MétaCan
Menu
Retour à la cohorte
Enregistrement W2897409004 · doi:10.1121/1.5067999

Measuring with noise? We can do better!

2018· article· en· W2897409004 sur OpenAlexaff
Markus Müller-Trapet, Christoph Hoeller

Notice bibliographique

RevueThe Journal of the Acoustical Society of America · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésReverberationAcousticsNoise (video)Computer scienceSound pressureTransmission (telecommunications)GaussianTransmission lossTelecommunicationsPhysicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

It has long been established that correlation-based measurement techniques, using, e.g., maximum length sequences and swept sines, outperform classical methods based on random Gaussian noise. Among the advantages of these modern techniques are better rejection of background noise and reduced measurement duration to achieve similar or better precision. These advantages are especially interesting in room and building acoustics, where many measurement positions typically have to be covered and background noise is often an issue, especially when measuring sound transmission loss or velocity level differences. Unfortunately, there is currently no provision in the ASTM standards on room and building acoustics that would allow the use of these modern measurement methods. To demonstrate the advantages of these methods, this contribution will present an example of measurements of the apparent sound transmission loss, i.e., measurements of sound pressure level differences and reverberation times. In addition to the standardized measurements according to ASTM E336, all measurements were repeated with maximum length sequences and swept sines. The results will be compared and the advantages of the modern techniques will be highlighted.

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)0,018
score de la tête « metaresearch » (Gemma)0,058
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,148

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,058
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0030,002
Études des sciences et des technologies0,0050,017
Communication savante0,0120,034
Science ouverte0,0040,009
Intégrité de la recherche0,0100,018
Charge utile insuffisante (le modèle a refusé de juger)0,0440,046

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 Opus0,019
Tête enseignante GPT0,253
Écart entre enseignants0,235 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of the Acoustical Society of AmericaMême sujetStructural Health Monitoring TechniquesTravaux en français237 207