Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Doppler Effect - II01:05

Doppler Effect - II

3.5K
The Doppler effect has several practical, real-world applications. For instance, meteorologists use Doppler radars to interpret weather events based on the Doppler effect. Typically, a transmitter emits radio waves at a specific frequency toward the sky from a weather station. The radio waves bounce off the clouds and precipitation and travel back to the weather station. The radio frequency of the waves reflected back to the station appears to decrease if the clouds or precipitation are moving...
3.5K
Doppler Effect - I00:56

Doppler Effect - I

3.8K
The Doppler effect and Doppler shift were named after the Austrian physicist and mathematician Christian Johann Doppler in 1842, who conducted experiments with both moving sources and moving observers. Consider an observer standing on a street corner, observing an ambulance with a siren sound passing by at a constant speed. The observer experiences two characteristic changes in the sound of the siren. Initially, the sound increases in loudness as the ambulance approaches and decreases in...
3.8K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Hepatoprotective Effect of <i>Citrus aurantium L.</i> Against APAP-induced Liver Injury by Regulating Liver Lipid Metabolism and Apoptosis.

International journal of biological sciences·2020
Same author

Mechanical properties of tantalum carbide from high-pressure/high-temperature synthesis and first-principles calculations.

Physical chemistry chemical physics : PCCP·2020
Same author

Corrigendum to 'Osteoblastic PLEKHO1 contributes to joint inflammation in rheumatoid arthritis' [EBioMedicine 41 (2019) 538-555].

EBioMedicine·2020
Same author

Overexpression of circRNA_100290 promotes the progression of laryngeal squamous cell carcinoma through the miR-136-5p/RAP2C axis.

Biomedicine & pharmacotherapy = Biomedecine & pharmacotherapie·2020
Same author

LiB<sub>13</sub>: A New Member of Tetrahedral-Typed B<sub>13</sub> Ligand Half-Surround Cluster.

Scientific reports·2020
Same author

Excess melanin precursors rescue defective cuticular traits in stony mutant silkworms probably by upregulating four genes encoding RR1-type larval cuticular proteins.

Insect biochemistry and molecular biology·2020

Video Experimental Relacionado

Updated: Sep 9, 2025

Time Multiplexing Super Resolving Technique for Imaging from a Moving Platform
06:25

Time Multiplexing Super Resolving Technique for Imaging from a Moving Platform

Published on: February 12, 2014

8.5K

Mejorado algoritmo de agrupación en línea WOA-DBSCAN para flujos de datos de señales de radar

Haidong Wan1, Cheng Lu1, Yongpeng Cui2

  • 1School of Information Science and Engineering, Southeast University, Nanjing 211189, China.

Sensors (Basel, Switzerland)
|August 28, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio introduce un algoritmo de agrupación de densidad en línea mejorado para flujos de datos pulsados, mejorando la precisión y reduciendo la carga computacional. El nuevo método optimiza la selección de parámetros y el análisis de datos para una mejor identificación de la fuente de la señal.

Palabras clave:
Algoritmo DBSCANflujo de datosAlgoritmo mejorado de optimización de ballenasclasificación en líneaclasificación de las señales

Más Videos Relacionados

Tracking Infiltration Front Depth Using Time-lapse Multi-offset Gathers Collected with Array Antenna Ground Penetrating Radar
07:14

Tracking Infiltration Front Depth Using Time-lapse Multi-offset Gathers Collected with Array Antenna Ground Penetrating Radar

Published on: May 1, 2018

7.9K
Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation
11:41

Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation

Published on: February 1, 2020

20.5K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Time Multiplexing Super Resolving Technique for Imaging from a Moving Platform
06:25

Time Multiplexing Super Resolving Technique for Imaging from a Moving Platform

Published on: February 12, 2014

8.5K
Tracking Infiltration Front Depth Using Time-lapse Multi-offset Gathers Collected with Array Antenna Ground Penetrating Radar
07:14

Tracking Infiltration Front Depth Using Time-lapse Multi-offset Gathers Collected with Array Antenna Ground Penetrating Radar

Published on: May 1, 2018

7.9K
Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation
11:41

Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation

Published on: February 1, 2020

20.5K

Área de la Ciencia:

  • Procesamiento de señales
  • Minería de datos
  • Aprendizaje automático

Sus antecedentes:

  • Los algoritmos tradicionales de agrupamiento de densidad luchan con flujos de datos pulsados de múltiples fuentes, lo que lleva a un agrupamiento deficiente y altos costos computacionales.
  • Los métodos existentes requieren ajuste manual de parámetros y reagrupamiento de nuevos datos, lo que limita la eficiencia.
  • El aliasing en flujos de datos pulsados plantea desafíos para la identificación precisa de la fuente de la señal.

Objetivo del estudio:

  • Desarrollar un algoritmo de agrupación de densidad en línea eficiente para flujos de datos pulsados.
  • Mejorar la precisión del agrupamiento y reducir la complejidad computacional en comparación con los métodos tradicionales.
  • Para abordar las limitaciones de los algoritmos de agrupación de densidad existentes en el manejo de señales alias.

Principales métodos:

  • Propuso un algoritmo de agrupación de densidad en línea que incorpora una optimización mejorada de la ballena sinusoidal dorada.
  • Se modificó la definición de vecindad de un solo parámetro (Eps) a una decisión conjunta (Eps y θ) para la delimitación flexible del rango.
  • Clustering de flujo integrado para clasificar los pulsos en bibliotecas válidas, atípicas o inactivas basadas en las distancias del centro del clúster.

Principales resultados:

  • El algoritmo propuesto mejoró significativamente la precisión de clasificación en un 57,7% con respecto al algoritmo DBSCAN estándar.
  • Logró una mejora del 37,8% en la precisión de clasificación en comparación con el algoritmo de optimización de ballenas-DBSCAN (WOA-DBSCAN).
  • Se ha demostrado una reducción de la carga computacional a través de un análisis y clasificación de pulsos eficientes.

Conclusiones:

  • El algoritmo de agrupación de densidad en línea mejorado maneja efectivamente flujos de datos pulsados con aliasing.
  • El algoritmo ofrece un rendimiento de agrupación mejorado, requisitos computacionales reducidos y una precisión superior.
  • Este enfoque proporciona una solución robusta para la identificación de la fuente de señal en entornos de datos complejos.