Iteration Bayesian Reweighed Algorithm for Optical Carrier-Based Microwave Interferometry Sensing
Notice bibliographique
Résumé
This paper proposes a novel iteration Bayesian reweighed (IBR) algorithm to obtain accurate estimates of a measurement parameter that uses only a few noisy measurement data. The method is applied to optimize the frequency fluctuation in an optical carrier-based microwave interferometry (OCMI) system. The algorithm iteratively estimates the frequency of the S-parameter valley point by collecting training samples to rebalance the weights between prior samples, which reduces the impact of noise in the system. Simulation shows that the estimated result of this algorithm is closer to the true value than that of the maximum likelihood estimation (MLE) using the same amount of measured data. Under the influence of system noise, this algorithm optimizes the frequency fluctuation of the S-parameter and reduces the impact of individual measured data. In this study, we applied the algorithm in the strain sensing experiment and compared it with the MLE. When axial strain changes 240 με, the IBR algorithm yields a deviation of 36 με, which is a significant reduction from 138 με (using the MLE method). Moreover, the average error rate decreases from 25% to 3% (with the MLE method), suggesting that the linear fitting degree of the estimated results and accuracy of the system are improved. Moreover, the algorithm has a wide range of applicability, for it can handle different application models in the OCMI system and the systems with frequency fluctuation problems.
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 | 0,000 |
| 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 ».