Parametric Analysis of Frequency Domain Reflectometry Measurements
Notice bibliographique
Résumé
In the frequency domain reflectometry (FDR) method of remotely measuring discontinuities in telephone lines, the reflected amplitude versus frequency trace resulting from a single fault has a sinusoidal form that decays with increasing frequency. Each additional fault adds a decaying sinusoidal component with frequency and decay rate in proportion to the fault distance. The objective is to be able to resolve closely spaced faults that are located far from the measuring instrument. Our conventional approach has been to use Fourier analysis, however, we are forced to discount highly accurate low frequency information because a Blackman window is needed to minimize spectral leakage. As an alternative, we assumed an autoregressive (AR) model with a complex pole pair associated with each decaying sinusoidal component and then calculated model parameters using the Burg method. As the model order was increased, the Burg method yielded better resolution than the Fourier transform but it suffered from spurious peaks and spectral line splitting when the model order was too high. With an unknown number of line faults, there was no clear way to preselect the order of the model. We also tried analysis by successive decomposition of the trace assuming decaying sinusoids and using a least squares metric. At the end, we reverted to the Fourier transform and used a mirrored extension of the trace data set. We also used a variety of mirror points at the low frequency end of the trace. Although not fully satisfactory, this has given the best results to date.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| 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 ».