MétaCan
Menu
Retour à la cohorte
Enregistrement W1953227509 · doi:10.1109/maes.2015.150014

Integrated Modular Avionics - Past, present, and future

2015· article· en· W1953227509 sur OpenAlexaff
Thomas Gaska, Chris Watkin, Yu Chen

Notice bibliographique

RevueIEEE Aerospace and Electronic Systems Magazine · 2015
Typearticle
Langueen
DomaineComputer Science
ThématiqueReal-Time Systems Scheduling
Établissements canadiensLockheed Martin (Canada)
Organismes subventionnairesnon disponible
Mots-clésAvionicsIntegrated modular avionicsEngineeringSoftwareModular designSystems engineeringAvionics softwareAerospaceSoftware engineeringSoftware developmentAeronauticsComputer scienceOperating systemComponent-based software engineering

Résumé

récupéré en direct d'OpenAlex

IMA (Integrated Modular Avionics) approaches have been around for 30 years but vary widely in implementation and the extent of both hardware and software levels of unification. The IMA concept, which replaces numerous separate processors and line replaceable units (LRUs) with fewer, more centralized processing units, has led to significant weight reduction and maintenance savings in both military and commercial airborne platforms. The IMA concept for this definition originated in the United States with the F-22 Joint Integrated Avionics Working Group (JIAWG) 30 years ago and then migrated to business jets and commercial transports in the late 1990s. In the last 10 years, the mainstream IMA definition has incorporated time and space partitioned software environments based on the ARINC 653 standard. During this period, software complexity has exploded. The ARINC 653 extended IMA definition has enabled the development of common software infrastructure to enhance complex systems management and enable greater software reuse. In open literature, civil aviation has cornerstone IMA extended examples in the Airbus 380 and Boeing 787 Dream-liner platforms. This article provides a summary of IMA history, presents these new IMA challenges going forward, and summarizes research focus exploring advanced IMA solutions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,005
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,228
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations101
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Aerospace and Electronic Systems MagazineMême sujetReal-Time Systems SchedulingTravaux en français237 207