MétaCan
Menu
Retour à la cohorte
Enregistrement W2771380128 · doi:10.1109/sielmen.2017.8123295

SYSEG — Symbolic state equation generation

2017· article· en· W2771380128 sur OpenAlexaff
Mihai Lordache, Sorin Deleanu, Ciprian Curteanu, Neculai Galan, Anastasie-Anton Moscu

Notice bibliographique

Revue2017 International Conference on Electromechanical and Power Systems (SIELMEN) · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Applications
Établissements canadiensNorthern Alberta Institute of Technology
Organismes subventionnairesnon disponible
Mots-clésSymbolic data analysisLinear circuitElectronic circuitResistorComputer scienceSoftwareSymbolic trajectory evaluationLinear equationUnitary stateAnalogue electronicsState (computer science)Nonlinear systemMathematicsEquivalent circuitTheoretical computer scienceAlgorithmVoltageMathematical analysisLawElectrical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

One of the most important goals for this study is to reveal an effective way to develop systematically the state equations that define the analog circuits (linear, non-linear, timeinvariant etc.) with excess elements. These equations can be depicted in various forms, like symbolic form, numeric-symbolic form, numeric-normal form. At the beginning, we designed the calculation method and afterwards we built the computer application, named SYSEG (SYSEG — Symbolic State Equation Generation), this software being able to obtain the normal form of the state equations. SYSEG does not calculate any inverse matrix, succeeding to get the compact form of the state equations through subsequent abridgements of the mathematic expressions. The first kind degeneracies are resolved in a unitary way in order to support the symbolic form to use a small number of state variables. The SYSEG application can work with circuits that have in their structure elements like: all types of linear controlled sources, independent sources (voltage and current), linear and non-linear resistors, capacitors and inductors. Also, this software is a very efficient instrument to be used for the symbolic analysis and for the circuits design (linear/non-linear time-invariant analog circuits).

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0320,007

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 Opus0,082
Tête enseignante GPT0,308
Écart entre enseignants0,227 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

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

En bref

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2017 International Conference on Electromechanical and Power Systems (SIELMEN)Même sujetNeural Networks and ApplicationsTravaux en français237 207