastic maximum likelihood method for estimating spatio-temporal channel parameters. Such estimators are needed in propagation studies where extensive channel measurements and sounding are required. These are seminal tasks in the process of developing advanced channel models. The proposed method employs angular Von Mises distribution model which is appropriate for directional data typically observed in channel measurement campaigns. The signal model is stochastic. The performance of the proposed method is compared to SAGE algorithm where the signal model is deterministic. The computational complexity of the proposed method is lower and channel parameters are estimated with higher fidelity because the underlying distribution model is well-suited for directional data.



Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018

Source : ieeexplore.ieee.org