Use of Psychoacoustic Metrics for the Analysis of Next Generation Computer Graphic Card Noise
Notice bibliographique
Résumé
The continuing challenge to deliver performance improvements in computer graphic cards has long since progressed to the point of requiring finned, passive, cooling devices to dissipate the heat generated by the graphics processing unit (GPU). The heat flux generated by further improvements now exceeds that dissipation capacity so that passive cooling can no longer provide adequate cooling the GPU. The dissipation rates required by the latest generation of designs can be delivered by forced air cooling of finned heat sinks. The concurrent challenge to the industry is to provide this cooling while minimizing the noise generated by these cooling fans. A significant aspect associate with this problem is missed if one only considers the problem to be a one-dimensional sound level issue. From a consumer’s perspective, the perceived quality of the noise emitted takes precedence over what traditional acoustical analysis techniques of this fan noise may imply. Here, psychoacoustic or sound quality metrics, may be a more applicable analysis tool as it provides the quantification of these qualitative human impressions. The present study investigates the validity of using several psychoacoustic metrics for the analysis of fan cooled computer graphics card noise. Using experimentally measured fan noise from three different cooling fan designs, a sound quality analysis was performed using loudness, sharpness, roughness, fluctuation strength, prominent tone and articulation index. A discussion and comparison of measured results using traditional analysis techniques is also included. It was found that some of the metrics proved more useful than others as an analysis tool for this specific noise source. A discussion of the applicability of the various sound quality metrics along with justifications is presented.
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 | 0,000 | 0,001 |
| 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 ».