MétaCan
Menu
Retour à la cohorte
Enregistrement W3142983110

4 - Conception optimisée d'architectures en précision finie pour les applications de traitement du signal

2001· article· fr· W3142983110 sur OpenAlexvenueno aff
Martin Martin, Nouët, Tourreilles

Notice bibliographique

RevueTraitement du signal · 2001
Typearticle
Languefr
DomaineComputer Science
ThématiqueDigital Image Processing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceArchitectureSIGNAL (programming language)Computer architectureTransformation (genetics)Process (computing)Signal processingDigital signalBehavioral modelingDigital signal processingAutomationComputer engineeringArtificial intelligenceComputer hardwareEngineeringProgramming language
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The new submicronic technologies offer real capacities in terms of integration of signal processing dedicated systems, images and digital communications. To control these new technologies, new design methods and new computer-aided design tools have appeared : the system design and the behavioral design. These methods offer an effective link between algorithm designers and circuit designers. But it creates also new methodological problems for design automation. Our study is in keeping with this process and is more particularly focused on transformation under constraints, from the abstract types (used in the declaration of variables for the behavioral specification) to the vector of bit types (used in the logical design). We illustrate our methodology by the use of the behavioral synthesis tool Gaut, developed in the Lester laboratory. We present the different models, analysis and methods used in a way to control computing noises in finite precision and real time architectures. Implementation of signal processing and image applications gives the efficiency and the importance of this approach in terms of architecture optimization.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,940
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,035
Tête enseignante GPT0,289
Écart entre enseignants0,254 · 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.

Devis d'étudeAutre devis
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

Citations0
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTraitement du signalMême sujetDigital Image Processing TechniquesTravaux en français237 207