Planckian regression temperature for least spectral error and least CIELAB error
Notice bibliographique
Résumé
The correlated color temperature (CCT) provides a simple and useful descriptor for a given spectral power distribution as well as an approximation of the full spectrum of the measured illuminant. But typically, the CCT is calculated on the basis of distance in the chromaticity plane. Here we suggest that, while familiar, this metric is not the most effective for actually generating a useful spectral approximation. Given the recent interest in whole-spectrum calculations, we consider what optimization would be most sensible for identifying the nearest Planckian in terms of the whole-spectrum RMS error; in that case, we are calculating a variant of the distribution temperature, another simple descriptor. This effectively means that instead of one value T, we instead describe a spectrum in terms of both T and an intensity I. In general, we wish to balance the need for (i) a best mapping of the whole spectrum and (ii) the smallest CIELAB error. As a first step, we show how to calculate the spectrum analytically in the case when RMS spectral-error minimization is the sole goal. Generalizing, we consider an optimization that tries to minimize a balance of RMS and CIELAB error, leading to a family of solutions. Finally, we suggest a specific optimization that arguably forms a best trade-off of these two objectives, which we denote the Planckian regression temperature. Results are shown for some standard test illuminants and then for a further 102 measured spectra, with results separately reported for fluorescent and nonfluorescent illuminants.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».