Evaluation of adaptive algorithms for detection and classification of fluorescent aerosols in the atmosphere
Notice bibliographique
Résumé
Photon counting technologies are developed and could be used in the future to measure the return from laser induced fluorescence. Currently, the spectral detection of light emitted by fluorescing aerosols is performed with ICCD, Intensified Charge Coupled Device. The signal to noise ratio of ICCD devices is smaller by a factor of √2compared to photon counting devices having the same sensitivity. We studied the impact of this difference of signal to noise ratio on the capability of multivariate detection and classification algorithms to operate on various conditions. Signal simulations have been performed to obtain ROC (Receiver Operation Characteristics) Curves and Confusion Matrix to obtain the detection performance and the ability of algorithms to discriminate a potential source from another. Two detection algorithms are used, the Integrated Laser Induced Fluorescence(ILIF) and the Matched Filter. For the classification, three algorithms are used, the Adaptive Matched Filter (AMF), the Adaptive Coherent Estimator (ACE) and the Adaptive Least Squares (ALS). The best algorithm for detection is the AMF using the signature of the material present in a cloud, the ILIF detector performs very well. For the classification, the three algorithms are surprisingly giving the same results for the same data. The classification performs better if the distance between the signatures recorded in a database is important. The performance of the detector and of the classificator improves with an increase of the signal to noise ratio and is consistently and significantly better for the photon counting compared to ICCD.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».