MétaCan
Menu
Retour à la cohorte
Enregistrement W2898771472 · doi:10.1109/icamechs.2018.8507129

A new robust narrowband active noise control system with online secondary-path modeling and frequency mismatch compensation

2018· article· en· W2898771472 sur OpenAlexaff
Yaping Ma, Yegui Xiao, Liying Ma, K. Khorasani, Jianming Ding, Jianhui Lin

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Adaptive Filtering Techniques
Établissements canadiensConcordia University
Organismes subventionnairesJapan Society for the Promotion of Science
Mots-clésNarrowbandActive noise controlRobustness (evolution)Noise reductionNoise (video)Computer scienceElectronic engineeringCompensation (psychology)Path (computing)Engineering

Résumé

récupéré en direct d'OpenAlex

Narrowband active noise control (ANC, NANC) systems provide excellent performance in suppressing the annoying noise signals generated by rotating machines, which may be modeled as sinusoidal signals in additive noise. In realworld applications, two important issues including secondary path modeling (SPM) and frequency mismatch (FM), namely, the error of the nonacoustic timing signal sensor, need to be addressed by the NANC system in order to achieve sufficient noise reduction. In this paper, a new robust NANC system is proposed which contains three subsystems, namely: 1) an online secondary-path modeling subsystem designed to track the time-varying secondary path, 2) an FM compensation subsystem providing modified frequencies to every ANC channel, and 3) a cost reduction subsystem where only two x-filtering blocks are placed regardless of the number of the targeted frequencies. The three subsystems are seamlessly integrated such that the entire NANC system enjoys great advantages in both noise reduction and computational efficiency. Simulation results as well as application to real noise are conducted to demonstrate the effectiveness and capabilities as well as robustness of our proposed system.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,562
Score d'incertitude au seuil0,754

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,209
Écart entre enseignants0,196 · 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 tête enseignante, 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
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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Adaptive Filtering TechniquesTravaux en français237 207